Guide de démarrage rapide de l'IA Runtime
Databricks recommande de commencer par Databricks CLI pour exécuter votre première charge de travail AI Runtime. Databricks CLI vous permet de soumettre, surveiller et gérer les workloads GPU serverless depuis votre terminal. Si vous préférez les notebooks, consultez le Guide de démarrage rapide de l’AI Runtime Notebook.
Conditions requises
- Un workspace Databricks avec AI Runtime activé. Voir les exigences.
- Databricks CLI version 1.24.0 ou ultérieure. Les versions antérieures ne possèdent pas les commandes
databricks air, le formatcode_sourceou la liste des types d’accélérateurs utilisés dans ce guide de démarrage rapide. - Git installé et disponible sur votre
PATHpour exécuter l'exemple Python. Le CLI utilise Git pour package le code local.
Exécutez votre première charge de travail
- Installez ou mettez à jour la CLI Databricks, et authentifiez-la auprès de votre workspace. Consultez Installer ou mettre à jour la CLI Databricks et Authentification pour la CLI Databricks.
Pour sélectionner un Workspace pour la visite guidée sans répéter --profile, listez vos profils et définissez une default :
databricks auth profiles
databricks auth switch --profile <profile>
databricks auth describe
Vérifiez que Host dans la sortie est le workspace où vous souhaitez exécuter la charge de travail. Pour une default de session Shell, utilisez export DATABRICKS_CONFIG_PROFILE=<profile> à la place. Cette variable d'environnement est prioritaire sur la default définie par auth switch.
Pour remplacer l'une ou l'autre default pour une commande, ajoutez --profile <other-profile>. Utilisez le même profil pour la soumission, le statut et les logs : les ID d'exécution de job appartiennent au workspace où vous avez soumis la charge de travail. Voir Profils de configuration pour le Databricks CLI.
Confirmez que la version de CLI est 1.24.0 ou supérieure et que les commandes air sont disponibles :
databricks --version
databricks air --help
Si databricks air --help renvoie unknown command "air" for "databricks", votre version de CLI est trop ancienne. Mettez à jour la CLI et essayez à nouveau.
2. Créer un fichier de charge de travail minimal. La requête workload.yaml suivante demande un GPU A10 et exécute nvidia-smi pour afficher le nom du GPU :
experiment_name: air-quickstart
compute:
num_accelerators: 1
accelerator_type: GPU_1xA10
command: nvidia-smi --query-gpu=name --format=csv,noheader
accelerator_type les valeurs ont la forme GPU_<GPUs per node>x<GPU model>, comme GPU_1xA10, GPU_1xH100 ou GPU_8xH100. Pour toutes les valeurs, consultez Types d’accélérateur. Pour lister les types d'accélérateur disponibles dans votre workspace, exécutez databricks air run -h config.compute.accelerator_type.
3. Envoyez la charge de travail et Stream ses Logs avec databricks air run:
databricks air run --file workload.yaml --watch
Le CLI renvoie l'ID d'exécution du Job et un Link vers l'exécution dans votre Workspace. --watch maintient le terminal attaché et Stream Logs jusqu’à ce que la charge de travail se termine.
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
Pour obtenir de l'aide sur la rédaction de votre configuration de charge de travail et la gestion des exécutions, installez la compétence databricks-ai-runtime pour votre agent IA. Voir Utiliser les compétences des agents avec Runtime IA.
Exécutez votre propre code Python
Pour upload et exécuter du code Python local, créez un répertoire air-quickstart avec les fichiers suivants :
air-quickstart/
├── workload.yaml
└── src/
└── main.py
Pour démarrer à partir d'un projet exécutable au lieu de créer ces fichiers manuellement, clonez le repository de livres de recettes AI Runtime et accédez au répertoire de prise en main de la CLI :
git clone https://github.com/databricks-solutions/ai-runtime-cookbook.git
cd ai-runtime-cookbook/getting-started/air-cli
Le projet cookbook conserve main.py dans le même répertoire que workload.yaml et utilise root_path: ., donc son layout diffère de celui présenté ici.
Utilisez le code Python minimal suivant pour vérifier que le Runtime AI exécute le code upload sur le GPU :
import torch
print("Hello from Python on AI Runtime")
print(f"GPU: {torch.cuda.get_device_name(0)}")
Pour étendre cet exemple, vous pouvez remplacer src/main.py par votre propre entraînement, inférence par batch ou autre application IA.
Utilisez la configuration suivante pour workload.yaml:
experiment_name: python-quickstart
environment:
version: databricks_ai_v6
compute:
num_accelerators: 1
accelerator_type: GPU_1xA10
code_source:
root_path: ./src
command: python "$CODE_SOURCE_PATH/main.py"
Cette configuration utilise les paramètres suivants et exécute src/main.py sur un GPU A10 :
environment.versionsélectionne Databricks AI environnement version 6, qui inclut PyTorch. Cette clé est optionnelle. Si vous l’omettez, la CLI utilise son default, un environnement standard qui n’inclut pas PyTorch. Pour voir la version default, exécutezdatabricks air run -h config.environment.version.root_path: ./srcupload le répertoiresrcdans le même répertoire queworkload.yaml. Au moment de l’exécution,$CODE_SOURCE_PATHpointe vers le répertoire upload.
Avec l’emplacement de sortie default, databricks air convert-to-dabs a besoin du code dans un sous-répertoire, comme dans ce layout, lorsque vous convertissez la charge de travail en bundle.
La CLI n’upload pas les fichiers ignorés par Git, y compris les fichiers ignorés par un repository englobant. Si la charge de travail ne peut pas trouver main.py, exécutez git check-ignore -v src pour vérifier si le répertoire src est ignoré. Voir code_source dans la référence YAML de la charge de travail.
Dans vos propres workloads, définissez environment.version pour pin les packages préinstallés dont dépend votre code. Pour les valeurs que cette clé accepte, voir environnement. Pour les packages de chaque environnement, voir Configurer votre environnement AI Runtime.
Pour apporter votre propre pile de dépendances, remplacez le bloc environment par l’environnement standard version 6 et les dépendances explicites :
environment:
version: 6
dependencies:
- torch==2.11.0
Les workloads CLI installent ces dépendances à chaque exécution. Cette option ajoute le temps de download des wheels PyTorch et CUDA.
Soumettez la charge de travail à partir du répertoire contenant workload.yaml:
databricks air run --file workload.yaml --watch
Les Stream Logs incluent :
...
Hello from Python on AI Runtime
GPU: NVIDIA A10G
Inspecter et gérer votre exécution
Chaque exécution a un ID d'exécution de job que databricks air run affiche lorsque vous soumettez la charge de travail.
Pour envoyer en arrière-plan, omettez --watch:
databricks air run --file workload.yaml
La commande retourne après la soumission alors que la charge de travail continue de s'exécuter. Utilisez l'ID Job Run retourné et le même profil de workspace pour les commandes suivantes.
Pour vérifier le statut d’exécution, la configuration et le timing, exécutez :
databricks air get <job-run-id>
La sortie comprend un link vers l’exécution du Job et, s’il est disponible, un link vers l’exécution de MLflow.
Pour afficher les logs d'exécution, exécutez :
databricks air logs <job-run-id>
databricks air logs imprime la sortie de workload existante et continue le streaming pendant que l’exécution est active.
Utilisez le Link d'exécution de Job pour inspecter le statut d'exécution, le compute, les tentatives et la sortie du Driver. Utilisez le Link d’exécution MLflow pour afficher les Log persistants ainsi que tous les parameters, métriques et artefacts enregistrés par la charge de travail.
Pour les charges de travail plus longues, utilisez le tab Métriques système MLflow pour inspecter l'utilisation et la mémoire du GPU collectées automatiquement. Pour enregistrer des métriques et des artefacts personnalisés ou comparer des exécutions, consultez Suivi de l'Experimentation et observabilité.
Pour lister les exécutions, y compris les exécutions terminées, exécutez :
databricks air list --all-status
Pour annuler une exécution active, exécutez :
databricks air cancel <job-run-id>
Si une exécution échoue, utilisez son statut, ses Logs et les Link Job ou MLflow disponibles pour identifier l’erreur exploitable. Corrigez la charge de travail ou la configuration, puis soumettez-la à nouveau.
Continuez à explorer la CLI Databricks
Ce démarrage rapide utilise une configuration de workload minimale. Consultez la référence YAML de Workload pour configurer les environnements, les sources de code, le compute, les secrets, les nouvelles tentatives et d’autres paramètres.
Si l'environnement standard ne répond pas à vos besoins en matière de dépendances, utilisez une image Docker personnalisée.
Pour explorer l'entraînement complet, l'affinement, l'inférence par batch, l'entraînement distribué et les charges de travail Ray, clonez le Livre de recettes AI Runtime et exécutez une recette.