AIランタイムクイックスタート

Databricksは、最初のAIランタイムワークロードを実行するにはDatabricks CLIから始めることを推奨しています。 Databricks CLIは、ターミナルからサーバーレスGPUワークロードの送信、監視、管理を可能にします。 ノートブックを好むなら、 AI Runtime Notebookのクイックスタートをご覧ください。

Requirements

  • AI Runtime が有効な Azure Databricks ワークスペース 要件を参照してください。
  • Python の例を実行するための、PATH にインストールされ、利用可能な Git。 CLIはGitを使ってローカルコードをパッケージ化します。

最初のワークロードを実行する

  1. Databricks CLI をインストールまたは更新し、ワークスペースに対して認証を行ってください。 Databricks CLI のインストールまたは更新 とDatabricks CLI の認証を参照してください。

    Tip

    複数のAzure Databricksプロファイルを扱う場合は、1つを選択するにはコマンドに-p <profile>を追加してください。 あるいは、実行前に DATABRICKS_CONFIG_PROFILE=<profile> を設定してください。

    コマンド air が利用可能か確認してください:

    databricks air --help

  2. 最小限のワークロード ファイルを作成します。 以下の workload.yaml は1つのA10 GPUを要求し、GPU名を印刷するために nvidia-smi を実行します:

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

  3. ワークロードを送信し、そのログを databricks air runでストリーミングします:

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

    CLIはジョブ実行IDとワークスペース内の実行リンクを返します。 --watch 端末を接続したまま、ワークロードが終わるまでログをストリーミングします。

    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

ワークロードの設定作成や実行管理のサポートを得るには、AIエージェント用の databricks-ai-runtime スキルをインストールしてください。 エージェントスキルをAI Runtimeで活用を参照してください。

自分のPythonコードを実行してください

ローカルPythonコードをアップロード・実行するには、以下のファイルを含むair-quickstartディレクトリを作成してください。

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

Tip

手動でこれらのファイルを作成する代わりに実行可能なプロジェクトから始めるには、AI Runtime の cookbook リポジトリをクローンし、CLI の getting-started ディレクトリに移動します。

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

AIランタイムがアップロードしたコードをGPU上で実行していることを検証するために、以下の最小限のPythonコードを使用します。

import torch

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

この例を拡張するには、main.py を独自のトレーニング、バッチ推論、またはその他の AI アプリケーションに置き換えることができます。

workload.yamlには以下の設定を使用してください:

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"

この構成は以下の設定を使用し、1台のH100 GPUで main.py を実行します:

  • environment.version 標準環境バージョン6を選択します。
  • environment.dependencies 選択した環境にPyTorch 2.11.0をインストールします。
  • root_path: .はworkload.yamlを含むディレクトリをアップロードします。 実行時には、$CODE_SOURCE_PATH はアップロードされたディレクトリを指します。

workload.yaml を含むディレクトリからワークロードを送信:

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

ストリーミングログには以下が含まれます:

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

完全なトレーニング、ファインチューニング、バッチ推論、Rayワークロードを実行するには、 AI Runtime Cookbook をクローンしてレシピを実行してください。

環境、コードソース、計算、その他のワークロード設定の設定については、 Workload YAMLリファレンスを参照してください。

実行を点検し、監視します

CLIはワークロードを送信した際にJob Run IDを表示します。 これを使用して実行を点検します:

databricks air get <job-run-id>

databricks air get 実行状況、構成、タイミングを表示します。 また、ジョブ実行や利用可能な場合はMLflow実行にもリンクします。

送信後のログ配信や中断されたストリームを再開するには、以下を実行します:

databricks air logs <job-run-id>

CLIはまた、実行の一覧表示と実行の詳細の確認、ログのストリーミング表示、アクティブな実行のキャンセルなどのコマンドも提供しています。 airコマンド リファレンスを参照してください。

Reference

その他のリソース

  • 最終更新: