Exemples d’AI Runtime

info

Aperçu

Cette fonctionnalité est en aperçu public.

AI Runtime fournit un compute GPU Serverless pour l’inférence, l’entraînement et l’affinement de modèles d’IA et de deep learning. Les pages ci-dessous regroupent les tutoriels Notebook et les recettes de Databricks CLI par tâche : ML classique, systèmes de recommandation, vision informatique, post-entraînement de LLM open source, inférence par batch, et entraînement distribué multi-GPU.

Des exemples de Notebook sont inclus dans la documentation. Les liens vers le CLI Databricks renvoient vers le livre de recettes AI Runtime sur GitHub, où vous pouvez cloner le repository et exécuter ses configurations de charges de travail et son code source.

• • Machine Learning classique
  • Exemples de tâches traditionnelles de machine learning, incluant l’entraînement de XGBoost, la prédiction tabulaire zero-shot et la prévision de séries temporelles.
• • Systèmes de recommandation
  • Exemples de création de systèmes de recommandation utilisant des approches de deep learning modernes comme les modèles à deux tours.
• • Vision par ordinateur
  • Exemples de tâches de vision par ordinateur incluant la détection d'objets et la classification d'images.
• • Post-entraînement des modèles OSS (LLM)
  • Exemples d'affinement et de post-entraînement de grands modèles de langage open source, y compris les méthodes efficaces en parameter.
• • Inférence par batch
  • Exemples d'inférence par batch à grande échelle avec Ray Data et vLLM sur plusieurs GPU.
• • Formation distribuée multi-GPU
  • Exemples de mise à l'échelle de l'entraînement sur plusieurs GPU et nœuds à l'aide de l'API Serverless GPU.