APRENDER. PRATICAR. EVOLUIR.Conceito e mecanismo
O deployment deve respeitar quando o resultado é necessário. Uma previsão diária antes do batch pode ser calculada em lote; uma decisão pedida durante uma interação pode exigir resposta síncrona; uma sequência contínua de eventos pode usar processamento incremental. Não escolhas um endpoint permanente apenas porque o modelo existe. Define latência, frescura, volume, custo e comportamento quando não há previsão válida. Modelos customizados em Model Serving usam artefactos compatíveis e podem ser expostos por API. Uma versão registada, uma versão servida e uma previsão efetivamente consumida são estados diferentes. Inclui no handover como identificar a versão e como interpretar erros de esquema ou acesso.
Aplicação guiada
Um endpoint pode encaminhar percentagens de tráfego para versões diferentes. Essa distribuição não garante um número exato por versão numa pequena amostra; a invocação direta de um modelo específico contorna as percentagens gerais. Verifica também a identidade gravada como criador: a remoção dessa identidade do workspace pode impedir atualizações, mesmo quando quem chama a API tem permissões. Planeia identidades de serviço adequadas e recuperação controlada. Para streaming, relaciona a terminologia Delta Live Tables do guia com Lakeflow Spark Declarative Pipelines na documentação atual. Estado de processamento e checkpoint não provam que um efeito externo, como abrir um ticket, só ocorreu uma vez.
Uma API saudável pode responder com a versão anterior à promoção pretendida.
Armadilhas comuns
Alias como rollout; checkpoint como garantia de efeitos externos; permissões do caller como único controlo.
Tópicos relacionados: Ambiente, AutoML e reprodutibilidade · Features temporais e consistência · MLflow, registo e promoção
Verifica versão, identidade, tráfego e resultado observado pelo consumidor.
Referência: Create custom model serving endpoints and identity · 2025-03-01