Przykłady AI Runtime

AI Runtime zapewnia obliczenia GPU bez serwera do wnioskowania, trenowania oraz dopracowywania modeli AI i deep learning. Na poniższych stronach zgrupowano samouczki notebooków i przykłady użycia interfejsu Databricks CLI według zadań: klasyczne ML, systemy rekomendacji, widzenie komputerowe, potreningowe modele LLM open source, inferencja wsadowa oraz trening rozproszony na wielu procesorach GPU.

Przykłady notebooków znajdują się w dokumentacji. Przykłady CLI Databricks prowadzą do AI Runtime Cookbook w serwisie GitHub, gdzie można sklonować repozytorium i uruchomić jego konfiguracje obciążeń oraz kod źródłowy.

Zadanie	Opis
Klasyczne uczenie maszynowe	Przykłady tradycyjnych zadań uczenia maszynowego, w tym trenowanie modelu XGBoost, predykcja zero-shot na danych tabelarycznych oraz prognozowanie szeregów czasowych.
Systemy rekomendacji	Przykłady tworzenia systemów rekomendacji przy użyciu nowoczesnych metod uczenia głębokiego, takich jak modele dwóch wież.
Wizja komputerowa	Przykłady zadań przetwarzania obrazów, w tym wykrywania obiektów i klasyfikacji obrazów.
Modele OSS (LLM) po treningu	Przykłady do precyzyjnego dostrojenia i posttreningu otwartych dużych modeli językowych, w tym metod efektywnych parametrycznie.
Wnioskowanie wsadowe	Przykłady wnioskowania wsadowego na dużą skalę z użyciem Ray Data i vLLM na wielu GPU.
Rozproszone trenowanie na wielu GPU	Przykłady skalowania treningu na wielu GPU i węzłach przy użyciu bezserwerowego interfejsu API GPU.