Guía de inicio rápido de la CLI de Databricks para el entorno de ejecución de IA

Important

Esta característica está en versión preliminar pública.

Usa la CLI de Databricks para enviar y monitorizar cargas de trabajo de la GPU en AI Runtime. Empieza con una comprobación mínima de la GPU, luego ejecuta tu propio código en Python e inspecciona la ejecución.

Requirements

Confirma que los air comandos están disponibles en la CLI de Databricks:

databricks air --help

Tip

Para obtener ayuda para escribir la configuración de la carga de trabajo y gestionar las ejecuciones, instala la databricks-ai-runtime skill para tu agente de IA. Consulta Usar un agente de IA.

Ejecuta una carga de trabajo mínima

Crea un archivo workload.yaml que solicite una GPU A10 y ejecute nvidia-smi para imprimir el nombre de la GPU:

experiment_name: air-quickstart
compute:
  num_accelerators: 1
  accelerator_type: GPU_1xA10
command: nvidia-smi --query-gpu=name --format=csv,noheader

Envía la workload y transmite sus logs con databricks air run:

databricks air run --file workload.yaml --watch

La CLI devuelve el ID de Ejecución de Trabajo y un enlace a la ejecución en tu espacio de trabajo. --watch mantiene el terminal conectado y transmite los registros hasta que termina la carga de trabajo.

Submitting experiment: air-quickstart
Submitted workload with Job Run ID: 783940125630184
View job run at: https://example.cloud.databricks.com/jobs/runs/783940125630184?o=1234567890123456

Monitoring run and streaming logs...
...
Environment setup completed at Thu Oct 1 14:23:45 UTC 2026
NVIDIA A10

Ejecuta tu propio código en Python

Para subir y ejecutar código Python local, crea un directorio air-quickstart con los siguientes archivos:

air-quickstart/
├── workload.yaml
└── main.py

Utiliza el siguiente código mínimo en Python para verificar que AI Runtime ejecuta el código subido en la GPU:

import torch

print("Hello from Python on AI Runtime")
print(f"GPU: {torch.cuda.get_device_name(0)}")

Para ampliar este ejemplo, puedes reemplazar main.py por tu propio entrenamiento, inferencia por lotes u otra aplicación de IA.

Utilice la siguiente configuración para workload.yaml:

experiment_name: python-quickstart
environment:
  version: databricks_ai_v6
compute:
  num_accelerators: 1
  accelerator_type: GPU_1xH100
code_source:
  type: snapshot
  snapshot:
    root_path: .
command: python "$CODE_SOURCE_PATH/main.py"

Esta configuración utiliza los siguientes ajustes:

AI Runtime funciona main.py en una sola GPU H100.

Desde el directorio air-quickstart, envía la carga de trabajo:

databricks air run --file workload.yaml --watch

Los registros transmitidos incluyen:

...
Hello from Python on AI Runtime
GPU: NVIDIA H100 80GB HBM3

Para configurar entornos, fuentes de código, cálculo y otros ajustes de carga de trabajo, consulte Referencia de YAML de carga de trabajo.

Inspeccionar una ejecución

Utiliza el ID de Ejecución de Trabajo de la salida de envío para inspeccionar la ejecución:

databricks air get <job-run-id>

databricks air get Muestra el estado de la ejecución, la configuración y el tiempo. También enlaza con la ejecución del trabajo y, cuando está disponible, con la ejecución de MLflow.

Para ver los registros en streaming tras enviarlos o reanudar un streaming interrumpido, ejecuta:

databricks air logs <job-run-id>

La CLI proporciona comandos adicionales para listar, inspeccionar, cancelar y recuperar registros de cargas de trabajo. Consulta la referencia deair comandos.

Reference

Recursos adicionales

  • Se actualizó por última vez el