Démarrage rapide d’AI Runtime

Databricks recommande de commencer avec Databricks CLI pour exécuter votre première charge de travail AI Runtime. La ligne de commande Databricks vous permet de soumettre, surveiller et gérer des charges de travail GPU serverless depuis votre terminal. Si vous préférez les notebooks, consultez le quickstart du Runtime Notebook IA.

Requirements

  • Un espace de travail Azure Databricks avec AI Runtime activé. Voir les exigences.
  • Git doit être installé et disponible sur votre PATH pour exécuter l’exemple Python. La CLI utilise Git pour empaqueter le code local.

Exécuter votre première charge de travail

  1. Installez ou mettez à jour la CLI Databricks, et authentifiez-la à votre espace de travail. Consultez Installer ou mettre à jour l’interface CLI Databricks et Authentification pour l’interface CLI Databricks.

    Confirmez que les air commandes sont disponibles :

    databricks air --help

  2. Créez un fichier de charge de travail minimal. Ce qui suit workload.yaml demande un GPU A10 et s’exécute nvidia-smi pour imprimer le nom du GPU :

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

  3. Soumettez la charge de travail et diffusez ses logs en streaming avec databricks air run:

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

    La CLI renvoie l’ID de l’exécution du travail et un lien vers l’exécution dans votre espace de travail. --watch garde le terminal connecté et affiche les journaux jusqu’à ce que la charge de travail se termine.

    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

Pour obtenir de l’aide pour rédiger la configuration de votre charge de travail et gérer les exécutions, installez la compétence databricks-ai-runtime pour votre assistant IA. Voir Utiliser les compétences de l’agent avec l’IA Runtime.

Exécutez votre propre code Python

Pour téléverser et exécuter du code Python local, créez un répertoire air-quickstart avec les fichiers suivants :

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

Tip

Pour partir d’un projet exécutable au lieu de créer ces fichiers manuellement, clonez le référentiel AI Runtime cookbook et accédez au répertoire CLI getting-started :

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

Utilisez le code Python minimal suivant pour vérifier que AI Runtime exécute le code téléchargé sur le GPU :

import torch

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

Pour étendre cet exemple, vous pouvez remplacer main.py par votre propre entraînement, inférence par lots ou autre application d’IA.

Utilisez la configuration suivante pour 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"

Cette configuration utilise les réglages suivants et exécute main.py sur un seul GPU H100 :

  • environment.version sélectionne l’environnement standard version 6.
  • environment.dependencies Installe PyTorch 2.11.0 dans l’environnement sélectionné.
  • root_path: . téléverse le répertoire contenant workload.yaml. À l’exécution, $CODE_SOURCE_PATH pointe vers le répertoire téléversé.

Soumettez la charge de travail depuis le répertoire qui contient workload.yaml:

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

Les journaux en streaming incluent :

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

Pour effectuer un entraînement complet, un ajustement fin, des inférences par lots et des charges de travail Ray, clonez le AI Runtime Cookbook et exécutez une recette.

Pour configurer les environnements, les sources de code, le calcul et d’autres paramètres de charge de travail, voir la référence Workload YAML.

Inspectez et surveillez votre exécution

La CLI affiche l’ID de Job Run lorsque vous soumettez la charge de travail. Utilisez-le pour inspecter l’exécution :

databricks air get <job-run-id>

databricks air get Affiche l’état d’exécution, la configuration et le timing. Il est également lié à l’exécution du job et, lorsque disponible, à l’exécution MLflow.

Pour afficher les journaux en continu après l’envoi ou reprendre un flux interrompu, exécutez :

databricks air logs <job-run-id>

La CLI fournit également des commandes pour lister et inspecter les exécutions, consulter les journaux en continu et annuler les exécutions actives. Voir la airréférence de commande.

Référence

Ressources additionnelles

  • Dernière mise à jour :