Kjøre batch-inferens med en registrert modell¶

Denne guiden viser hvordan en jobb henter modellen som bærer aliaset padda, skriver prediksjoner til en tabell, og hvordan du bytter versjon uten å røre koden. Eksempelet fra malen gjør alt dette i tasken predict; guiden viser hva den gjør og hvordan du tilpasser det.

Før du begynner¶

Sørg for at du har:

• En registrert modell med aliaset padda, for eksempel etter Trene og registrere en modell
• USE_CATALOG, USE_SCHEMA og EXECUTE på modellen, og SELECT på tabellen du skal skåre
• En feature-tabell med de samme kolonnene som modellen ble trent på

Trinn 1: Last modellen via alias¶

Bruk det fulle navnet i Unity Catalog og aliaset, aldri et versjonsnummer. Slik gjør predict.py det i eksempelet:

import mlflow

mlflow.set_registry_uri("databricks-uc")
model_name = f"{catalog}.{schema}.romledighet"
model = mlflow.pyfunc.load_model(f"models:/{model_name}@padda")

client = mlflow.MlflowClient()
version = client.get_model_version_by_alias(model_name, "padda").version

version brukes bare til å skrive hvilken versjon som laget prediksjonene. Selve lastingen følger aliaset, så neste kjøring plukker automatisk opp en ny padda version dersom den er tilgjengelig.

Trinn 2: Skår radene og skriv prediksjonene¶

Modellen forventer nøyaktig kolonnene i FEATURE_COLUMNS, som float32. I eksempelet er radene som skal skåres de som mangler label:

features = spark.table(f"{catalog}.{schema}.romledighet_features").toPandas()
to_score = features[features["er_booket"].isna()]
probabilities = model.predict(to_score[FEATURE_COLUMNS].astype("float32"))

predictions = to_score[["rom_id", "dato", "time"]].copy()
predictions["sannsynlighet_booket"] = probabilities
predictions["modellversjon"] = int(version)

spark.createDataFrame(predictions).write.mode("overwrite").option(
    "overwriteSchema", "true"
).saveAsTable(f"{catalog}.{schema}.romledighet_prediksjoner")

Hvis feature-tabellen er stor, gi poeng med en Spark UDF i stedet for pandas:

predict_udf = mlflow.pyfunc.spark_udf(
    spark, f"models:/{model_name}@padda", result_type="double"
)
scored = spark.table(f"{catalog}.{schema}.romledighet_features").withColumn(
    "sannsynlighet_booket", predict_udf(*FEATURE_COLUMNS)
)

Trinn 3: Planlegg jobben¶

Batch-inferens er en vanlig jobb. I malen ligger predict i samme jobb som treningen, med en ukentlig trigger som er satt på pause:

trigger:
  pause_status: PAUSED
  periodic:
    interval: 1
    unit: WEEKS

Skal prediksjonene oppdateres oftere enn modellen trenes, del jobben i to: én jobb med generate_data, build_features og train, og én med build_features og predict. Begge kan bruke samme environments-blokk. I development-modus er triggere alltid på pause; i prod aktiveres de. Se Ta i bruk bundles for run_as i prod.

Trinn 4: Bytt modellversjon¶

Du bytter modell ved å flytte aliaset, ikke ved å endre koden. I eksempelet gjør treningsjobben det selv etter regelen i registry.py: en ny versjon blir padda hvis val_auc er minst like god som dagens, ellers utmaner_padda.

Vil du styre det manuelt, for eksempel etter en gjennomgang av en utmaner_padda:

databricks model-versions set-alias <katalog>.<skjema>.romledighet padda 2 -p <profil>

Neste kjøring av predict bruker versjon 2. Ruller du tilbake, peker du aliaset på den forrige versjonen på samme måte.

Bekreft resultatet¶

Kjør en spørring mot prediksjonstabellen, for eksempel i SQL-editoren:

SELECT COUNT(*) AS rader,
       MIN(tidspunkt) AS fra,
       MAX(tidspunkt) AS til,
       ROUND(AVG(sannsynlighet_booket), 3) AS snitt,
       MAX(modellversjon) AS versjon
FROM <katalog>.<skjema>.romledighet_prediksjoner;

Forventet utdata for eksempelet: 1540 rader (20 rom × 7 dager × 11 timer), et snitt rundt 0,5 og versjonsnummeret aliaset peker på.

Feilsøking¶

Relatert innhold¶

• Trene og registrere en modell
• Publisere en modell som serving-endepunkt
• MLflow og modellregister (referanse)
• Maskinlæring på plattformen