Remarque
L’accès à cette page nécessite une autorisation. Vous pouvez essayer de vous connecter ou de modifier des répertoires.
L’accès à cette page nécessite une autorisation. Vous pouvez essayer de modifier des répertoires.
AI Runtime est une offre de calcul GPU entièrement gérée et serverless sur Azure Databricks pour l’entraînement, le fine-tuning et d’autres charges de travail en apprentissage profond. Il s’adresse aux ingénieurs ML et aux spécialistes des données qui veulent des GPU sans avoir à provisionner des clusters. Pour le calcul classique avec Databricks Runtime ML, voir Databricks Runtime for Machine Learning.
- GPU sans serveur : des GPU A10 et H100 à la demande, accessibles via l’interface de ligne de commande Databricks, les notebooks, les tâches et Ray.
- Environnements gérés : environnements préconstruits et chargeurs de données prêts pour l’entraînement et le réglage fin, ou apportez votre propre conteneur Docker.
- Observabilité intégrée : suivi des expériences via MLflow, journalisation et agents de débogage.
- Orchestration : planifiez vos charges de travail GPU et utilisez-les dans les pipelines CI/CD.
Get started
Apprenez-en plus sur AI Runtime et lancez votre première charge de travail.
| Get started | Description |
|---|---|
| 🚀 Démarrage rapide | Exécutez votre première charge de travail sur AI Runtime depuis votre terminal. |
| 🧭 Aperçu | Apprenez les points clés d’AI Runtime : quels GPU sont disponibles, comment il fonctionne et ses limites. |
| 💡 Exemples | Parcourez des tutoriels de notebooks et des recettes CLI Databricks exécutables organisées par tâche. |
Se connecter aux GPU
Accédez aux GPU via la ligne de commande Databricks, les notebooks, les Jobs ou via Ray.
| Fonctionnalité | Description |
|---|---|
| Databricks CLI | Soumettez et gérez les tâches d’entraînement GPU distribué depuis votre ordinateur portable en utilisant des configurations de tâches YAML. |
| Notebooks | Attachez un notebook à AI Runtime et développez de manière interactive, sans configuration de cluster. |
| Tâches | Planifiez un notebook sur AI Runtime comme une tâche récurrente. |
| Rayon | Exécutez Ray Core, Ray Data, Ray Train et Ray Tune sur AI Runtime. |
Gérer les environnements
Exécutez des charges de travail dans un environnement géré ou dans votre propre image Docker.
| Fonctionnalité | Description |
|---|---|
| Environnements préconstruits | Partez d’un environnement Standard minimal ou d’un environnement IA Databricks préchargé de frameworks ML. |
| Images Docker personnalisées | Apportez votre propre image Docker lorsque votre charge de travail nécessite des bibliothèques système personnalisées ou des dépendances. |
Développer des workloads
Chargez les données efficacement et développez des workloads avec des agents de code.
| Fonctionnalité | Description |
|---|---|
| Charger les données dans les GPU | Diffusez les données depuis des volumes du catalogue Unity avec des chargeurs tolérants aux pannes conçus pour une forte utilisation du GPU. |
| Agents de codage | Utilisez Genie Code et la compétence d’agent databricks-ai-runtime pour créer, soumettre et gérer des charges de travail GPU. |
Surveiller, déboguer et déployer
Suivre les expériences, inspecter les journaux, diagnostiquer les défaillances et planifier les charges de travail de production.
| Fonctionnalité | Description |
|---|---|
| MLflow pour le débogage | Suivez les expériences, les métriques et les exécutions avec MLflow. |
| Afficher les journaux | Consultez les résultats d’entraînement, surveillez l’utilisation des ressources GPU pendant l’exécution de votre code, et débogez avec Genie Code. |
| Planifier les charges de travail | Déploie du code d’entraînement avec des Déclarative Automation Bundles, planifie les exécutions et construit des workflows multitâches GPU et CPU. |
| Déployer des modèles entraînés | Consignez, enregistrez et déployez des modèles entraînés sur AI Runtime vers des points de terminaison Model Serving sur calcul CPU ou GPU. |
Guides
Découvrez des guides de migration, tutoriels et ressources techniques pour AI Runtime.
| Resource | Description |
|---|---|
| Pourquoi utiliser AI Runtime | Comparez AI Runtime avec le calcul classique et Databricks Runtime ML pour le coût, l’expérience développeur et la montée en charge. |
| Migrer les charges de travail classiques sur GPU | Transférez une charge de travail en apprentissage profond existante d’un cluster classique Azure Databricks vers AI Runtime. |
| Optimisez la performance de votre charge de travail | Améliorer le débit de formation et rendre les tâches de longue durée plus résilientes face aux échecs. |