# Databricks MLflow-analysebron

Databricks MLflow is een machine learning-platform voor het automatiseren, bevestigen en versnellen van voorspellende analyses waarmee gegevenswetenschappers en -analisten nauwkeurige voorspellende modellen kunnen ontwikkelen en implementeren.

Als u verbinding wilt maken met Databricks MLflow, moet u een model dat u hebt gemaakt of waar u toegang toe hebt, hebben geïmplementeerd in een eindpunt op het Databricks MLflow-platform. Dit eindpunt moet openbaar toegankelijk zijn voor Qlik Cloud.

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

## ML-eindpunten inschakelen in Qlik Cloud

U moet machine learning-eindpunten inschakelen in het Beheer-activiteitencentrum om deze connector te kunnen gebruiken. U vindt de schakelaar onder Functiebeheer in de sectie Instellingen.

Ga voor meer informatie naar [Analytische verbindingen inschakelen voor machine learning-eindpunten.](https://help.qlik.com/nl-NL/cloud-services/Subsystems/Hub/Content/Sense_Hub/LoadData/load-data-from-advanced-analytic-connections.htm#Enabling).

## Beperkingen

* Databricks MLflow heeft eindpuntquota. Ga voor meer informatie naar [Inleiding tot Databricks Machine learning](https://docs.databricks.com/applications/machine-learning/index.html).

* De beschikbare resources in de Databricks MLflow-services waarin het model is geïmplementeerd, beïnvloeden en beperken de prestaties bij het opnieuw laden van Qlik Sense en bij diagramresponsiviteit.

* De Databricks MLflow-connector is beperkt tot 200,000 rijen per verzoek. Deze worden naar de eindpuntservice verzonden in batches van 2,000 rijen. In scenario's waarbij meer rijen moeten worden verwerkt, gebruikt u een lus in het load-script voor gegevens om meer rijen in batches te verwerken.

* Als een applicatie regelmatig opnieuw wordt geladen, is het handig om de prognoses met behulp van een QVD-bestand op te slaan in cache en alleen de nieuwe rijen naar het prognose-eindpunt te sturen. Dit verbetert de prestaties van het opnieuw laden van de Qlik Sense-applicatie en beperkt de belasting van het Databricks MLflow-eindpunt.

* Als u Databricks MLflow gebruikt in een diagramuitdrukking, is het belangrijk om de gegevenstypen van de velden op te geven, omdat het model die moet verwerken in de juiste tekenreeks/numerieke indeling. Een beperking van server-side extensions in diagramuitdrukkingen is dat de gegevenstypen niet automatisch worden gedetecteerd zoals in het load-script.

* Als u een relatieve verbindingsnaam gebruikt en u besluit uw applicatie van een gedeelde ruimte naar een andere gedeelde ruimte te verplaatsen, of als u uw applicatie van een gedeelde ruimte naar uw privéruimte verplaatst, duurt het even voordat de analytische verbinding is bijgewerkt en de nieuwe locatie weerspiegelt.

* U kunt geen verbindingen met deze connector maken en beheren in Gegevensbeheer binnen een analyse-applicatie.