Apache Spark技术团队所成立的新创Databricks正式推出Model Serving，这是一项无伺服器机器学习模型服务，透过将模型部署在湖边小屋（Lakehouse）就近整合资料，用户可以利用REST API存取模型，以快速建构包括个人化建议、聊天机器人和诈骗侦测等即时机器学习应用程式。

不少企业希望在应用程式添加机器学习技术，提供创新服务，但Databricks提到，即时机器学习系统需要快速可扩展的服务基础架构，不只需要专家知识建立和维护，也需要进行监控、自动部署和模型再训练等工作，这对企业来说是一大挑战。

透过API提供机器学习服务则有助克服此挑战，Databricks模型服务将模型部署於资料和训练基础设施旁，以进一步简化用户在机器学习生命周期管理工作。模型服务建构在Databricks湖边小屋服务之上，使资料和人工智慧整合至同平台，提供一个无伺服器解决方案，供企业以整合工具的方式添加机器学习技术，加速创新应用开发。

用户不需要考虑底层，由Databricks处理基础设施的可扩展性，以及版本相容性和程式修补，且模型服务能够原生与各种服务整合，用户在单一平台就能管理资料撷取、训练、部署和监控整个机器学习工作流程，掌握模型生命周期整体情况。

模型服务整合Databricks特徵商店，而特徵商店是一个方便查询和共享特徵的集中式储存库，用户可在训练期间定义一次特徵，之後便由Databricks自动撷取并联合相关特徵，以完成推论工作负载。Databricks模型服务还整合MLflow自动部署模型，用户只要提供模型，MLflow便能自动准备容器，并将其部署成无伺服器服务。