Inicio rápido de AI Runtime

Databricks recomienda empezar con la CLI de Databricks para ejecutar tu primera carga de trabajo de AI Runtime. La CLI de Databricks te permite enviar, monitorizar y gestionar cargas de trabajo de GPU serverless desde tu terminal. Si prefieres los notebooks, consulta el inicio rápido de AI Runtime Notebook.

Requirements

  • Un espacio de trabajo de Azure Databricks con AI Runtime habilitado. Ver Requisitos.
  • Git instalado y disponible en tu PATH para ejecutar el ejemplo de Python. La CLI utiliza Git para empaquetar código local.

Ejecución de la primera carga de trabajo

  1. Instale o actualice la CLI de Databricks y autentíquela en su espacio de trabajo. Consulte Instalación o actualización de la CLI de Databricks y Autenticación para la CLI de Databricks.

    Tip

    Si trabajas con varios perfiles de Azure Databricks, añade -p <profile> a tus comandos para seleccionar uno. Alternativamente, configura DATABRICKS_CONFIG_PROFILE=<profile> antes de ejecutarlos.

    Confirma que los air comandos están disponibles:

    databricks air --help

  2. Crea un archivo con carga de trabajo mínima. Lo siguiente workload.yaml solicita una GPU A10 y se ejecuta 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

  3. Envía la carga de trabajo y transmite sus registros 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

Tip

Para obtener ayuda a la hora de escribir la configuración de tu carga de trabajo y administrar las ejecuciones, instala la databricks-ai-runtime habilidad para tu agente de IA. Consulta Usar habilidades de agente con AI Runtime.

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

Tip

Para empezar desde un proyecto ejecutable en lugar de crear estos archivos manualmente, clona el repositorio de recetas de AI Runtime y cambia al directorio de inicio de la CLI:

git clone https://github.com/databricks-solutions/ai-runtime-cookbook.git
cd ai-runtime-cookbook/getting-started/air-cli

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: 6
  dependencies:
    - torch==2.11.0
compute:
  num_accelerators: 1
  accelerator_type: GPU_1xH100
code_source:
  root_path: .
command: python "$CODE_SOURCE_PATH/main.py"

Esta configuración utiliza los siguientes ajustes y ejecuta main.py en una GPU H100:

  • environment.version selecciona la versión 6 del entorno estándar.
  • environment.dependencies instala PyTorch 2.11.0 en el entorno seleccionado.
  • root_path: . sube el directorio que contiene workload.yaml. En tiempo de ejecución, $CODE_SOURCE_PATH apunta al directorio subido.

Envíe la carga de trabajo desde el directorio que contiene workload.yaml:

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

Los registros transmitidos incluyen:

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

Para realizar entrenamiento completo, ajustes finos, inferencia por lotes y cargas de trabajo Ray, clona el AI Runtime Cookbook y ejecuta una receta.

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

Inspecciona y supervisa tu ejecución

La CLI imprime el ID de ejecución del trabajo cuando envías la carga de trabajo. Úsalo 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 transmitir los registros tras el envío o reanudar una transmisión interrumpida, ejecute:

databricks air logs <job-run-id>

La CLI también proporciona comandos para listar e inspeccionar ejecuciones, ver registros en streaming y cancelar ejecuciones activas. Consulta la referencia deair comandos.

Referencia

Recursos adicionales

  • Se actualizó por última vez el