Pular para o conteúdo principal
Última atualização em

Início rápido do AI Runtime

A Databricks recomenda começar com a CLI do Databricks para execução sua primeira carga de trabalho do AI Runtime. A CLI do Databricks permite que você envie, monitore e gerencie cargas de trabalho de GPU serverless pelo seu terminal. Se você preferir notebooks, consulte Início rápido do Notebook do AI Runtime.

Requisitos​

  • Um workspace do Databricks com o AI Runtime habilitado. Consulte Requisitos.
  • Git instalado e disponível em seu PATH para a execução do exemplo Python. A CLI usa Git para criar um pacote com o código local.

Execução sua primeira carga de trabalho​

  1. Instale ou atualize a CLI do Databricks e autentique-a no seu workspace. Consulte Instalar ou atualizar a CLI do Databricks e Autenticação para a CLI do Databricks.

    Confirme se os comandos air estão disponíveis:

    Bash
    databricks air --help

  2. Criar um arquivo de carga de trabalho mínima. O workload.yaml a seguir solicita uma GPU A10 e executa a execução nvidia-smi para imprimir o nome da GPU:

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

  3. Envie a carga de trabalho e faça a transmissão de seus Logs com databricks air run:

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

    A CLI retorna o ID da execução do job e um link para a execução em seu workspace. --watch mantém o terminal conectado e transmissão Logs até que a carga de trabalho 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
dica

Para obter ajuda na criação da configuração da sua carga de trabalho e no gerenciamento de execuções, instale a habilidade databricks-ai-runtime para seu agente de AI. Consulte Usar habilidades de agente com AI Runtime.

Execute seu próprio código Python​

Para fazer upload e execução do código Python local, crie um diretório air-quickstart com os seguintes arquivos:

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

Para começar com um projeto executável em vez de criar esses arquivos manualmente, clone o repository do cookbook do AI Runtime e altere para o diretório de início rápido da CLI:

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

Use o código Python mínimo a seguir para verificar se o AI Runtime faz a execução do código de upload na GPU:

Python
import torch

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

Para expandir este exemplo, você pode substituir main.py pelo seu próprio treinamento, inferência em lotes ou outro aplicativo de AI.

Use a seguinte configuração para 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"

Essa configuração usa as seguintes definições e execução main.py em uma GPU H100:

  • environment.version seleciona Ambiente padrão versão 6.
  • environment.dependencies instala o PyTorch 2.11.0 no ambiente selecionado.
  • root_path: . faz upload do diretório que contém workload.yaml. No tempo de execução, $CODE_SOURCE_PATH aponta para o diretório upload.

Envie a carga de trabalho do diretório que contém workload.yaml:

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

Os Logs de transmissão incluem:

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

Para a execução de treinamento completo, ajuste fino, inferência em lote e cargas de trabalho de Ray, clone o AI Runtime Cookbook e faça a execução de uma receita.

Para configurar ambientes, fontes de código, compute e outras configurações de workload, consulte Workload YAML reference.

Inspecione e monitore sua execução​

A CLI imprime o ID da execução do Job quando você envia o workload. Use-o para inspecionar a execução:

Bash
databricks air get <job-run-id>

databricks air get mostra o status da execução, configuração e tempo. Ele também fornece links para a execução do Job e, quando disponível, para a execução do MLflow.

Para transmissão logs após o envio ou retomar uma transmissão interrompida, execução:

Bash
databricks air logs <job-run-id>

A CLI também fornece comandos para listar e inspecionar execuções, transmissão Logs e cancelar execuções ativas. Consulte a referência de comando air.

Referência​

Recursos adicionais​

Nesta página