# Источник аналитики Databricks MLflow

Databricks MLflow — это платформа машинного обучения для автоматизации, обеспечения и ускорения обработки прогнозной аналитики, которая помогает специалистам по обработке и анализу данных создавать и разворачивать точные прогнозные модели.

Чтобы подключиться к Databricks MLflow, сначала необходимо создать модель (или получить доступ к модели) и развернуть ее в конечной точке на платформе Databricks MLflow. Кроме того, эта конечная точка должна быть общедоступной для Qlik Cloud.

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

## Включение конечных точек машинного обучения в Qlik Cloud

Для работы с этим коннектором необходимо включить конечные точки машинного обучения в центре активности Администрирование. Переключатель находится в области Контроль функции раздела Параметры.

Для получения дополнительной информации см. раздел [Включение аналитических коннекторов для конечных точек машинного обучения](https://help.qlik.com/ru-RU/cloud-services/Subsystems/Hub/Content/Sense_Hub/LoadData/load-data-from-advanced-analytic-connections.htm#Enabling).

## Ограничения

* Databricks MLflow устанавливает квоту конечных точек. Для получения дополнительной информации см. раздел [Введение в машинное обучение Databricks](https://docs.databricks.com/applications/machine-learning/index.html).

* Ресурсы, доступные в службах Databricks MLflow, где развернута модель, обуславливают и ограничивают производительность при перезагрузке Qlik Sense, а также скорость отклика диаграмм.

* Коннектор Databricks MLflow имеет ограничение: 200,000 строк на запрос. Запросы отправляются в службу конечной точки пакетами по 2,000 строк. В сценариях, где требуется обработка большего количества строк, используйте цикл в скрипте загрузки данных, чтобы обрабатывать больше строк в пакетах.

* Когда приложение регулярно перезагружается, рекомендуется кэшировать прогнозы с использованием файла QVD и отправлять в конечную точку только новые строки. Это улучшит производительность при перезагрузке приложения Qlik Sense и уменьшит нагрузку на конечную точку Databricks MLflow.

* При использовании Databricks MLflow в выражении диаграммы важно указывать типы данных полей, так как необходимо обрабатывать их в правильном формате «строка/числовое значение». Использование серверных расширений в выражениях диаграмм имеет ограничение: типы данных не обнаруживаются автоматически, как в скрипте загрузки.

* Если вы используете относительное имя подключения, и если вы решите переместить ваше приложение из общего пространства в другое общее пространство, или если вы переместите ваше приложение из общего пространства в ваше личное пространство, то потребуется некоторое время для обновления аналитического подключения, чтобы отразить новое местоположение пространства.

* Вы не можете создавать и управлять подключениями к этому коннектору в Диспетчер данных в аналитическом приложении.