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.
  • Databricks CLI version 1.24.0 ou ultérieure. Les versions antérieures n’ont pas les commandes databricks air, le format code_source ou la liste des types d’accélérateurs utilisés par ce démarrage rapide.
  • 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.

    Tip

    Pour sélectionner un espace de travail pour la procédure pas à pas sans répéter --profile, listez vos profils et définissez un profil par défaut :

    databricks auth profiles
    databricks auth switch --profile <profile>
    databricks auth describe
    

    Vérifiez que l’espace de travail indiqué par Host dans la sortie est celui où vous souhaitez exécuter la charge de travail. Pour une session shell par défaut, utilisez export DATABRICKS_CONFIG_PROFILE=<profile> à la place. Cette variable d’environnement a la priorité sur la valeur par défaut définie par auth switch.

    Pour remplacer l’un ou l’autre des paramètres par défaut pour une commande, ajoutez --profile <other-profile>. Utilisez le même profil pour la soumission, le statut et les journaux : les ID d’exécution de job appartiennent à l’espace de travail où vous avez soumis la charge de travail. Voir les profils de configuration pour l’interface de ligne de commande Databricks.

    Confirmez que la version CLI est 1.24.0 ou supérieure et que les air commandes sont disponibles :

    databricks --version
    databricks air --help
    

    Si databricks air --help renvoie unknown command "air" for "databricks", votre version CLI est trop ancienne. Mettez à jour le CLI et réessayez.

  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
    

    accelerator_type les valeurs ont la forme GPU_<GPUs per node>x<GPU model>, telles que GPU_1xA10, GPU_1xH100, ou GPU_8xH100. Pour toutes les valeurs, voir Types d’accélérateurs. Pour lister les types d’accélérateurs disponibles dans votre espace de travail, exécutez databricks air run -h config.compute.accelerator_type.

  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
└── src/
    └── 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

Le projet de livre de cuisine reste main.py dans le même répertoire que workload.yaml et utilise root_path: ., si bien que sa mise en page diffère de celle présentée ici.

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 src/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: databricks_ai_v6
compute:
  num_accelerators: 1
  accelerator_type: GPU_1xA10
code_source:
  root_path: ./src
command: python "$CODE_SOURCE_PATH/main.py"

Cette configuration utilise les réglages suivants et exécute src/main.py sur un seul GPU A10 :

  • environment.version sélectionne l’environnement IA Databricks version 6, qui inclut PyTorch. Cette clé est facultative. Si vous l’omettez, la CLI utilise son environnement Standard par défaut, qui n’inclut pas PyTorch. Pour voir la version par défaut, exécutez databricks air run -h config.environment.version.
  • root_path: ./src téléverse le src répertoire dans le même répertoire que workload.yaml. À l’exécution, $CODE_SOURCE_PATH pointe vers le répertoire téléversé.

Avec l’emplacement de sortie par défaut, databricks air convert-to-dabs nécessite que le code se trouve dans un sous-répertoire, comme dans cette structure, lorsque vous convertissez la charge de travail en offre groupée.

Note

La CLI ne télécharge pas les fichiers ignorés par Git, y compris les fichiers ignorés par un dépôt parent. Si la charge de travail ne trouve pas main.py, exécutez git check-ignore -v src pour vérifier si le src répertoire est ignoré. Voir code_source dans la référence YAML des workloads.

Dans vos propres workloads, configurez environment.version pour épingler les paquets préinstallés dont dépend votre code. Pour les valeurs que cette clé accepte, voir environment. Pour les packages de chaque environnement, voir Configurer votre environnement d’exécution IA.

Pour apporter votre propre pile de dépendances, remplacez le environment bloc par la version 6 de l’environnement Standard et des dépendances explicites :

environment:
  version: 6
  dependencies:
    - torch==2.11.0

Les tâches CLI installent ces dépendances à chaque exécution. Cette option ajoute du temps de téléchargement des wheels PyTorch et CUDA.

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 A10G

Inspectez et gérez votre exécution

Chaque exécution a un identifiant de Job Run, que databricks air run affiche lorsque vous soumettez la charge de travail.

Pour soumettre en arrière-plan, omettez --watch:

databricks air run --file workload.yaml

La commande revient après la soumission tandis que la charge de travail continue de s’exécuter. Utilisez l’ID d’exécution de la tâche retourné et le même profil d’espace de travail pour les commandes suivantes.

Pour vérifier l’état de l’exécution, la configuration et le timing, exécutez :

databricks air get <job-run-id>

La sortie inclut un lien vers l’exécution du Job et, si disponible, un lien vers l’exécution MLflow.

Pour consulter les journaux d’exécution, exécutez :

databricks air logs <job-run-id>

databricks air logs imprime la sortie de la charge de travail existante et continue de diffuser pendant que l’exécution est active.

Utilisez le lien Job run pour inspecter l’état d’exécution, le calcul, les tentatives et la sortie du pilote. Utilisez le lien d’exécution MLflow pour consulter les journaux persistants ainsi que les paramètres, métriques et artefacts enregistrés par la charge de travail.

Pour les charges de travail de plus longue durée, utilisez l’onglet MLflow Métriques système pour examiner l’utilisation du GPU et la mémoire collectées automatiquement. Pour enregistrer des métriques et artefacts personnalisés ou comparer les exécutions, voir Suivi et observabilité des expériences.

Pour lister les exécutions, y compris les exécutions terminées, exécutez :

databricks air list --all-status

Pour annuler une exécution active, exécutez :

databricks air cancel <job-run-id>

Si une exécution échoue, utilisez son statut, ses journaux et ses liens Job ou MLflow disponibles pour identifier l’erreur actionnable. Corrigez la charge de travail ou la configuration, puis soumettez-la à nouveau.

Continuez à explorer la ligne de commande de Databricks

Ce démarrage rapide utilise une configuration de charge de travail minimale. Voir la référence Workload YAML pour configurer les environnements, les sources de code, le calcul, les secrets, les essais et d’autres réglages.

Si l’environnement standard ne répond pas à vos exigences de dépendance, utilisez une image Docker personnalisée.

Pour explorer la formation complète, l’ajustement fin, l’inférence par lots, la formation distribuée et les charges de travail Ray, clonez le AI Runtime Cookbook et exécutez une recette.

Ressources additionnelles