Resposta correta
- CImplemente um modelo MLflow PyFunc personalizado onde tanto o pré-processamento de texto quanto o preditor scikit-learn são encapsulados dentro do método predict.
Explicação
Integrar o pré-processamento diretamente no wrapper do MLflow PyFunc garante que a transformação de entrada seja executada dentro do espaço de memória do contêiner de inferência otimizado, evitando chamadas de rede fora de banda e reduzindo a sobrecarga de serialização. Esse padrão arquitetural evita gargalos de latência frequentemente introduzidos por microsserviços de pré-processamento separados, satisfazendo SLAs rígidos de produção.
Para se aprofundar
Um endpoint do Databricks Model Serving executa o modelo dentro de um contêiner e retorna o que a função predict do modelo retornar, de modo que o design mais rápido mantém cada etapa da inferência nesse mesmo processo. Um modelo MLflow PyFunc personalizado torna isso possível: você subclassifica mlflow.pyfunc.PythonModel, carrega o estimador scikit-learn e quaisquer outros artefatos em load_context, e em predict aplica a limpeza de texto e, em seguida, chama o estimador. Empacotado dessa forma, o pré-processamento e a previsão são enviados como um único artefato versionado com dependências fixas, de modo que as transformações em tempo de treinamento e em tempo de atendimento não possam divergir, o que é uma causa comum de perda silenciosa de precisão. Para um orçamento de 50 milissegundos, os detalhes dentro de predict também importam. Compile as expressões regulares uma vez em load_context em vez de a cada chamada, processe as entradas em lote sempre que possível e evite qualquer E/S no caminho da solicitação. Uma assinatura de modelo e um exemplo de entrada ajudam o endpoint a validar cargas úteis rapidamente. As alternativas adicionam latência ou risco. Consultar uma tabela Delta durante a pontuação adiciona uma ida e volta de rede e tempo de consulta a cada solicitação, e torná-la assíncrona não ajuda quando o resultado é necessário para responder. Uma função Lambda separada coloca um segundo salto de rede, suas próprias partidas a frio e uma etapa extra de serialização na frente do endpoint. Enviar a limpeza para os clientes espalha a lógica por cada consumidor, onde as versões divergem e o pré-processamento incompatível degrada silenciosamente as previsões, e ainda deixa os resultados do modelo dependentes de código que ele não controla.
Sobre estas questões de prática
Esta é uma das questões de prática originais de Databricks-ML-Pro da Courseiva, escrita para o aprendizado e nunca copiada de provas reais nem de dumps.
Traduzida do original em inglês com IA e conferida quanto ao sentido. Códigos de exame, comandos e nomes de produtos são mantidos como aparecem na prova.