AI Runtime 向け Databricks CLI クイックスタート

Databricks CLI for AI Runtime は、端末からサーバーレスGPUワークロードの提出、監視、管理を可能にします。 このクイックスタートでは、AIランタイムワークロードの設定と実行方法、ログをストリーミングする方法、実行の検査方法を示します。

必要条件

• AI Runtime が有効な Azure Databricks ワークスペース 要件を参照してください。
• インストールされ、ワークスペースで認証済みの最新の Databricks CLI。 Databricks CLI のインストールまたは更新 とDatabricks CLI の認証を参照してください。
• Python の例を実行するための、PATH にインストールされ、利用可能な Git。 CLIはGitを使ってローカルコードをパッケージ化します。

airコマンドがDatabricks CLIで利用可能であることを確認しましょう:

databricks air --help

最小限のワークロードを実行する

workload.yamlファイルを作成し、1つのA10 GPUを要求し、GPU名を出力するためにnvidia-smiを実行します。

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

ワークロードを送信し、そのログを databricks air runでストリーミングします:

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

CLIはジョブ実行IDとワークスペース内の実行リンクを返します。 --watch 端末を接続したまま、ワークロードが終わるまでログをストリーミングします。

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

自分のPythonコードを実行してください

ローカルPythonコードをアップロード・実行するには、以下のファイルを含むair-quickstartディレクトリを作成してください。

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

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

AIランタイムがアップロードしたコードをGPU上で実行していることを検証するために、以下の最小限のPythonコードを使用します。

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、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には以下の設定を使用してください:

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"

この構成は以下の設定を使用し、1台のH100 GPUで main.py を実行します:

• environment.version 標準環境バージョン6を選択します。
• environment.dependencies 選択した環境にPyTorch 2.11.0をインストールします。
• root_path: .はworkload.yamlを含むディレクトリをアップロードします。 実行時には、$CODE_SOURCE_PATH はアップロードされたディレクトリを指します。

workload.yaml を含むディレクトリからワークロードを送信:

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

ストリーミングログには以下が含まれます:

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

完全なトレーニング、ファインチューニング、バッチ推論、Rayワークロードを実行するには、 AI Runtime Cookbook をクローンしてレシピを実行してください。

環境、コードソース、計算、その他のワークロード設定の設定については、 Workload YAMLリファレンスを参照してください。

実行を検査する

ワークロードを送信すると、CLI はジョブ実行 ID を表示します。 これを使用して実行を点検します:

databricks air get <job-run-id>

databricks air get 実行状況、構成、タイミングを表示します。 また、ジョブ実行や利用可能な場合はMLflow実行にもリンクします。

送信後のログ配信や中断されたストリームを再開するには、以下を実行します:

databricks air logs <job-run-id>

CLIはまた、実行の一覧表示と実行の詳細の確認、ログのストリーミング表示、アクティブな実行のキャンセルなどのコマンドも提供しています。 airコマンド リファレンスを参照してください。

Reference

• ワークロードYAML参照:ワークロードの設定フィールドと例を見つけることができます。
• air コマンド参照:ワークロードの提出および管理のためのコマンドやフラグを見つけます。

その他のリソース

• AI RuntimeでDatabricks CLIを使用する
• 環境を設定する
• AI Runtime 上の Ray
• AIランタイムクックブック