Exemples de runtime IA

Important

Cette fonctionnalité est disponible en préversion publique.

AI Runtime fournit un calcul GPU serverless pour l’inférence, l’entraînement et l’ajustement fin des modèles d’IA et d’apprentissage profond. Les pages ci-dessous regroupent des tutoriels de notebooks et des recettes de la ligne de commande Databricks par tâche : ML classique, systèmes de recommandation, vision par ordinateur, LLM open source post-entraînement, inférence batch et formation distribuée multi-GPU.

Des exemples de notebooks sont inclus dans la documentation. Des exemples de CLI Databricks renvoient vers le AI Runtime Cookbook sur GitHub, où vous pouvez cloner le dépôt et exécuter ses configurations de charge de travail et son code source.

Tâche	Description
Apprentissage automatique classique	Exemples de tâches traditionnelles d’apprentissage automatique, notamment l’entraînement de modèles XGBoost, la prédiction tabulaire sans apprentissage préalable et la prévision de séries temporelles.
Systèmes de recommandation	Exemples de création de systèmes de recommandation à l’aide d’approches modernes d’apprentissage profond comme des modèles à deux tours.
Vision par ordinateur	Exemples de tâches de vision par ordinateur, notamment la détection d’objets et la classification d’images.
Modèles LLM open source après entraînement	Exemples de réglage fin et de post-entraînement de grands modèles de langage open source, y compris des méthodes économes en paramètres.
Inférence par lots	Exemples d’inférence par lots à grande échelle avec Ray Data et vLLM sur plusieurs GPU.
Entraînement distribué multi-GPU	Exemples de mise à l’échelle de l’entraînement sur plusieurs GPU et nœuds à l’aide de l’API GPU serverless.