AI Runtime용 Databricks CLI 빠른 시작

Databricks CLI for AI Runtime은 터미널에서 서버리스 GPU 워크로드를 제출, 모니터링, 관리할 수 있게 해줍니다. 이 퀵스타트는 AI 런타임 워크로드를 구성 및 실행하는 방법, 로그를 스트리밍하는 방법, 실행을 검사하는 방법을 보여줍니다.

Requirements

air 명령어가 Databricks CLI에서 사용 가능한지 확인하세요:

databricks air --help

Tip

워크로드 설정 작성과 실행 관리에 도움이 필요하면 AI 에이전트용 databricks-ai-runtime 스킬을 설치하세요. AI 에이전트 사용 참조.

최소한의 업무량을 실행하세요

A10 GPU 1개를 요청하고 workload.yaml를 실행하여 GPU 이름을 출력하는 nvidia-smi 파일을 만드세요:

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

작업 부하를 제출하고 로그를 다음과 같이 databricks air run스트리밍하세요:

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

CLI는 작업 실행 ID와 작업 공간 내 실행 링크를 반환합니다. --watch 터미널을 연결해 두고 작업이 끝날 때까지 로그를 스트리밍합니다.

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

직접 Python 코드를 실행하세요

로컬 Python 코드를 업로드하고 실행하려면 다음 파일이 포함된 air-quickstart 디렉터리를 생성하세요:

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

Tip

수동으로 파일을 만드는 대신 실행 가능한 프로젝트에서 시작하려면 AI 런타임 요리책 저장소 를 복제하고 CLI getting-start 디렉터리로 변경하세요:

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

AI 런타임이 GPU에서 업로드된 코드를 실행하는지 확인하기 위해 다음과 같은 최소한의 Python 코드를 사용하세요:

import torch

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

이 예시를 확장하자면, main.py를 자체 학습, 배치 추론 또는 다른 AI 애플리케이션으로 대체할 수 있습니다.

다음 구성을 사용하세요 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"

이 구성은 다음과 같은 설정을 사용하며, 하나의 H100 GPU에서 main.py를 실행합니다:

  • environment.version 표준 환경 버전 6을 선택합니다.
  • environment.dependencies 선택한 환경에 PyTorch 2.11.0을 설치합니다.
  • root_path: .는 workload.yaml를 포함하는 디렉터리를 업로드합니다. 런타임에 $CODE_SOURCE_PATH는 업로드된 디렉터리를 가리킵니다.

workload.yaml이(가) 포함된 디렉터리에서 작업량을 제출하세요:

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

스트리밍된 로그에는 다음이 포함됩니다:

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

완전한 훈련, 미세 조정, 배치 추론, Ray 작업을 실행하려면 AI 런타임 쿡북을 클론하고 레시피를 실행하세요.

환경, 코드 소스, 컴퓨트 및 기타 워크로드 설정을 구성하려면 Workload YAML 참고 자료를 참조하세요.

런을 점검하세요

CLI는 워크로드를 제출하면 Job Run ID를 출력합니다. 이걸 사용해서 실행을 점검하세요:

databricks air get <job-run-id>

databricks air get 실행 상태, 구성, 타이밍을 보여줍니다. 또한 작업 실행과, 가능할 경우 MLflow 실행과도 연결됩니다.

제출 후 스트림 로그를 확인하거나 중단된 스트림을 재개하려면 다음을 실행하세요:

databricks air logs <job-run-id>

CLI는 또한 실행을 나열하고 검사하는 명령, 로그를 스트리밍하는 명령, 그리고 활성 실행을 취소하는 명령도 제공합니다. air명령어 참조를 참고하세요.

Reference

추가 리소스

  • 에 마지막으로 업데이트됨