Guia rápido do AI Runtime

A Databricks recomenda começar com a CLI Databricks para rodar sua primeira carga de trabalho em tempo de execução de IA. A linha de comando Databricks permite que você envie, monitore e gerencie cargas de trabalho de GPU serverless a partir do seu terminal. Se você prefere notebooks, veja o quickstart do AI Runtime Notebook.

Requirements

  • Um espaço de trabalho do Azure Databricks com AI Runtime ativado. Veja Requisitos.
  • Git instalado e disponível no seu PATH para rodar o exemplo em Python. A CLI usa Git para empacotar código local.

Executar sua primeira carga de trabalho

  1. Instale ou atualize a CLI do Databricks e autentique-a no seu espaço de trabalho. Consulte Instalar ou atualizar a CLI do Databricks e Autenticação para a CLI do Databricks.

    Dica

    Se você trabalha com múltiplos perfis do Azure Databricks, adicione -p <profile> aos seus comandos para selecionar um. Alternativamente, defina DATABRICKS_CONFIG_PROFILE=<profile> antes de executá-los.

    Confirme que os air comandos estão disponíveis:

    databricks air --help

  2. Crie um arquivo de carga de trabalho mínima. O seguinte workload.yaml solicita uma GPU A10 e executa nvidia-smi para imprimir o nome da GPU:

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

  3. Submeta a carga de trabalho e faça streaming dos logs com databricks air run:

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

    A CLI retorna o ID de Execução de Trabalho e um link para a execução no seu workspace. --watch mantém o terminal conectado e transmite os registros até o término da carga de trabalho.

    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

Dica

Para obter ajuda para escrever a configuração da carga de trabalho e gerenciar execuções, instale a databricks-ai-runtime skill para seu agente de IA. Consulte Usar habilidades de agente com o AI Runtime.

Execute seu próprio código Python

Para enviar e executar código Python local, crie um air-quickstart diretório com os seguintes arquivos:

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

Dica

Para começar a partir de um projeto executável, em vez de criar esses arquivos manualmente, clone o AI Runtime cookbook repository e mude para o diretório CLI getting-start:

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

Use o seguinte código Python mínimo para verificar se o AI Runtime executa o código enviado na GPU:

import torch

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

Para estender esse exemplo, você pode substituir main.py por seu próprio treinamento, inferência em lote ou outra aplicação de IA.

Use a seguinte configuração para 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"

Essa configuração utiliza as seguintes configurações e roda main.py em uma única GPU H100:

  • environment.version seleciona ambiente padrão versão 6.
  • environment.dependencies instala o PyTorch 2.11.0 no ambiente selecionado.
  • root_path: . faz upload do diretório que contém workload.yaml. Em tempo de execução, $CODE_SOURCE_PATH aponta para o diretório de upload.

Submeta a carga de trabalho a partir do diretório que contém workload.yaml:

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

Os registros transmitidos incluem:

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

Para executar treinamentos completos, fine-tuning, inferência em lote e cargas de trabalho Ray, clone o AI Runtime Cookbook e execute uma receita.

Para configurar ambientes, fontes de código, computação e outras configurações de carga de trabalho, veja referência Workload YAML.

Inspecionar e monitorar sua execução

A CLI imprime o ID da execução do job quando você envia a carga de trabalho. Use isso para inspecionar a execução:

databricks air get <job-run-id>

databricks air get Mostra o status da execução, configuração e tempo. Também se conecta à execução do Job e, quando disponível, à execução do MLflow.

Para fazer streaming dos logs após o envio ou retomar uma transmissão interrompida dos logs, execute:

databricks air logs <job-run-id>

A CLI também fornece comandos para listar e inspecionar execuções, exibir logs em tempo real e cancelar execuções ativas. Veja a referência doair comando.

Reference

Recursos adicionais

  • Última atualização em