Databricks供用戶簡單部署模型服務，降低機器學習應用開發門檻

Apache Spark技術團隊所成立的新創Databricks正式推出Model Serving，這是一項無伺服器機器學習模型服務，透過將模型部署在湖邊小屋（Lakehouse）就近整合資料，用戶可以利用REST API存取模型，以快速建構包括個人化建議、聊天機器人和詐騙偵測等即時機器學習應用程式。

不少企業希望在應用程式添加機器學習技術，提供創新服務，但Databricks提到，即時機器學習系統需要快速可擴展的服務基礎架構，不只需要專家知識建立和維護，也需要進行監控、自動部署和模型再訓練等工作，這對企業來說是一大挑戰。

透過API提供機器學習服務則有助克服此挑戰，Databricks模型服務將模型部署於資料和訓練基礎設施旁，以進一步簡化用戶在機器學習生命周期管理工作。模型服務建構在Databricks湖邊小屋服務之上，使資料和人工智慧整合至同平臺，提供一個無伺服器解決方案，供企業以整合工具的方式添加機器學習技術，加速創新應用開發。

用戶不需要考慮底層，由Databricks處理基礎設施的可擴展性，以及版本相容性和程式修補，且模型服務能夠原生與各種服務整合，用戶在單一平臺就能管理資料擷取、訓練、部署和監控整個機器學習工作流程，掌握模型生命周期整體情況。

模型服務整合Databricks特徵商店，而特徵商店是一個方便查詢和共享特徵的集中式儲存庫，用戶可在訓練期間定義一次特徵，之後便由Databricks自動擷取並聯合相關特徵，以完成推論工作負載。Databricks模型服務還整合MLflow自動部署模型，用戶只要提供模型，MLflow便能自動準備容器，並將其部署成無伺服器服務。