建立 Databricks MLflow 連線

設定：選取模型使用的 Databricks MLflow 版本。下列選項可用：

• MLflow 1.0：模型是使用 Databricks MLflow 1.x 建立。

• MLflow 2.0：模型是使用 Databricks MLflow 2.x 建立。

  資訊備註 對於使用 Databricks MLflow 2.0 (版本 2.x) 建立的模型，資料會以 dataframe_split JSON 格式傳送至 Databricks，這是 Databricks MLflow 結構化資料的偏好格式。

模型 URL：部署 Databricks MLflow 模型的 Databricks MLflow 平台的 URL。

提供 Databricks API Token。

Databricks MLflow 上的所有模型均已啟用 Databricks Token 驗證。這需要所產生可以存取模型資源的 API Token。

Name of Returned Table：從部署的機器學習模型傳回的表格的名稱。

• Load all available fields：啟用載入機器學習端點傳回的所有可用欄位。停用此功能可讓您指定要載入到應用程式中的表格欄位和值。

  開發應用程式時，建議先載入從模型端點傳回的所有欄位，然後潛在移除應用程式中分析不需要的欄位。

• 表格欄位 (JMESPath)：可透過新增下列內容來指定表格欄位：

  • Name：將在應用程式中載入的表格的名稱。

  • Value：JSON 回應陣列中回應列的名稱。

  JMESPath 查詢語言可用於剖析 JSON 回應陣列。

• Send Association Field：輸入資料表格中包含唯一識別碼的欄位。

  在對傳回的結果表格進行端點請求以使用索引鍵與來源欄位表格關聯時，需要在來源資料中包含此欄位。指定的欄位將作為回應中的欄位傳回，並使預測與資料模型中的來源資料相關聯。這可以是具有唯一 ID 的任何欄位，可以來自來源資料，也可以作為表格載入過程的一部分。

• Send Association Field：選取後，指定為關聯欄位的欄位將傳回至 Qlik Sense，並包含在傳送到端點的欄位中

  如果欄位屬於來源資料並且是模型所需的，則必須透過啟用 Send Association Field 將其傳送給模型。