Criando uma conexão Databricks MLflow

As conexões do Databricks MLflow são criadas no Editor da carga de dados ou no Script.

Depois de criar uma conexão, você pode selecionar dados das tabelas disponíveis para enviar ao Databricks MLflow para cálculos e, em seguida, carregar esses dados em seu aplicativo. Essa conexão pode ser usada em seu script de carregamento de dados e em expressões de gráfico para chamar terminais de modelo e executar cálculos de expressão de gráfico em tempo real.

Você deve conhecer as configurações e as credenciais de acesso para o serviço Databricks MLflow ao qual deseja se conectar.

Configurações definíveis

As seguintes configurações podem ser definidas na caixa de diálogo de conexão:

Configurações definíveis na caixa de diálogo de conexão
Campo	Descrição
Selecione a configuração	Configuração: selecione a versão do Databricks MLflow que seu modelo usa. Estão disponíveis as seguintes opções: MLflow 1.0: o modelo é criado usando o Databricks MLflow 1.x. MLflow 2.0: o modelo é criado usando o Databricks MLflow 2.x. Nota informativa Para modelos criados com o Databricks MLflow 2.0 (versões 2.x), os dados são enviados ao Databricks no formato JSON dataframe_split, que é o formato preferencial para dados estruturados no Databricks MLflow.
Modelo	URL do modelo: URL para a plataforma Databricks MLflow em que o modelo do Databricks MLflow está implementado.
Autenticação	Fornece o Token da API do Databricks. Todos os modelos no Databricks MLflow são autenticados com a autenticação baseada em token do Databricks habilitada. Isso requer um token de API gerado que tenha acesso ao recurso de modelo.
Tabela de resposta	Nome da tabela retornada: nome da tabela retornada do modelo de aprendizado de máquina implementado.
Campos de resposta	Carregar todos os campos disponíveis: habilite o carregamento de todos os campos disponíveis retornados pelo terminal de aprendizado de máquina. Desativar isso permitirá que você especifique os campos e valores da tabela a serem carregados no aplicativo. Ao desenvolver aplicativos, é recomendado primeiro carregar todos os campos retornados do endpoint do modelo e, em seguida, potencialmente remover os campos que não são necessários para a análise no aplicativo. Campos de tabela (JMESPath): os campos da tabela podem ser especificados adicionando o seguinte: Nome: o nome da tabela que será carregada no aplicativo. Valor: o nome da linha de resposta na matriz de resposta JSON. A linguagem de consulta JMESPath pode ser usada para analisar a matriz de resposta JSON.
Associação	Campo de associação: um campo da tabela de dados de entrada que contém um identificador exclusivo. A inclusão desse campo nos dados de origem é necessária ao fazer uma solicitação de endpoint para que a tabela de resultados retornada seja associada à tabela do campo de origem usando uma chave. O campo designado será retornado como um campo na resposta e permitirá que as previsões sejam associadas aos dados de origem no modelo de dados. Pode ser qualquer campo com um ID exclusivo, seja dos dados de origem ou como parte do processo de carregamento da tabela. Enviar campo de associação: quando selecionado, o campo especificado como o campo de associação será retornado ao Qlik Sense e incluído nos campos enviados ao terminal Se o campo pertencer aos dados de origem e for esperado pelo modelo, ele precisará ser enviado ao modelo habilitando Enviar campo de associação.
Nome	O nome da conexão. O nome padrão será usado se você não inserir um nome.

Criando uma nova conexão

Faça o seguinte:

Acesse o conector por meio do Editor da carga de dados ou do Script.
Clique em Criar nova conexão.
Em Espaço, selecione o espaço onde a conexão será localizada.
Selecione Databricks MLflow na lista de conectores de dados.
Preencha os campos da caixa de diálogo de conexão.
Clique em Criar.

Sua conexão agora está listada em Conexões de dados no Editor da carga de dados ou no Script.

Esta página ajudou?

Se você encontrar algum problema com esta página ou seu conteúdo - um erro de digitação, uma etapa ausente ou um erro técnico - informe-nos como podemos melhorar!

Deixe seu feedback aqui