Pular para o conteúdo principal

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 formato code_source ou da lista de tipos de aceleradores que este início rápido usa.
  • 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.
dica

Para selecionar um workspace para o passo a passo sem repetir --profile, liste seus perfis e defina um default:

Bash
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:

Bash
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:

YAML
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:

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
└── src/
└── 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

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:

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 src/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: 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.version seleciona 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 de databricks air run -h config.environment.version.
  • root_path: ./src faz upload do diretório src no mesmo diretório que workload.yaml. Em runtime, $CODE_SOURCE_PATH aponta 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.

nota

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:

YAML
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:

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

Os Logs de transmissão incluem:

Text
...
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:

Bash
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:

Bash
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:

Bash
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:

Bash
databricks air list --all-status

Para cancelar uma execução ativa, execute:

Bash
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.

Recursos adicionais​