# Databricks MLflow 分析來源

Databricks MLflow 是一個機器學習平台，用於自動化、確保和加速預測分析，幫助資料科學家和分析師建置和部署準確的預測模型。

要連線到 Databricks MLflow，您必須已建立模型或有權存取模型，並將其部署到 Databricks MLflow 平台上的端點。此外，此端點必須可由 Qlik Cloud 公開存取。

[受管理 MLflow](https://databricks.com/product/managed-mlflow)。

## 啟用 ML 端點於 Qlik Cloud

若要使用此連接器，必須在 管理 活動中心內啟用機器學習端點。切換開關位於設定區段中的功能控制之下。

如需詳細資訊，請參閱[啟用機器學習端點的分析連線](https://help.qlik.com/zh-TW/cloud-services/Subsystems/Hub/Content/Sense_Hub/LoadData/load-data-from-advanced-analytic-connections.htm#Enabling)。

## 限制

* Databricks MLflow 具有端點配額。如需更多資訊，請參見 [Databricks 機器學習簡介](https://docs.databricks.com/applications/machine-learning/index.html)。

* 已部署模型的 Databricks MLflow 服務上的可用資源會影響和限制 Qlik Sense 重新載入和圖表回應的效能。

* Databricks MLflow 連接器限制為每個請求 200,000 列。這些請求以 2,000 列為一組傳送到端點服務。在必須處理更多列的狀況下，使用資料載入指令碼中的 Loop 來批次處理更多列。

* 在定期重新載入應用程式的情況下，最佳做法是使用 QVD 檔案快取預測，並且只將新列傳送到預測端點。這將提升 Qlik Sense 應用程式重新載入的效能，並減少 Databricks MLflow 端點上的負載。

* 在圖表運算式中使用 Databricks MLflow 時，提供欄位的資料類型相當重要，因為模型需要以正確的字串/數字格式處理這些資料類型。圖表運算式中伺服器端擴充有一個限制，也就是資料類型不會像在載入指令碼中那樣自動偵測。

* 如果您使用的是相對連線名稱，並且您決定將您的應用程式從一個共用空間移動到另一個共用空間，或者您將應用程式從一個共用空間移動到您的私人空間，則更新分析連線以反映新的空間位置需要一些時間。

* 您無法在分析應用程式中，於 資料管理員 內建立及管理此連接器的連線。