Respuesta correcta
- CImplemente un modelo personalizado MLflow PyFunc donde tanto el preprocesamiento de texto como el predictor de scikit-learn estén encapsulados dentro del método predict.
Explicación
Integrar el preprocesamiento directamente en el contenedor MLflow PyFunc garantiza que la transformación de entrada se ejecute dentro del espacio de memoria optimizado del contenedor de inferencia, evitando llamadas de red fuera de banda y reduciendo la sobrecarga de serialización. Este patrón arquitectónico previene los cuellos de botella de latencia introducidos a menudo por microservicios de preprocesamiento separados, cumpliendo con los estrictos SLA de producción.
Para profundizar
Un endpoint de Databricks Model Serving ejecuta el modelo dentro de un contenedor y devuelve lo que devuelva la función predict del modelo, por lo que el diseño más rápido mantiene cada paso de la inferencia en ese único proceso. Un modelo personalizado de MLflow PyFunc hace esto posible: se crea una subclase de mlflow.pyfunc.PythonModel, se carga el estimador de scikit-learn y cualquier otro artefacto en load_context, y en predict se aplica la limpieza del texto y luego se llama al estimador. Empaquetado de esta manera, el preprocesamiento y la predicción se despliegan como un único artefacto versionado con dependencias fijas, por lo que las transformaciones en el momento del entrenamiento y de la inferencia no pueden divergir, lo cual es una causa común de pérdida silenciosa de precisión. Para un presupuesto de 50 milisegundos, los detalles dentro de predict también importan. Compile las expresiones regulares una vez en load_context en lugar de en cada llamada, procese las entradas como un lote cuando sea posible y evite cualquier E/S en la ruta de la solicitud. Una firma de modelo y un ejemplo de entrada ayudan al endpoint a validar las cargas útiles rápidamente. Las alternativas añaden latencia o riesgo. Consultar una Delta table durante la puntuación añade un viaje de ida y vuelta a la red y tiempo de consulta a cada solicitud, y hacerlo asíncrono no ayuda cuando el resultado es necesario para responder. Una función Lambda separada coloca un segundo salto de red, sus propios arranques en frío y un paso de serialización adicional frente al endpoint. Enviar la limpieza a los clientes distribuye la lógica entre cada consumidor, donde las versiones divergen y un preprocesamiento no coincidente degrada silenciosamente las predicciones, y aún deja los resultados del modelo dependientes de código que no controla.
Sobre estas preguntas de práctica
Esta es una de las preguntas de práctica originales de Databricks-ML-Pro de Courseiva, escrita para aprender y nunca copiada de exámenes reales ni de dumps.
Traducida del original en inglés con IA y revisada para comprobar el sentido. Los códigos de examen, los comandos y los nombres de productos se mantienen tal como aparecen en el examen.