メインコンテンツまでスキップ

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。
  • Databricks CLI バージョン 1.24.0 以降。以前のバージョンには、このクイックスタートで使用する databricks air コマンド、 code_source 形式、またはアクセラレータ型リストがありません。
  • 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。
ヒント

--profileを繰り返さずにウォークスルー用のワークスペースを選択するには、プロファイルを一覧表示し、defaultを設定します:

Bash
databricks auth profiles
databricks auth switch --profile <profile>
databricks auth describe

出力の Host がワークロードを実行するワークスペースであることを確認してください。シェルセッションのdefaultの場合は、代わりに export DATABRICKS_CONFIG_PROFILE=<profile> を使用してください。この環境変数は、 auth switch によって設定されたdefaultよりも優先されます。

コマンドごとにどちらかのdefaultをオーバーライドするには、 --profile <other-profile> を追加します。送信、ステータス、Logsに同じプロファイルを使用してください。ジョブ ラン ID は、ワークロードを送信したワークスペースに属しています。Databricks CLI の構成プロファイルを参照してください。

CLIバージョンが1.24.0以上であること、およびairコマンドが利用可能であることを確認します。

Bash
databricks --version
databricks air --help

databricks air --help が unknown command "air" for "databricks" を返す場合は、CLIのバージョンが古すぎます。CLIを更新して、もう一度やり直してください。 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

accelerator_type 値は GPU_<GPUs per node>x<GPU model> の形式をとります(例: GPU_1xA10、GPU_1xH100、GPU_8xH100)。すべての値については、「アクセラレータの種類」を参照してください。ワークスペースで使用可能なアクセラレータの種類を一覧表示するには、databricks air run -h config.compute.accelerator_type を実行します。 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
└── src/
└── 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

cookbook プロジェクトは、main.pyをworkload.yamlと同じディレクトリに保持し、root_path: .を使用するため、そのLayoutはここに示されているものとは異なります。

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、 src/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: databricks_ai_v6
compute:
num_accelerators: 1
accelerator_type: GPU_1xA10
code_source:
root_path: ./src
command: python "$CODE_SOURCE_PATH/main.py"

この構成は次の設定を使用し、1つの A10 GPU で src/main.py をランします。

  • environment.version PyTorchを含む Databricks AI 環境バージョン 6 を選択します。このキーはオプションです。省略した場合、CLIは PyTorch を含まない 標準環境 という default を使用します。defaultバージョンを表示するには、databricks air run -h config.environment.version をランします。
  • root_path: ./src srcディレクトリをworkload.yamlと同じディレクトリにuploadします。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。

defaultの出力場所では、databricks air convert-to-dabsは、ワークロードをバンドルに変換する際にこのLayoutにあるように、サブディレクトリ内にコードが必要です。

注記

CLIは、Gitが無視するファイル(囲んでいるリポジトリによって無視されるファイルを含む)をuploadしません。ワークロードがmain.pyを見つけられない場合は、git check-ignore -v srcをランしてsrcディレクトリが無視されているかどうかを確認してください。ワークロードYAMLリファレンスのcode_sourceを参照してください。

独自のワークロードで、コードが依存するプリインストール済みパッケージをピン留めするためにenvironment.versionを設定します。このキーが受け入れる値については、環境を参照してください。各環境のパッケージについては、AIランタイム環境の設定を参照してください。

独自の依存関係スタックを使用するには、environment ブロックを 標準環境バージョン 6 と明示的な依存関係に置き換えます。

YAML
environment:
version: 6
dependencies:
- torch==2.11.0

CLI ワークロードは、ランごとにこれらの依存関係をインストールします。このオプションは、PyTorch および CUDA ホイールの download 時間を追加します。

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 A10G

ランの検査と管理​

各ランにはジョブ実行IDがあり、ワークロードを送信するとdatabricks air runが出力されます。

バックグラウンドで送信するには --watch を省略します:

Bash
databricks air run --file workload.yaml

コマンドは送信後に戻りますが、ワークロードは実行し続けます。返されたジョブ ラン ID と同じワークスペース プロファイルを次のコマンドに使用します。

ランのステータス、構成、およびタイミングを確認するには、次を実行します:

Bash
databricks air get <job-run-id>

出力には、ジョブランへのLinkが含まれており、利用可能な場合はMLflowランへのLinkが含まれています。

ランのLogsを表示するには、次をランします:

Bash
databricks air logs <job-run-id>

databricks air logs 既存の Workload の出力を表示し、ランがアクティブな間ストリーミングを継続します。

ジョブランのLinkを使用して、実行ステータス、コンピュート、試行、ドライバーの出力を検査します。MLflow ランの Link を使用して、永続的な Log と、ワークロードによって記録されたパラメーター、メトリクス、アーティファクトを表示します。

長時間実行されるワークロードの場合は、MLflowの システムメトリクス tab を使用して、自動的に収集されたGPU使用率とメモリを調査します。カスタムメトリクスとアーティファクトを記録したり、ランを比較したりするには、エクスペリメントの追跡と観測可能性をご覧ください。

完了したランを含むランをリストするには、次を実行します。

Bash
databricks air list --all-status

アクティブなランをキャンセルするには、次のコマンドを実行します。

Bash
databricks air cancel <job-run-id>

ランが失敗した場合は、そのステータス、Logs、および利用可能なジョブまたは MLflow Link を使用して、アクション可能なエラーを特定します。ワークロードまたは設定を修正して、再度送信してください。

Databricks CLIの探索を継続する​

このクイックスタートでは、最小限の Workload 設定を使用します。環境、コードソース、コンピュート、シークレット、リトライ、その他の設定を構成するには、Workload YAML リファレンスを参照してください。

標準環境が依存関係の要件を満たしていない場合は、カスタム Dockerイメージを使用してください。

完全なトレーニング、ファインチューニング、バッチ推論、分散トレーニング、およびRayワークロードを探索するには、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。

その他のリソース​