Einführung von Feature Views
Von KI aus dem englischen Original übersetzt. Auf Englisch ansehen
Databricks hat Feature Views eingeführt, ein verwaltetes Framework, mit dem Entwickler ein ML-Feature einmal in Unity Catalog definieren und konsistent für Training, Batch-Inferenz und Echtzeit-Serving nutzen können. Dieses Release eliminiert Trainings-Serving-Skew sowie komplexes Infrastrukturmanagement. Anwender können Features mit wenigen API-Aufrufen schnell in die Produktion überführen und Streaming-Features mit einer End-to-End-p99-Latenz von 200 ms bereitstellen.
* Was es ist: Feature Views sind ein verwaltetes Framework, um ein ML-Feature einmal zu definieren und überall zu nutzen – dieselbe Definition versorgt historische Daten für Experimente und Training sowie Produktions-Pipelines für Batch- oder Echtzeit-Inferenz. * Gelöstes Problem: Die Produktivsetzung von Echtzeit-ML. Experimentieren Sie mit Features in einem Notebook und bringen Sie diese mit wenigen API-Aufrufen schnell in die Produktion. Eliminieren Sie Trainings-Serving-Skew, redundanten Feature-Code und fragile, selbstverwaltete Streaming- und Online-Store-Infrastrukturen, die die Skalierung von ML erschweren. * Das Ergebnis: Features werden zu verwalteten Unity Catalog-Objekten, die durch verwaltete Pipelines materialisiert werden, wobei Streaming-Features mit einer End-to-End-p99-Latenz von 200 ms bereitgestellt werden.