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.
- Databricks CLI versão 1.24.0 ou acima. As versões anteriores carecem dos comandos
databricks air, do formatocode_sourceou da lista de tipos de aceleradores que este início rápido usa. - Git instalado e disponível em seu
PATHpara a execução do exemplo Python. A CLI usa Git para criar um pacote com o código local.
Execução sua primeira carga de trabalho
- 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.
Para selecionar um workspace para o passo a passo sem repetir --profile, liste seus perfis e defina um default:
databricks auth profiles
databricks auth switch --profile <profile>
databricks auth describe
Verifique se Host na saída é o Workspace onde você deseja a execução da carga de trabalho. Para um default de shell-session, use export DATABRICKS_CONFIG_PROFILE=<profile> em vez disso. Esta variável de ambiente tem precedência sobre o default definido por auth switch.
Para substituir qualquer um dos default por um comando, anexe --profile <other-profile>. Use o mesmo perfil para envio, status e logs: os IDs de execução de job pertencem ao workspace onde você enviou a carga de trabalho. Consulte Perfis de configuração da CLI do Databricks.
Confirme se a versão da CLI é 1.24.0 ou acima e se os comandos air estão disponíveis:
databricks --version
databricks air --help
Se databricks air --help retornar unknown command "air" for "databricks", sua versão da CLI é muito antiga. Atualize a CLI e tente novamente.
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:
experiment_name: air-quickstart
compute:
num_accelerators: 1
accelerator_type: GPU_1xA10
command: nvidia-smi --query-gpu=name --format=csv,noheader
accelerator_type os valores têm a forma GPU_<GPUs per node>x<GPU model>, como GPU_1xA10, GPU_1xH100 ou GPU_8xH100. Para todos os valores, consulte Tipos de acelerador. Para listar os tipos de acelerador disponíveis em seu Workspace, execução databricks air run -h config.compute.accelerator_type.
3. Envie a carga de trabalho e faça a transmissão de seus Logs com databricks air run:
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.
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
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
└── src/
└── main.py
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:
git clone https://github.com/databricks-solutions/ai-runtime-cookbook.git
cd ai-runtime-cookbook/getting-started/air-cli
O projeto cookbook mantém main.py no mesmo diretório que workload.yaml e usa root_path: ., por isso sua disposição difere da mostrada aqui.
Use o código Python mínimo a seguir para verificar se o AI Runtime faz a execução do código de upload na GPU:
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 src/main.py pelo seu próprio treinamento, inferência em lotes ou outro aplicativo de AI.
Use a seguinte configuração para 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 "$CODE_SOURCE_PATH/main.py"
Essa configuração usa as seguintes configurações e faz a execução de src/main.py em uma GPU A10:
environment.versionseleciona a Databricks AI environment version 6, que inclui o PyTorch. Esta key é opcional. Se você a omitir, a CLI usa o seu default, um Standard environment que não inclui o PyTorch. Para ver a versão default, faça a execução dedatabricks air run -h config.environment.version.root_path: ./srcfaz upload do diretóriosrcno mesmo diretório queworkload.yaml. Em runtime,$CODE_SOURCE_PATHaponta para o diretório enviado por upload.
Com o local de saída default, databricks air convert-to-dabs precisa que o código esteja em um subdiretório, como nesta disposição, quando você converte a carga de trabalho em um bundle.
A CLI não faz upload dos arquivos ignorados pelo Git, incluindo os arquivos ignorados por um repository que o contém. Se a carga de trabalho não encontrar main.py, faça a execução de git check-ignore -v src para verificar se o diretório src é ignorado. Consulte code_source na referência YAML da carga de trabalho.
Nas suas próprias cargas de trabalho, defina environment.version para pin os pacotes pré-instalados dos quais o seu código depende. Para os valores que essa key aceita, consulte ambiente. Para os pacotes em cada ambiente, consulte Configurar o seu ambiente AI Runtime.
Para trazer seu próprio stack de dependências, substitua o bloco environment pela versão 6 do ambiente Standard e dependências explícitas:
environment:
version: 6
dependencies:
- torch==2.11.0
As cargas de trabalho da CLI instalam essas dependências em cada execução. Essa opção adiciona o tempo de download do wheel do PyTorch e do CUDA.
Envie a carga de trabalho do diretório que contém workload.yaml:
databricks air run --file workload.yaml --watch
Os Logs de transmissão incluem:
...
Hello from Python on AI Runtime
GPU: NVIDIA A10G
Inspecione e gerencie sua execução
Cada execução tem um ID de execução do Job, que databricks air run imprime quando você envia o workload.
Para enviar em segundo plano, omita --watch:
databricks air run --file workload.yaml
O comando retorna após o envio enquanto a carga de trabalho continua em execução. Use o ID de execução do job retornado e o mesmo perfil de workspace para os comandos a seguir.
Para verificar o status da execução, a configuração e o tempo de execução, execute:
databricks air get <job-run-id>
O output inclui um link para a execução do Job e, se disponível, um link para a execução do MLflow.
Para view os Logs de execução, execução:
databricks air logs <job-run-id>
databricks air logs imprime a saída da carga de trabalho existente e continua a transmissão enquanto a execução está ativa.
Use o link de execução do Job para inspecionar o status da execução, compute, tentativas e a saída do driver. Use o Link de execução do MLflow para view logs persistentes e quaisquer parâmetros, métricas e artefatos registrados pela carga de trabalho.
Para workloads de execução mais longa, use a tab System métricas do MLflow para inspecionar a utilização de GPU e a memória coletadas automaticamente. Para registrar métricas e artefatos personalizados ou comparar execuções, consulte Experiment tracking and observability(Acompanhamento e observabilidade de experimentos).
Para listar as execuções, incluindo execuções concluídas, faça uma execução:
databricks air list --all-status
Para cancelar uma execução ativa, execute:
databricks air cancel <job-run-id>
Se uma execução falhar, use seu status, logs e links de Job ou MLflow disponíveis para identificar o erro acionável. Corrija o workload ou a configuração e envie-o novamente.
Continue explorando a CLI do Databricks
Este guia de início rápido usa uma configuração de workload mínima. Consulte Workload YAML reference (Referência de YAML de workload) para configurar ambientes, fontes de código, compute, segredos, tentativas e outras configurações.
Se o ambiente padrão não atender aos seus requisitos de dependência, use uma Docker Image personalizada.
Para explorar o treinamento completo, fine-tuning, inferência em lotes, treinamento distribuído e cargas de trabalho Ray, clone o Cookbook do AI Runtime e faça a execução de uma receita.