Guia de introdução rápida da Databricks CLI para o AI Runtime

Usa a CLI do Databricks para submeter e monitorizar cargas de trabalho da GPU no AI Runtime. Começa com uma verificação mínima da GPU, depois executa o teu próprio código Python e inspeciona a execução.

Requirements

• Um espaço de trabalho Azure Databricks com AI Runtime ativado. Ver Requisitos.
• A versão mais recente da CLI do Databricks, instalada e autenticada no seu espaço de trabalho. Consulte Instalar ou atualizar a CLI do Databricks e Autenticação para a CLI do Databricks.
• Git está instalado e disponível no seu PATH para executar o exemplo em Python. A CLI usa Git para empacotar código local.

Confirme que os comandos air estão disponíveis na CLI Databricks:

databricks air --help

Execute uma carga de trabalho mínima

Crie um workload.yaml ficheiro que peça 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 transmita os seus logs com databricks air run:

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

A CLI devolve o ID da execução da tarefa e um link para a execução no seu espaço de trabalho. --watch mantém o terminal ligado e transmite os logs até o workload terminar.

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

Executa o teu próprio código Python

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

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

Utilize o seguinte código Python mínimo para verificar se o AI Runtime executa o código carregado na GPU:

import torch

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

Para estender este exemplo, pode substituir main.py pelo seu próprio treino, inferência em lote ou outra aplicação de IA.

Utilize 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"

Esta configuração utiliza as seguintes definições:

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

AI Runtime é executado main.py numa GPU H100.

No diretório air-quickstart, submeta a workload:

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

Os registos transmitidos incluem:

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

Para configurar ambientes, fontes de código, computação e outras definições de carga de trabalho, consulte Referência Workload YAML.

Inspecionar uma execução

Utilize o ID da execução da tarefa da saída de submissão para inspecionar a execução:

databricks air get <job-run-id>

databricks air get Mostra o estado da execução, configuração e tempo. Também está ligado à execução do Job e, quando disponível, à execução do MLflow.

Para transmitir logs em fluxo após o envio ou retomar uma transmissão interrompida, execute:

databricks air logs <job-run-id>

A interface de linha de comandos fornece comandos adicionais para listar, inspecionar, cancelar e recuperar registos dos workloads. Veja a referência doair comando.

Reference

• Referência de YAML de workload: Encontre campos de configuração de workload e exemplos.
• air Referência de comando: Encontre comandos e flags para submeter e gerir cargas de trabalho.

Recursos adicionais

• Usar a CLI Databricks com AI Runtime
• Configura o teu ambiente
• Ray no runtime de IA