# Databricks MLflow 분석 소스

Databricks MLflow는 예측 분석을 자동화하고 보장하며 가속화하는 기계 학습 플랫폼으로, 데이터 과학자와 분석가가 정확한 예측 모델을 구축하고 배포하도록 돕습니다.

Databricks MLflow에 연결하려면 모델을 만들었거나 액세스할 수 있어야 하며 Databricks MLflow 플랫폼의 종료 지점에 배포해야 합니다. 또한 이 종료 지점은 Qlik Cloud에서 공개적으로 액세스할 수 있어야 합니다.

[관리형 MLflow](https://databricks.com/product/managed-mlflow).

## Qlik Cloud에서 ML 종료 지점 활성화

이 커넥터를 사용하려면 관리 활동 센터에서 기계 학습 종료 지점을 활성화해야 합니다. 스위치는 설정 섹션의 기능 제어 아래에 있습니다.

자세한 내용은 [기계 학습 종료 지점에 대한 분석 연결 활성화](https://help.qlik.com/ko-KR/cloud-services/Subsystems/Hub/Content/Sense_Hub/LoadData/load-data-from-advanced-analytic-connections.htm#Enabling)을 참조하십시오.

## 제한 사항

* Databricks MLflow에 종료 지점 할당량이 있습니다. 자세한 내용은 [Databricks 기계 학습 소개](https://docs.databricks.com/applications/machine-learning/index.html)를 참조하십시오.

* 모델이 배포된 Databricks MLflow 서비스에서 사용할 수 있는 리소스는 Qlik Sense 다시 로드 및 차트 응답의 성능에 영향을 미치고 제한합니다.

* Databricks MLflow 커넥터는 요청당 200,000행으로 제한됩니다. 이들은 2,000행의 배치로 종료 지점 서비스로 전송됩니다. 더 많은 행을 처리해야 하는 시나리오에서는 데이터 로드 스크립트 내의 루프를 사용하여 더 많은 행을 일괄 처리합니다.

* 응용 프로그램이 정기적으로 다시 로드되는 경우 QVD 파일을 사용하여 예측을 캐시하고 새 행만 예측 종료 지점으로 보내는 것이 가장 좋습니다. 이렇게 하면 Qlik Sense 응용 프로그램 다시 로드의 성능이 향상되고 Databricks MLflow 종료 지점의 로드가 줄어듭니다.

* 차트 표현식에서 Databricks MLflow를 사용할 때 모델이 올바른 문자열/숫자 형식으로 필드를 처리해야 하므로 필드의 데이터 유형을 제공하는 것이 중요합니다. 차트 표현식에서 서버 측 확장의 한계는 로드 스크립트에서와 같이 데이터 유형이 자동으로 감지되지 않는다는 것입니다.

* 상대 연결 이름을 사용하는 경우, 그리고 응용 프로그램을 공유 공간에서 다른 공유 공간으로 이동하기로 결정하는 경우, 또는 응용 프로그램을 공유 공간에서 개인 공간으로 이동하는 경우, 분석 연결이 새 공간 위치를 반영하도록 업데이트되는 데 시간이 걸립니다.

* 분석 응용 프로그램 내의 데이터 관리자에서 이 커넥터에 대한 연결을 생성하고 관리할 수 없습니다.