メインコンテンツまでスキップ
に最終更新

AI ランタイム クイックスタート

Databricksは、最初のAIランタイムワークロードを実行するために、Databricks CLIから始めることを推奨しています。Databricks CLIを使用すると、ターミナルからServerless GPU ワークロードを送信、監視、管理できます。ノートブックを使用する場合は、「 AI ランタイム ノートブックのクイックスタート」を参照してください。

要件​

  • AI ランタイムが有効な Databricks ワークスペース。要件を参照してください。
  • Python の例を実行するために、 Git がインストールされていて PATHで利用可能です。CLI は Git を使用してローカルコードをパッケージ化します。

最初のワークロードをラン​

  1. Databricks CLIのインストールまたは更新、およびワークスペースに対する認証を実行します。Databricks CLI のインストールまたは更新およびDatabricks CLI の認証を参照してください。

    air コマンドが使用可能であることを確認します。

    Bash
    databricks air --help

  2. 最小限のワークロードファイルを作成します。次の workload.yaml は、1 つの A10 GPU を要求し、GPU 名を表示する nvidia-smi をランします。

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

  3. ワークロードを送信し、databricks air run で Logs をストリームします：

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

    CLIは、ジョブランIDとワークスペース内のランへのLinkを返します。--watch は、ワークロードが完了するまでターミナルを接続したままにし、ログをストリームします。

    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
ヒント

ワークロード構成の記述とランの管理に関するヘルプが必要な場合は、 AI エージェントに databricks-ai-runtime スキルをインストールしてください。「 AI ランタイムでエージェントスキルを使用する」を参照してください。

独自のPythonコードをランする​

ローカルのPythonコードをuploadしてランするには、以下のファイルでair-quickstartディレクトリを作成します：

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

これらのファイルを自分で作成するのではなく、実行可能なプロジェクトから起動するには、 AI ランタイム クックブック リポジトリをクローンし、 CLI の入門ディレクトリに移動します。

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

次の最小限の Python コードを使用して、AI ランタイムがuploadされたコードを GPU 上でランすることを確認します：

Python
import torch

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

この例を拡張するには、 main.py を独自のトレーニング、バッチ推論、またはその他の AI アプリケーションに置き換えることができます。

workload.yaml の以下の構成を使用します。

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"

この構成は次の設定を使用し、1つの H100 GPU で main.py をランします。

  • environment.version 標準環境バージョン 6を選択します。
  • environment.dependencies PyTorch 2.11.0を選択した環境にインストールします。
  • root_path: . workload.yamlを含むディレクトリをupload。ランタイム時、 $CODE_SOURCE_PATH はuploadされたディレクトリを指します。

workload.yamlを含むディレクトリからワークロードを送信します。

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

ストリームされるLogsには、次のものが含まれます。

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

完全なトレーニング、ファインチューニング、バッチ推論、およびRayワークロードをランするには、 AIランタイムクックブックをクローンし、レシピをランします。

環境、コードソース、コンピュート、その他のWorkload設定を構成する方法については、「 Workload YAML リファレンス」を参照してください。

ランの検査と監視​

ワークロードを送信すると、CLIはジョブ実行IDを表示します。それを使用してランを確認します：

Bash
databricks air get <job-run-id>

databricks air get ランステータス、構成、タイミングが表示されます。また、ジョブのランと、利用可能な場合はMLflowのランへのLinkも表示されます。

送信後にLogsをストリームするか、中断されたストリームを再開するには、次をランします。

Bash
databricks air logs <job-run-id>

また、CLI には、ランをリストおよび検査し、Logsをストリームし、アクティブなランをキャンセルするコマンドも用意されています。air コマンド リファレンスを参照してください。

参照​

その他のリソース​

このページの見出し