Databricks rende disponibile AI Runtime per addestrare modelli open

Databricks porta in disponibilità generale AI Runtime: GPU serverless nel Lakehouse per addestrare modelli sui dati aziendali, senza spostarli.²

Il problema era operativo. I team perdevano tempo a cercare capacità GPU, gestire guasti, aspettare l’avvio degli esperimenti. Tenere le GPU fuori dal Lakehouse apriva falle di governance e aumentava il rischio sui dati sensibili. AI Runtime unisce infrastruttura GPU, strumenti per sviluppatori e controlli sui dati nello stesso ambiente. Si avviano esperimenti in meno passaggi e si scala senza costruire e mantenere cluster dedicati.²

Gli sviluppatori usano software NVIDIA con framework open source, modelli open e container. Non toccano l’infrastruttura sottostante. Le GPU, serverless e accessibili dall’interno di Databricks, spostano il lavoro sul ciclo sperimentale: provare, valutare, iterare. Non sul provisioning dell’hardware.¹

Per scegliere i modelli si parte da Unity Gateway. Offre un accesso governato a modelli frontier e open source direttamente dalla piattaforma. Si seleziona il punto di partenza e si continua nello stesso ambiente, senza passaggi esterni.¹

AI Runtime copre l’intero ciclo di sviluppo: sperimentazione, fine-tuning di modelli più piccoli, training distribuito su larga scala. Le attività avvengono dove risiedono i dati. Si riducono gli spostamenti e si evitano ambienti separati, con cicli di iterazione più rapidi.^1,2

Il vantaggio per i responsabili IT è concreto. Tenere GPU e dati nello stesso luogo riduce i colli di bottiglia che nascono quando l’infrastruttura è separata dal Lakehouse. Cresce la domanda di un’infrastruttura affidabile, veloce e governata, perché gli agenti di coding avviano più esperimenti di training. In questo contesto, chiudere i gap di governance e ridurre il rischio sui dati sensibili diventa centrale.²

La piattaforma punta a rendere lineare il passaggio dall’idea alla produzione. I team lavorano sugli stessi dati, negli stessi notebook e con gli stessi controlli. Possono provare approcci, confrontare run, applicare valutazioni e ripetere. Quando serve capacità, le GPU si accendono in modo gestito. Quando il lavoro finisce, si spengono.¹

Databricks segnala un’adozione già ampia. Centinaia di aziende usano AI Runtime per addestrare e portare in produzione modelli di deep learning, tra cui Robinhood, PicPay, Merck, Flo Health, TinyFish e FactSet. La lista indica casi d’uso eterogenei, dalla finanza alla salute. Il segnale è pratico: il training resta vicino ai dati e si governa dalla piattaforma esistente.²