Hinweis
Für den Zugriff auf diese Seite ist eine Autorisierung erforderlich. Sie können versuchen, sich anzumelden oder das Verzeichnis zu wechseln.
Für den Zugriff auf diese Seite ist eine Autorisierung erforderlich. Sie können versuchen, das Verzeichnis zu wechseln.
Von Bedeutung
Dieses Feature befindet sich in der Public Preview.
AI Runtime bietet serverlose GPU-Rechenleistung für Inferenz, Training und Feinabstimmung von KI- und Deep-Learning-Modellen. Die folgenden Seiten gruppieren Notebook-Tutorials und Databricks CLI-Rezepte nach Aufgaben: klassisches ML, Empfehlungssysteme, Computer Vision, Open-Source-LLMs nach dem Training, Batch-Inferenz und Multi-GPU-verteiltes Training.
Notebook-Beispiele sind in der Dokumentation enthalten. Beispiele für die Databricks-CLI verlinken auf das AI Runtime Cookbook auf GitHub, wo man das Repository klonen und seine Workload-Konfigurationen ausführen sowie den Quellcode verwenden kann.
| Aufgabe | Beschreibung |
|---|---|
| Klassisches maschinelles Lernen | Beispiele für traditionelle maschinelle Lernaufgaben wie XGBoost-Training, Zero-Shot-Tabellenprognose und Zeitreihenprognose. |
| Empfehlungssysteme | Beispiele für die Erstellung von Empfehlungssystemen mit modernen Deep Learning-Ansätzen wie Zweiturmmodellen. |
| Computervision | Beispiele für Computervisionsaufgaben, einschließlich Objekterkennung und Bildklassifizierung. |
| OSS-Modelle (LLMs) nach dem Training | Beispiele für Feinabstimmung und Nachtraining von Open-Source-Modellen großer Sprachen, einschließlich parametereffizienter Methoden. |
| Batch-Ableitung | Beispiele für groß angelegte Batch-Inferenz mit Ray Data und vLLM über mehrere GPUs hinweg. |
| Verteilte Multi-GPU-Schulung | Beispiele für die Skalierung von Schulungen über mehrere GPUs und Knoten mithilfe der Serverless GPU-API. |