Solução de problemas e limitações

Solução de problemas

Mensagem de erro: Database recommender_system does not exist in the Hive metastore.

Uma tabela de recursos é armazenada como uma tabela Delta. O banco de dados é especificado pelo prefixo do nome da tabela, portanto, uma tabela de recursos Recommendationer_system.customer_features serão armazenados no banco de dados do sistema_recomendador .

Para criar o banco de dados, execute:

%sql CREATE DATABASE IF NOT EXISTS recommender_system;

Mensagem de erro: ModuleNotFoundError: No module named 'databricks.feature_engineering' ou ModuleNotFoundError: No module named 'databricks.feature_store'

Este erro ocorre quando o databricks-recurso-engenharia não está instalado no Databricks Runtime que você está usando.

databricks-recurso-engenharia está disponível no PyPI e pode ser instalado com:

%pip install databricks-feature-engineering

Mensagem de erro: ModuleNotFoundError: No module named 'databricks.feature_store'

Este erro ocorre quando o databricks-repositório de recursos não está instalado no Databricks Runtime que você está usando.

Observação

Para Databricks Runtime 14.3 e acima, instale databricks-recurso-engenharia via %pip install databricks-feature-engineering

databricks-repositório de recursos está disponível no PyPI e pode ser instalado com:

%pip install databricks-feature-store

Mensagem de erro: Invalid input. Data is not compatible with model signature. Cannot convert non-finite values...'

Esse erro pode ocorrer ao usar um modelo de repositório de recursos-pacote em Mosaic AI Model Serving. Ao fornecer valores de recurso personalizados em uma entrada para o site endpoint, o senhor deve fornecer um valor para o recurso para cada linha da entrada ou para nenhuma linha. O senhor não pode fornecer valores personalizados para um recurso apenas para algumas linhas.

Limitações

Um modelo pode usar no máximo 50 tabelas e 100 funções para treinamento.
Os clusters do Databricks Runtime ML não são suportados ao usar Delta Live Tables como tabelas de recurso. Em vez disso, use um cluster compartilhado e instale manualmente o cliente usando pip install databricks-feature-engineering. O senhor também deve instalar qualquer outro ML biblioteca necessário.
```
%pip install databricks-feature-engineering
```
A visualização materializada e as tabelas de transmissão são gerenciadas pelo pipeline Delta Live Tables. fe.write_table() não os atualiza. Em vez disso, use o pipeline Delta Live Table para atualizar as tabelas.

As APIs da Feature Store oferecem suporte à pontuação de lotes de modelos fornecidos com a Feature Store. A inferência online não é suportada.
O armazenamento de recursos workspace não suporta a exclusão de recursos individuais de uma tabela de recursos.
Nenhuma loja on-line é compatível com Databricks on Google Cloud a partir desta versão.