Início rápido do runtime de IA

A Databricks recomenda começar com a CLI Databricks para executar a sua primeira workload do AI Runtime. A CLI Databricks permite-te submeter, monitorizar e gerir cargas de trabalho de GPU serverless a partir do teu terminal. Se preferir cadernos, veja o início rápido do AI Runtime Notebook.

Requirements

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

Executa a tua primeira carga de trabalho

  1. Instala ou atualiza a CLI do Databricks e autentica-a no teu espaço de trabalho. Consulte Instalar ou atualizar a CLI do Databricks e Autenticação para a CLI do Databricks.

    Sugestão

    Se trabalhar com vários perfis do Azure Databricks, adicione -p <profile> aos seus comandos para selecionar um. Alternativamente, define DATABRICKS_CONFIG_PROFILE=<profile> antes de os executar.

    Confirme que os air comandos estão disponíveis:

    databricks air --help

  2. Cria um ficheiro mínimo de carga de trabalho. 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 transmita os seus logs com databricks air run:

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

    A CLI devolve o ID da execução da tarefa e um link para a execução no seu espaço de trabalho. --watch mantém o terminal ligado e transmite os registos até o workload terminar.

    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

Sugestão

Para obter ajuda a escrever a configuração da carga de trabalho e a gerir execuções, instala a databricks-ai-runtime competência para o teu agente de IA. Consulte Utilizar competências do agente com o AI Runtime.

Executa o teu próprio código Python

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

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

Sugestão

Para começar a partir de um projeto executável, em vez de criar estes ficheiros manualmente, clone o AI Runtime cookbook repository e mude para o diretório de início do CLI:

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

Utilize o seguinte código Python mínimo para verificar se o AI Runtime executa o código carregado na GPU:

import torch

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

Para estender este exemplo, pode substituir main.py pelo seu próprio treino, inferência em lote ou outra aplicação de IA.

Utilize 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"

Esta configuração utiliza as seguintes definições e executa main.py numa única GPU H100:

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

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

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

Os registos transmitidos incluem:

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

Para executar treino completo, ajustes finos, 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 definições de carga de trabalho, consulte Referência Workload YAML.

Inspeciona e monitoriza a sua execução

A CLI imprime o ID de Execução de Trabalho quando submetes o workload. Use-o para inspecionar a execução:

databricks air get <job-run-id>

databricks air get Mostra o estado da execução, configuração e tempo. Também está ligado à execução do Job e, quando disponível, à execução do MLflow.

Para seguir os logs após o envio ou retomar uma transmissão interrompida, execute:

databricks air logs <job-run-id>

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

Reference

Recursos adicionais

  • Última atualização a