2018년 3월

  • 아티클

릴리스가 준비되었습니다. Azure Databricks 계정은 초기 릴리스 날짜 후 일주일까지 업데이트되지 않을 수 있습니다.

명령 실행 세부 정보

2018년 3월 27일 ~ 4월 3일: 버전 2.68

Notebook에서 명령을 실행하면 이제 자세한 진행 정보가 표시됩니다.

Databricks CLI 지원 --profile

2018년 3월 27일 ~ 4월 3일: 버전 2.68

Databricks CLI 0.6.1은 모든 위치에서 --profile을 지원합니다.

Databricks CLI(레거시)를 참조하세요.

새 프리미엄 SKU 고객에 대해 기본적으로 사용하도록 설정된 ACL

2018년 3월 27일 ~ 4월 3일: 버전 2.68

이제 Premium SKU의 모든 신규 고객에 대해 ACL(액세스 제어 목록)이 기본적으로 사용하도록 설정됩니다. 기존 고객은 계속 ACL을 수동으로 사용하도록 설정해야 합니다.

Access 컨트롤 목록을 더 이상 사용하지 않도록 설정할 수 없음을 참조하세요.

이제 Azure Databricks를 일반 공급

2018년 3월 22일

이제 Azure Databricks가 일반 공급된다는 소식을 전하게 된 것을 기쁘게 생각합니다. 지난 몇 주 동안 다음을 포함하여 Azure Databricks 환경을 더욱 개선할 수 있도록 하는 기능을 추가했습니다.

물론 Azure Databricks는 Azure Blob Storage, Azure Data Lake Store 및 Azure Cosmos DB와 간편한 통합을 계속 제공합니다.

이 사이트에서 제공되는 설명서를 보완하기 위해 learn.microsoft.com에서 소개 자료, Azure 계정 관리에 대한 정보 및 엔드투엔드 자습서를 제공합니다.

새 문서 사이트 테마

2018년 3월 21일

설명서 사이트의 모양과 느낌을 업데이트했습니다. 마음에 드시길 바랍니다!

로컬 스토리지 자동 크기 조정

2018년 3월 13~20일: 버전 2.67

Azure Databricks의 모든 클러스터는 자동 크기 조정 로컬 스토리지가 사용하도록 설정된 상태로 시작됩니다. 즉, Azure Databricks는 디스크가 부족할 때마다 클러스터 작업자 VM에 추가 관리 디스크를 자동으로 연결합니다.

자세한 내용은 로컬 스토리지 자동 크기 조정 사용을 참조하세요.

VNet(가상 네트워크) 피어링

2018년 3월 13~20일: 버전 2.67

Azure Databricks 리소스가 실행 중인 가상 네트워크가 다른 Azure Virtual Network와 피어링할 수 있도록 하는 VNet(가상 네트워크) 피어링에 대한 지원을 추가합니다.

자세한 내용은 피어 가상 네트워크를 참조하세요.

클러스터 이벤트 로그

2018년 3월 13~20일: 버전 2.67

클러스터 세부 정보 페이지에는 중요한 클러스터 수명 주기 이벤트를 표시하는 새로운 이벤트 로그 탭이 있습니다. 기록 이벤트는 60일 동안 볼 수 있으며, 이는 Azure Databricks의 다른 데이터 보존 시간과 비슷합니다.

자세한 내용은 Compute 이벤트 로그를 참조하세요.

Databricks CLI: 0.6.0 릴리스

2018년 3월 13일: databricks-cli 0.6.0

Databricks CLI는 이제 Python 3을 지원합니다.

자세한 내용은 Databricks CLI(레거시)를 참조하세요.

작업 실행 관리

2018년 3월 13~20일: 버전 2.67

이제 작업 세부 정보 페이지 및 작업 실행 페이지에서 작업 실행을 삭제할 수 있습니다.

작업 실행 출력 가져오기 엔드포인트는 GA이며 반환되는 최대 출력은 5MB로 증가했습니다.

이제 클러스터 권한 편집에 편집 모드가 필요합니다.

2018년 3월 13~20일: 버전 2.67

이전에는 다른 클러스터 특성과 일치하지 않는 편집을 클릭하지 않고도 클러스터의 권한을 편집할 수 있었습니다.

이 변경의 부작용은 클러스터가 보류 중인 동안 더 이상 클러스터 권한을 편집할 수 없다는 것입니다.

Databricks ML 모델 내보내기

2018년 3월 1일

이제 설명서에서는 Apache Spark에서 모델 및 전체 ML 파이프라인을 내보낼 수 있는 Databricks ML 모델 내보내기를 사용하는 방법을 다룹니다. 이러한 내보낸 모델 및 파이프라인을 다른(Spark 및 Spark가 아닌) 플랫폼으로 가져와 채점 및 예측을 수행할 수 있습니다. 모델 내보내기는 대기 시간이 짧고 가벼운 ML 기반 애플리케이션을 대상으로 합니다.

참고 항목

이 기능을 사용하려면 Databricks Runtime 4.0 이상이 필요합니다.

자세한 내용은 MLeap ML 모델 내보내기를 참조하세요.