MLOps — End-to-End Pipeline

Diese Demo behandelt eine vollständige MLOps-Pipeline. Wir zeigen Ihnen, wie Databricks Lakehouse genutzt werden kann, um Modelle in der Produktion zu orchestrieren und bereitzustellen, während gleichzeitig Governance, Sicherheit und Robustheit gewährleistet werden.

• Nehmen Sie Daten auf und speichern Sie diese in einem Feature-Store.
• Erstellen Sie ML-Modelle mit Databricks AutoML
• Richten Sie MLflow-Hooks ein, um Ihre Modelle automatisch zu testen
• Erstellen Sie den Modelltest-Job
• Modelle automatisch in die Produktion verschieben, sobald die Tests validiert sind
• Trainieren Sie Ihr Modell regelmäßig neu, um Drift zu verhindern.

Beachten Sie, dass dies eine ziemlich fortgeschrittene Demo ist. Wenn Sie neu bei Databricks sind und einfach nur mehr über ML erfahren möchten, empfehlen wir Ihnen, mit einer ML-Demo oder einer der Lakehouse-Demos zu beginnen.

 

Um die Demo zu installieren, besorgen Sie sich eine kostenlose Databricks-Arbeitsumgebung und führen Sie die folgenden zwei Befehle in einem Python-Notebook aus.

Dbdemos ist eine Python-Bibliothek, die vollständige Databricks-Demos in Ihren Arbeitsbereichen installiert. Dbdemos lädt und startet Notebooks, Delta Live Tables-Pipelines, Cluster, Databricks SQL-Dashboards, Warehouse-Modelle ... Sehen Sie wie man dbdemos verwendet

 

Dbdemos wird als GitHub-Projekt bereitgestellt.

Für weitere Details, bitte sehen Sie sich die GitHub README.md Datei an und folgen Sie der Dokumentation.
Dbdemos wird so bereitgestellt, wie es ist. Siehe die Lizenz und Hinweis für weitere Informationen.
Databricks bietet keinen offiziellen Support für dbdemos und die zugehörigen Assets.
Bei Problemen, bitte ein Ticket öffnen und das Demo-Team wird sich nach bestem Bemühen darum kümmern.