KI-Laufzeitbeispiele

Von Bedeutung

Dieses Feature befindet sich in der Public Preview.

AI Runtime bietet serverlose GPU-Rechenleistung für Inferenz, Training und Feinabstimmung von KI- und Deep-Learning-Modellen. Die folgenden Seiten gruppieren Notebook-Tutorials und Databricks CLI-Rezepte nach Aufgaben: klassisches ML, Empfehlungssysteme, Computer Vision, Open-Source-LLMs nach dem Training, Batch-Inferenz und Multi-GPU-verteiltes Training.

Notebook-Beispiele sind in der Dokumentation enthalten. Beispiele für die Databricks-CLI verlinken auf das AI Runtime Cookbook auf GitHub, wo man das Repository klonen und seine Workload-Konfigurationen ausführen sowie den Quellcode verwenden kann.

Aufgabe	Beschreibung
Klassisches maschinelles Lernen	Beispiele für traditionelle maschinelle Lernaufgaben wie XGBoost-Training, Zero-Shot-Tabellenprognose und Zeitreihenprognose.
Empfehlungssysteme	Beispiele für die Erstellung von Empfehlungssystemen mit modernen Deep Learning-Ansätzen wie Zweiturmmodellen.
Computervision	Beispiele für Computervisionsaufgaben, einschließlich Objekterkennung und Bildklassifizierung.
OSS-Modelle (LLMs) nach dem Training	Beispiele für Feinabstimmung und Nachtraining von Open-Source-Modellen großer Sprachen, einschließlich parametereffizienter Methoden.
Batch-Ableitung	Beispiele für groß angelegte Batch-Inferenz mit Ray Data und vLLM über mehrere GPUs hinweg.
Verteilte Multi-GPU-Schulung	Beispiele für die Skalierung von Schulungen über mehrere GPUs und Knoten mithilfe der Serverless GPU-API.