Maxaa dhacay
Bishii Agoosto 28, 2026 boostada injineernimada, Databricks waxay ku sifeeyeen AI Runtime APIs si ay uga dhigaan shaqooyinka tababbarka weyn ee PyTorch kuwo adkeysi u leh fashilinta GPU iyo dhuumaha wax soo gelinta tartiib tartiib ah. Shirkaddu waxay ku talinaysaa isbaaro-kooxeed la qaybiyay, kaydin aan isku mid ahayn, soo kabasho toos ah, kaydinta maxalliga ah iyo hor-gaynta, iyo hubinta dhuumaha xogta iyo gobolka-nambarka-soo-saareha oo ay weheliso miisaannada moodeelka.
Boostu waxay markaas ku talinaysaa PyTorch ee hawlgalka badbaadinta asynchronous. Naqshadayntan, tababarku waxa uu bixinayaa koobiga degdega ah ee kaydinta diyaarinta inta raritaanka uu sii socdo gadaasha. Databricks wuxuu leeyahay AI Runtime's UCVolumeWriter iyo UCVolumeReader waxay isticmaalaan dejinta NVMe maxalliga ah oo calaamadee barta kontoroolka oo dhammaystiran kaliya ka dib marka dhammaan xogta ay gaarto meeshii ay ku socotay. Sidaa darteed habkani waxa uu kala saarayaa barta uu tababarku ku sii socon karo marka dambe ee shaqada kaydinta, iyada oo weli lagu xidhayo dhamaystirka isbaarada meesha loo socdo ee aan ahayn koobiga maxaliga ah oo kaliya. Kala soocidaani waxay udub dhexaad u tahay sharraxaadda boostada ee tababbarka u dulqaadashada cilladaha iyo soo kabashada socodka shaqadeeda.
Isbarbardhigga shirkaddu sheegtay, qaabka luqadda DDP ee 2.8-bilyan-halbeegga ah ee 32 H100 GPUs waxay qaadatay 36 sekan oo leh async_save oo ka soo horjeeda 66 sekan oo leh torch.save, ama 1.8 jeer ka dhakhso badan. Qaabka 20-bilyan-beeg-beegyada ah ee 32 H100 GPUs, miisku wuxuu soo sheegaa 9 ilbiriqsi oo ka soo horjeeda 522 sekan, ama 58 jeer ka dhakhso badan. Tirooyinkani waxay qeexayaan isbarbardhigga wakhtiga-koontaroolka ee ay soo bandhigtay Databricks ee moodooyinka iyo qalabka la sheegay. Waxa loo soo bandhigay caddayn ahaan qiimaha kaydinta asynchronous, iyadoo ay ku xidhan yihiin qaabaynta iyo macnaha cabbirka ee lagu sharaxay boostada.
Boostu waxay sheegaysaa in isbarbardhigga uu ka saarayo torch.save wakhtiga kaydinta shabakada. Shahaadadaas ayaa qeexaysa waxa isbarbardhigga wakhtiga la soo sheegay uu qabanayo oo aanu daboolin. Taladu sidaa awgeed way ka balaadhan tahay hal xawre: isbaarada la qaybiyay, kaydinta asalka, soo kabashada tooska ah, habaynta deegaanka, kaydinta iyo horudhaca ayaa loo soo bandhigay qaybo la xidhiidha naqshadaynta adkeysiga. Si wada jir ah, tafaasiisha ayaa muujineysa sida Databricks ay isugu xirto makaanikada isbaarada iyo dhibaatada la taaban karo ee ku haynta shaqada weyn ee tababarka dhaqaaqa ka dib hakad ama bixinta gaabin, iyada oo aan la beddelin cabbirada laga soo sheegay isha.
Faahfaahinta isha: databricks.com ↗
Maxay muhiim u tahay
Tababarka AI ee waaweyni wuxuu lumin karaa wakhtiga dardargelinta marka shaqadu ku guuldareysato, sugto xogta, ama dib uga soo noqoto meel qaldan oo ku jirta xogta xogta. Databricks waxay soo bandhigaysaa qiyaaso gaar ah oo soo jeedinaya in qaabkeedu uu wanaajin karo wakhtiga isbaarada iyo sawirka-tababarka wax-soo-saarka, in kasta oo tirooyinka ay yihiin shirkad laga soo sheegay oo ay ku xidhan tahay qalabka la tijaabiyay, culayska shaqada iyo dariiqa kaydinta.
Databricks sidoo kale waxay tilmaamaysaa khatarta saxda ah ee laga yaabo inaysan soo saarin guuldarro cad. Haddii shaqadu ay badbaadiso moodeelka, hagaajinta iyo tallaabada tababarka laakiin aan ahayn booska xog-qaadiyaha, dib u bilaabashadu waxay ku celin kartaa tusaalayaal hore loo arkay oo waxay ka boodi kartaa tusaalayaal aan wali la hawlgelin. Boostu waxay sheegaysaa in dib u bilaabashada soo noqnoqda ay taasi badali karto qaybinta xogta wax ku oolka ah iyada oo aan la soo saarin qalad. Sidaa darteed walaacu waxa uu ku saabsan yahay hababka shaqada ee dib loo bilaabay, ma aha oo kaliya in shaqadu ay si guul ah dib u bilaabato. Isbaaradu waxay u muuqan kartaa mid la isticmaali karo iyadoo xiriirka ka dhexeeya gobolka tababarka la badbaadiyay iyo booska xogta uusan dhameystirneyn.
Daawooyinka ay soo jeedisay waxaa ka mid ah duubista muunada ama jeexjeexyada jeexjeexyada, isku darka booska xogta, ama isbaarada xudduudaha waagii. Daawooyinkani waxay wax ka qabtaan macluumaadka booska maqan ee lagu qeexay boostada iyagoo ka dhigaya dhuumaha xogta qayb ka mid ah gobolka dib loo soo celin karo. Doorashada iyaga ka mid ah waxay ku sii jirtaa hagidda fulinta Databricks waxay soo bandhigaysaa, shuruudda hoosena waa in shaqada dib loo bilaabay ay sii haysato xidhiidhka loogu talagalay ee ka dhexeeya horumarka tababarka iyo horumarka xogta. Tani waa sababta ay boostadu ula dhaqanto isbaarada xogta-tubbada sida qayb ka mid ah saxnaanta soo kabashada halkii ay ahaan lahayd tafaasiisha waxqabadka ikhtiyaariga ah.
Waxa kale oo ay leedahay isku-shaandhaynta iyo kordhinta abuurka iyo dawladaha-nambar-dhaliye waa in la keydiyaa si amarka xogta dib loo soo celiyay uu u ahaado mid la soo saari karo. Badbaadinta goboladaas waxay kordhisaa isbaarada oo dhaafsiisan miisaannada moodeelka, macluumaadka hagaajinta iyo tallaabada tababarka. Qaabaynta isha, dib-u-soo-saarku waxay kuxirantahay ilaalinta booska xog-qaadiyaha oo ay weheliso gobolka xukuma dalbashada iyo kordhinta. Macnaha la taaban karo ayaa ah in dib u soo kabashada lagu qiimeeyo sii socoshada iyo saxnaanta labadaba: shaqadu waa inay ku noqotaa xaalad la isticmaali karo, farsamaynta dib loo bilaabayna waa inay ka tarjumaysaa xaaladdii la rabay in la badbaadiyo.
Farsamaynta Is-dhexgalka: Sida Dhabta Ay U Shaqeyso
U baadh tignoolajiyada hoose ee ka dambeeya horumarkan si isdhexgal leh.
crm_get_transaction(id='4092').Which component of an AI application is the machine-learning model itself?
Maxaa la daawan doona xiga
Dabagalka muhiimka ah ayaa ah in natiijooyinkani ay hayaan meel ka baxsan isku xidhka Databricks ee la sheegay iyo haddii API-yadu ay si weyn u diyaarsan yihiin waafaqid cad, qiimeeyn iyo hagitaan hawleed. Isticmaalayaashu waa inay sidoo kale raadiyaan imtixaanada madax banaan ee saxnaanta soo kabashada, adkeysiga isbaarada, wax ka beddelka kooxda iyo habaynta xogta, ma aha oo kaliya socodsiinta bartilmaameedka degdega ah.
Databricks waxay leedahay diiwaankeeda DataLoader fetch_seconds gudaha MLflow, taasoo siinaysa hawl wadeenada hab ay ku aqoonsadaan dufcadaha ka tagaya GPU-yada sugaya. Qiyaastaasi waxay sahlaysa nidaamka in la baaro, laakiin keligeed ma dejiso wadarta qiimaha hoose ama tayada moodeelka oo wanaagsan. Waxay bixisaa u fiirsasho ku saabsan waqtiga la keenayo iyo sugidda GPU ee suurtogalka ah, halka natiijada weyn ay ku xiran tahay inta ka hartay waddada tababarka iyo kaydinta. Qiyaasta ayaa markaa faa'iido u leh sida calaamad hawlgelineed oo ku dhex jirta nidaamka la soo jeediyay, laakiin looma soo bandhigin cabbir dhamaystiran oo ah qiimaha nidaamka.
Isticmaalayaashu waxay u baahan doonaan xisaabinta dhamaadka-ilaa-dhamaadka oo ay kujirto awoodda NVMe ee deegaanka, kululaynta kaydinta, wareejinta shabakada, kharashyada kaydinta, soo noqnoqoshada shaqada ee fashilantay iyo kharashka xisaabinta ee xog kasta oo la nuqulo ama la beddelay. Tixgelintaas waxay ku xidhaa doodaha waxqabadka iyo arrinta saxda ah ee kor lagu sharraxay. Dhaqdhaqaaqa isbaarada ee dhaqsaha badan ama dib udhigista muuqda ee muuqda ma xalinayaan keligood, su'aalaha ku saabsan agabka, dhaqanka soo kabashada iyo maaraynta xogta. Xisaabinta la codsaday waa in ay daboosho socodka shaqo ee buuxa ee isha, oo ay ku jiraan kharashyada iyo saamaynta fadhiya meel ka baxsan waqtiyada bartilmaameedka shakhsi ahaaneed.
Isha ayaa bixisa qoraal hawleed xoog leh iyo hagitaan wax ku ool ah, iyada oo aan la garanayn isbarbardhiggaas ballaadhan. Dabagalka muhiimka ah ayaa haddaba ah in la baaro qaabaynta la sheegay, la heli karo iyo xaaladaha hawlgalka oo ay weheliso cabbirada la soo sheegay. Isticmaalayaasha waa in ay raadiyaan imtixaanada madax banaan ee saxnaanta soo kabashada, adkaysiga isbaarada, wax ka badalida kooxda iyo habaynta xogta, ma aha oo kaliya socodsiinta bartilmaameedka degdega ah. Jeegagaas ayaa kaa caawin doona in la ogaado in API-yada la sifeeyay ay bixiyaan dabeecad isku mid ah oo ka baxsan qaabeynta warbixinnada Databricks, iyadoo la ilaalinayo hubanti la'aanta lagu aqoonsaday isha.