Guia de início rápido da CLI do Databricks para AI Runtime

Use a CLI do Databricks para enviar e monitorar cargas de trabalho de GPU no AI Runtime. Comece com uma verificação mínima da GPU, depois execute seu próprio código em Python e inspecione a execução.

Requirements

• Um espaço de trabalho do Azure Databricks com AI Runtime ativado. Veja Requisitos.
• Instale e autentique a versão mais recente da CLI do Databricks no seu workspace. Consulte Instalar ou atualizar a CLI do Databricks e Autenticação para a CLI do Databricks.
• Git instalado e disponível no seu PATH para rodar o exemplo em Python. A CLI usa Git para empacotar código local.

Confirme que os air comandos estão disponíveis na CLI do Databricks:

databricks air --help

Execute uma carga de trabalho mínima

Crie um workload.yaml arquivo que solicite uma GPU A10 e execute 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

Submeta a carga de trabalho e faça streaming dos logs com databricks air run:

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

A CLI retorna o ID de Execução de Trabalho e um link para a execução no seu workspace. --watch mantém o terminal conectado e transmite os logs até o término da carga de trabalho.

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

Execute seu próprio código Python

Para enviar e executar código Python local, crie um air-quickstart diretório com os seguintes arquivos:

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

Use o seguinte código Python mínimo para verificar se o AI Runtime executa o código enviado na GPU:

import torch

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

Para estender esse exemplo, você pode substituir main.py por seu próprio treinamento, inferência em lote ou outra aplicação de IA.

Use a seguinte configuração para workload.yaml:

experiment_name: python-quickstart
environment:
  version: databricks_ai_v6
compute:
  num_accelerators: 1
  accelerator_type: GPU_1xH100
code_source:
  type: snapshot
  snapshot:
    root_path: .
command: python "$CODE_SOURCE_PATH/main.py"

Essa configuração utiliza as seguintes configurações:

• environment.version seleciona o ambiente de IA Databricks embutido versão 6, que inclui o PyTorch.
• root_path: . faz upload do diretório que contém workload.yaml. Em tempo de execução, $CODE_SOURCE_PATH aponta para o diretório carregado.

AI Runtime roda main.py em uma única GPU H100.

Do diretório air-quickstart, envie o workload:

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

Os registros transmitidos incluem:

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

Para configurar ambientes, fontes de código, computação e outras configurações de carga de trabalho, veja referência Workload YAML.

Inspecionar uma execução

Use o ID da execução do job da saída de submissão para inspecionar a execução:

databricks air get <job-run-id>

databricks air get Mostra o status da execução, configuração e tempo. Também se conecta à execução do Job e, quando disponível, à execução do MLflow.

Para acompanhar os logs em streaming após o envio ou retomar uma sessão de streaming interrompida, execute:

databricks air logs <job-run-id>

A CLI fornece comandos adicionais para listar, inspecionar, cancelar e recuperar logs das cargas de trabalho. Veja a referência doair comando.

Reference

• Referência YAML de Workload: Encontre campos de configuração de carga de trabalho e exemplos.
• air Referência de comando: Encontre comandos e flags para enviar e gerenciar cargas de trabalho.

Recursos adicionais

• Use a CLI do Databricks com o tempo de execução de IA
• Configurar seu ambiente
• Ray no AI Runtime