AI 런타임 퀵스타트

Databricks는 첫 AI 런타임 워크로드를 실행하려면 Databricks CLI부터 시작하는 것을 권장합니다. Databricks CLI를 사용하면 터미널에서 서버리스 GPU 워크로드를 제출, 모니터링, 관리할 수 있습니다. 노트북을 선호한다면 AI 런타임 노트북 퀵스타트를 참고하세요.

Requirements

  • AI 런타임이 활성화된 Azure Databricks 작업 공간입니다. 요구사항 참조.
  • Git은 설치되어 있고 PATH에서 사용할 수 있어야 Python 예제를 실행할 수 있습니다. CLI는 Git을 사용해 로컬 코드를 패키징합니다.

첫 번째 워크로드 실행

  1. Databricks CLI를 설치하거나 업데이트하고, 이를 워크스페이스에 대해 인증하세요. Databricks CLI에 대한 Databricks CLI 및 인증 설치 또는 업데이트를 참조하세요.

    Tip

    여러 Azure Databricks 프로필을 다룬다면, 명령어에 -p <profile>를 추가하여 하나를 선택하세요. 또는 실행하기 전에 DATABRICKS_CONFIG_PROFILE=<profile>를 설정하세요.

    명령어가 air 사용 가능한지 확인하세요:

    databricks air --help

  2. 최소한의 워크로드 파일을 만드세요. 다음 workload.yaml 요청은 A10 GPU 하나를 요청하고 nvidia-smi를 실행하여 GPU 이름을 출력합니다:

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

  3. 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

Tip

워크로드 설정 작성과 실행 관리에 도움이 필요하면 AI 에이전트용 databricks-ai-runtime 스킬을 설치하세요. AI 런타임에서 에이전트 스킬 사용을 참조하세요.

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 구성에는 workload.yaml를 사용하세요:

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.yaml가 포함된 디렉터리에서 워크로드를 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.

실행을 점검하고 모니터링하세요

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