Snowflake ML Python-Versionshinweise¶

Neue Features¶

Neue Funktionen im Feature Store:

• Kachelbasierte Aggregationsunterstützung mit einer neuen Feature API für eine effiziente und zeitpunktgenaue Berechnung von Zeitreihen-Features unter Verwendung von vorberechneten Kacheln.

Neue Features der Modell-Registry:

• SentenceTransformer-Modelle unterstützen jetzt die automatische Signaturableitung. Beim Protokollieren eines SentenceTransformer-Modells ist sample_input_data optional. Die Signatur wird automatisch aus der Einbettungsdimension des Modells abgeleitet, wenn keine Beispiel-Eingabedaten bereitgestellt werden. Die Methoden encode, encode_query, encode_document, encode_queries, encode_documents werden unterstützt.

  import sentence_transformers
  from snowflake.ml.registry import Registry
  
  # Create model
  model = sentence_transformers.SentenceTransformer("all-MiniLM-L6-v2")
  
  # Log model without sample_input_data - signature is auto-inferred
  registry = Registry(session)
  mv = registry.log_model(
      model=model,
      model_name="my_sentence_transformer",
      version_name="v1",
  )
  
  # Run inference with auto-inferred signature (input: "text", output: "output")
  import pandas as pd
  result = mv.run(pd.DataFrame({"text": ["Hello world"]}))
  

  Copy

Neue Features¶

Neue ML-Job-Features:

• ML-Jobs unterstützen jetzt Python 3.11 und Python 3.12. Jobs wählen automatisch eine Laufzeitumgebung aus, die der Python-Version des Clients entspricht.

Fehlerkorrekturen¶

Fehlerkorrekturen an der Modell-Registry:

• Leere Ausgabe in HuggingFace Token-Klassifizierungmodellen (namens Entity Recognition) verursacht keine Fehler mehr.

Fehlerkorrekturen bei der Modellbereitstellung:

• Containerstatus wird jetzt korrekt gemeldet und sollte nicht leer sein.

Neue Features¶

Neue Features der Modell-Registry:

• Sie können jetzt ein Transformer-Pipeline-Modell mithilfe eines Snowpark Container Services (SPCS)-Jobs extern protokollieren.

  # create reference to the model
  model = huggingface.TransformersPipeline(
      model="TinyLlama/TinyLlama-1.1B-Chat-v1.0",
      task="text-generation",
  )
  
  # Remotely log the model, a SPCS job will run async and log the model
  mv = registry.log_model(
      model=model,
      model_name="tinyllama_remote_log",
      target_platforms=["SNOWPARK_CONTAINER_SERVICES"],
      signatures=openai_signatures.OPENAI_CHAT_SIGNATURE,
  )
  

  Copy

Verhaltensänderungen¶

Das Verhalten der ML-Jobs ändert sich:

• Das Verhalten des Parameters additional_payloads ändert sich Verwenden Sie das imports-Argument, um zusätzliche Abhängigkeiten zu deklarieren, wie z. B. ZIP-Dateien und Python-Module. Lokale Verzeichnisse und Python-Dateien werden automatisch komprimiert, und ihr internes Layout wird durch den angegebenen Importpfad bestimmt. Der Importpfad gilt nur für lokale Verzeichnisse, Python-Dateien und Python-Stagingdateien. Dies hat keine Auswirkungen auf andere Importtypen. Beim Verweis auf Dateien in einem Stagingbereich werden nur einzelne Dateien unterstützt, keine Verzeichnisse.

Änderungen der Verhaltensweise der Experimentverfolgung:

• ExperimentTracking ist jetzt eine Singleton-Klasse.

Fehlerkorrekturen¶

Korrekturen bei der Verfolgung von Experimenten:

• Das Erreichen der Größenbeschränkung der Ausführungsmetadaten in log_metrics oder log_params gibt jetzt eine Warnung aus, anstatt eine Ausnahme auszulösen.

Fehlerkorrekturen an der Modell-Registry:

• ModelVersion.run löst nun einen ValueError-Fehler aus, wenn das Modell ein Nur-SPCS-Modell ist und service_name nicht angegeben wurde.

Neue Vorschau-Features¶

• Die create_service-Methode akzeptiert jetzt das boolesche Argument autocapture, um anzugeben, ob Inferenzdaten automatisch erfasst werden.

Neue Release-Features¶

Neue Features der Modell-Registry:

• Die neue Klasse snowflake.ml.model.models.huggingface.TransformersPipeline soll snowflake.ml.model.models.huggingface_pipeline.HuggingfacePipelineModel ersetzen, obwohl die ältere Klasse noch nicht veraltet ist. Die neue Klasse kennt Modellsignaturen für allgemeine Aufgaben, sodass Sie diese nicht manuell angeben müssen. Folgende Aufgaben werden derzeit unterstützt:

  • fill-mask

  • question-answering

  • summarization

  • table-question-answering

  • text2text-generation

  • text-classification (Alias sentiment-analysis)

  • text-generation

  • token-classification (Alias ner)

  • translation

  • translation_xx_to_yy

  • zero-shot-classification (ermöglicht es Ihnen, Modelle zu protokollieren, ohne sie in den Speicher zu laden)

• Die list_services API zeigt jetzt einen internen Endpunkt an, der von einem anderen SPCS-Knoten oder Notebook ohne Enterprise Application Integration aus aufgerufen werden kann. Außerdem wird angezeigt, ob die automatische Erfassung für den jeweiligen Dienst aktiviert ist.

Neue DataConnector-Features:

• Die neue Methode to_huggingface_dataset konvertiert Snowflake-Daten in HuggingFace-Datensets. Unterstützt die Modi In-Memory-Dataset (streaming=False) und Streaming von IterableDataset (streaming=True).

Hinweise zum Veralten¶

• Die snowflake.ml.model.models.huggingface_pipeline.HuggingfacePipelineModel-Klasse ist veraltet und wird in einem zukünftigen Release entfernt.