Aller au contenu principal
Dernière mise à jour le

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.
  • Git installé et disponible sur votre PATH pour exécuter l'exemple Python. Le CLI utilise Git pour package le code local.

Exécutez votre première charge de travail​

  1. 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.

    Confirmer que les commandes air sont disponibles :

    Bash
    databricks air --help

  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 :

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

  3. Envoyez la charge de travail et Stream ses Logs avec databricks air run:

    Bash
    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.

    Text
    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
astuce

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
└── main.py
astuce

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 :

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

Utilisez le code Python minimal suivant pour vérifier que le Runtime AI exécute le code upload sur le GPU :

Python
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 main.py par votre propre entraînement, inférence par batch ou autre application IA.

Utilisez la configuration suivante pour workload.yaml:

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"

Cette configuration utilise les paramètres suivants et exécute main.py sur un GPU H100 :

  • environment.version sélectionne la version 6 de l'environnement standard.
  • environment.dependencies installe PyTorch 2.11.0 dans l'environnement sélectionné.
  • root_path: . upload le répertoire contenant workload.yaml. Lors de l’exécution, $CODE_SOURCE_PATH pointe vers le répertoire upload.

Soumettez la charge de travail à partir du répertoire contenant workload.yaml:

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

Les Stream Logs incluent :

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

Pour effectuer un entraînement complet, un affinement, une inférence par batch et des workloads Ray, clonez le livre de recettes de Runtime de l'IA et exécutez une recette.

Pour configurer les environnements, les sources de code, le compute et d'autres paramètres de Workload, consultez la référence YAML de Workload.

Inspectez et surveillez votre exécution​

La CLI affiche l'ID de l'exécution du job lorsque vous envoyez la charge de travail. Utilisez-le pour inspecter l’exécution :

Bash
databricks air get <job-run-id>

databricks air get indique l’état d’exécution, la configuration et le timing. Il contient également des Link vers l’exécution du Job et, lorsque disponible, l’exécution MLflow.

Pour Stream des Logs après la soumission ou reprendre un Stream interrompu, exécutez :

Bash
databricks air logs <job-run-id>

La CLI fournit également des commandes pour répertorier et inspecter les exécutions, Stream les Logs et annuler les exécutions actives. Voir la référence de la commande air.

Référence​

Ressources supplémentaires​

Sur cette page