Gå till huvudinnehåll Gå till ytterligare innehåll

Skapa en Databricks MLflow-koppling

Databricks MLflow -kopplingar skapas i Skriptredigeraren eller Skript.

När du har skapat en koppling kan du välja data från tillgängliga tabeller och skicka till Databricks MLflow för beräkningar och sedan läsa in dessa data i din app. Den här kopplingen kan användas i dina datainläsningsskript och i diagramuttryck för att anropa modellslutpunkter och göra diagramuttrycksberäkningar i realtid.

Du måste känna till inställningarna och inloggningsuppgifterna för Databricks MLflow-tjänsten som du vill ansluta till.

Inställningar som kan konfigureras

Följande inställningar kan konfigureras i Kopplingsdialogen:

Inställningar som kan konfigureras i kopplingsdialogen
Fält Beskrivning
Välj Konfiguration

Konfiguration: välj den version av Databricks MLflow som används på din modell. Följande alternativ är tillgängliga:

  • MLflow 1.0: modellen skapas genom användning av Databricks MLflow 1.x.

  • MLflow 2.0: modellen skapas genom användning av Databricks MLflow 2.x.

    Anteckning om information För modeller som skapas med Databricks MLflow 2.0 (2.x-versioner) skickas data till Databricks i JSON-formatet dataframe_split, som är det föredragna formatet för strukturerade data i Databricks MLflow.
Modell

Modell-URL: URL till Databricks MLflow-plattformen där modellen Databricks MLflow distribueras.

Autentisering

Tillhandahåller Databricks API-token.

Alla modeller på Databricks MLflow autentiseras med Databricks tokenbaserad autentisering aktiverad. För att göra det krävs att en API-token genereras och har åtkomst till modellresursen.

Svarstabell

Namn på returnerad tabell: namn på den returnerade tabellen från den driftsatta maskininlärningsmodellen.

Svarsfält
  • Ladda alla tillgängliga fält: aktivera laddning av alla tillgängliga fält som returneras av maskininlärningens slutpunkt. Om du inaktiverar det här kan du ange de tabellfält och värden som ska laddas i appen.

    När du utvecklar appar rekommenderas det att du börjar med att ladda alla fält som returneras från modellens slutpunkt och sedan potentiellt ta bort de fält som inte behövs för analysen i appen.

  • Tabellfält (JMESPath): det går att ange tabellfält genom att lägga till:

    • Namn: namnet på tabellen som ska laddas i appen.

    • Värde: namnet på svarsfältet i JSON-svarsmatrisen.

    JMESPath-frågespråk som kan användas till att tolka JSON-svarsmatrisen.

Association
  • Associeringsfält: ett fält från indatatabellen som innehåller en unik identifierare.

    Det här fältet behöver inkluderas i källdata när du gör en slutpunktsbegäran för att resultattabellen som returneras ska associeras till källfältstabellen med en nyckel. Det utsedda fältet kommer att returneras som ett fält i svaret och göra det möjligt för förutsägelser att kopplas till källdata i datamodellen. Det kan vara alla fält med ett unikt ID, antingen från källdata eller som en del av tabellens laddningsprocess.

  • Skicka associeringsfält: när det har valts kommer fältet som angetts i associationsfältet att både returneras till Qlik Sense och inkluderas i fälten som skickas till slutpunkten

    Om fältet tillhör dessa källdata och förväntas av modellen måste det skickas till modellen genom att aktivera Skicka associationsfält.

Namn Namnet på kopplingen. Standardnamnet används om du inte anger ett namn.

Skapa en ny koppling

  1. Använd kopplingen via Skriptredigeraren eller Skript.

  2. Klicka på Skapa ny anslutning

  3. Under Utrymme väljer du det utrymme där anslutningen ska placeras.

  4. Välj Databricks MLflow i listan över datakopplingar.

  5. Fyll i kopplingsdialogfälten.

  6. Klicka på Skapa.

Din koppling listas nu under Datakopplingar i Skriptredigeraren eller Skript.

Var den här sidan till hjälp för dig?

Om du hittar några fel på denna sida eller i innehållet – ett stavfel, ett steg som saknas eller ett tekniskt fel – berätta för oss så att vi kan blir bättre!