Guida introduttiva di AI Runtime

Databricks consiglia di iniziare con la CLI Databricks per eseguire il tuo primo workload AI Runtime. La CLI Databricks ti permette di inviare, monitorare e gestire carichi di lavoro della GPU serverless dal terminale. Se preferisci i notebook, consulta AI Runtime Notebook quickstart.

Requirements

  • Un'area di lavoro di Azure Databricks con AI Runtime abilitato. Vedi requisiti.
  • Git deve essere installato e disponibile sul tuo PATH per eseguire l'esempio Python. La CLI utilizza Git per impacchettare codice locale.

Esegui il tuo primo workload

  1. Installa o aggiorna la CLI di Databricks e autenticala con il tuo workspace. Vedere Installare o aggiornare l'interfaccia della riga di comando di Databricks e l'autenticazione per l'interfaccia della riga di comando di Databricks.

    Tip

    Se lavori con più profili Azure Databricks, aggiungi -p <profile> ai tuoi comandi per selezionarne uno. In alternativa, imposta DATABRICKS_CONFIG_PROFILE=<profile> prima di eseguirli.

    Conferma che i air comandi siano disponibili:

    databricks air --help

  2. Crea un file di carico di lavoro minimo. Il seguente workload.yaml richiede una GPU A10 ed esegue nvidia-smi per stampare il nome della GPU:

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

  3. Invia il workload e trasmetti i suoi log con databricks air run:

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

    La CLI restituisce l'ID esecuzione del job e un link all'esecuzione nel tuo workspace. --watch Tiene il terminale collegato e trasmette i log in streaming fino al termine del workload.

    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

Per ottenere aiuto nello scrivere la configurazione del workload e gestire le esecuzioni, installa l'abilità databricks-ai-runtime per il tuo agente AI. Consulta Usare le abilità dell'agente con AI Runtime.

Esegui il tuo codice Python

Per caricare ed eseguire codice Python locale, crea una air-quickstart directory con i seguenti file:

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

Tip

Per partire da un progetto eseguibile invece di creare questi file manualmente, clona il repository cookbook di AI Runtime e passa alla directory CLI getting-started:

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

Usa il seguente codice Python minimale per verificare che AI Runtime esegue il codice caricato sulla GPU:

import torch

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

Per estendere questo esempio, puoi sostituire main.py con il tuo addestramento, batch per inferenza o un'altra applicazione di IA.

Usa la seguente configurazione per 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"

Questa configurazione utilizza le seguenti impostazioni ed esegue main.py su una sola GPU H100:

  • environment.version seleziona l'ambiente Standard versione 6.
  • environment.dependencies installa PyTorch 2.11.0 nell'ambiente selezionato.
  • root_path: . carica la directory contenente workload.yaml. Durante l'esecuzione, $CODE_SOURCE_PATH punta alla directory caricata.

Invia il workload dalla directory che contiene workload.yaml:

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

I log trasmessi in streaming includono:

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

Per eseguire addestramento completo, messa a punto, inferenza batch e carichi di lavoro Ray, clona il AI Runtime Cookbook ed esegui una ricetta.

Per configurare ambienti, sorgenti di codice, calcolo e altre impostazioni di carico di lavoro, vedi Workload YAML reference.

Ispeziona e monitora la tua esecuzione

La CLI stampa l'ID Job Run quando invii il carico di lavoro. Usalo per ispezionare l'esecuzione:

databricks air get <job-run-id>

databricks air get Mostra lo stato della run, la configurazione e i tempi. Si collega anche all'esecuzione del Job e, quando disponibile, all'esecuzione di MLflow.

Per seguire i log in streaming dopo l'invio del job o riprendere un flusso interrotto, esegui:

databricks air logs <job-run-id>

La CLI fornisce anche comandi per elencare e ispezionare le esecuzioni, visualizzare i log in streaming e annullare le esecuzioni attive. Vedi il air riferimento al comando.

Reference

Risorse aggiuntive

  • Ultimo aggiornamento: