Cloud Computing

يشير الحوسبة السحابية إلى توفير موارد تكنولوجيا المعلومات عند الطلب عبر الإنترنت، مثل الخوادم، والتخزين، وقواعد البيانات، والشبكات، والبرمجيات. بدلاً من قيام المؤسسات بشراء، وامتلاك، وصيانة مراكز بيانات مادية، يمكنها الوصول إلى الخدمات التكنولوجية حسب الحاجة من مزود سحابي. بالنسبة لممارسي الذكاء الاصطناعي (AI) والتعلم الآلي (ML)، يُعد هذا النموذج تحولياً. فهو يوفر قابلية التوسع المرنة اللازمة للتعامل مع مجموعات البيانات الضخمة والعمليات الحسابية المعقدة دون تكلفة الأجهزة الباهظة المقدمة.

أهمية السحابة في تطوير الذكاء الاصطناعي#

أدت العلاقة التكافلية بين البنية التحتية السحابية والذكاء الاصطناعي الحديث إلى تسريع الابتكار التكنولوجي. يتطلب تدريب نماذج التعلم العميق (DL) المتطورة قوة معالجة هائلة. توفر منصات السحابة وصولاً فورياً إلى مجموعات عالية الأداء من وحدات معالجة الرسومات (GPUs) ووحدات معالجة الموثوقية (TPUs)، مما يتيح للباحثين إجراء التدريب الموزع على كميات هائلة من بيانات التدريب.

إلى جانب القوة البحتة، تعمل خدمات السحابة على تبسيط عمليات التعلم الآلي (MLOps). من استيعاب البيانات وتسمية البيانات إلى نشر النموذج ومراقبته، توفر السحابة نظاماً بيئياً موحداً. يتيح ذلك للفرق التركيز على تحسين الخوارزميات بدلاً من إدارة البنية التحتية. على سبيل المثال، تستخدم Ultralytics Platform الموارد السحابية تبسيط تدريب وإدارة نماذج الرؤية مثل YOLO26.

نماذج الخدمات الأساسية#

تصنف الحوسبة السحابية عادة إلى ثلاثة نماذج، يقدم كل منها مستويات مختلفة من التحكم:

• البنية التحتية كخدمة (IaaS): توفر موارد الحوسبة والتخزين الأساسية. يدير المستخدمون نظام التشغيل والتطبيقات، وغالباً ما يستخدمون أدوات مثل حاويات Docker. تشمل الأمثلة Amazon EC2 وGoogle Compute Engine.
• المنصة كخدمة (PaaS): تزيل الحاجة إلى إدارة البنية التحتية الأساسية، مما يسمح للمطورين بالتركيز على نشر التطبيقات. يحظى هذا بشعبية كبيرة في إدارة قواعد البيانات واستضافة التطبيقات.
• البرمجيات كخدمة (SaaS): تقدم منتجات برمجية كاملة عبر الإنترنت. تُعد Ultralytics Platform مثالاً أساسياً على SaaS، حيث توفر واجهة خالية من الكود لتدريب نماذج الرؤية الحاسوبية.

تطبيقات العالم الحقيقي في الذكاء الاصطناعي#

تمكّن الحوسبة السحابية حلول الذكاء الاصطناعي من العمل عالمياً عبر صناعات متنوعة.

• التصوير الطبي: يستخدم مقدمو الرعاية الصحية السحابة لتخزين بيتابايت من البيانات بأمان. يمكن لخوارزميات تحليل الصور الطبية التي تعمل على خوادم سحابية معالجة فحوصات التصوير بالرنين المغناطيسي أو الأشعة المقطعية لمساعدة أخصائي الأشعة في اكتشاف الحالات الشاذة. تضمن هذه المعالجة المركزية استخدام أحدث إصدارات النماذج دائماً.
• التجزئة الذكية: يستفيد تجار التجزئة من الكاميرات المتصلة بالسحابة لـ الكشف عن الكائنات لمراقبة مستويات المخزون وتحليل حركة العملاء. يتم بث البيانات إلى السحابة، ومعالجتها استخراج الرؤى، وتصورها على لوحات معلومات لمديري المتاجر. تعرف على كيف يعمل AI in Retail على تحسين العمليات.

الحوسبة السحابية مقابل الحوسبة الطرفية#

من المهم التمييز بين الحوسبة السحابية وحوسبة الحافة، حيث تؤديان أدواراً متكاملة في خط أنابيب الذكاء الاصطناعي.

• الحوسبة السحابية: تُمركز معالجة البيانات في مراكز بيانات ضخمة. وهي مثالية لأعباء العمل الثقيلة مثل تدريب النماذج، وتحليل البيانات الضخمة التاريخية، والتخزين طويل الأجل.
• حوسبة الحافة: تعالج البيانات بالقرب من مصدر التوليد (مثل أجهزة إنترنت الأشياء، روبوتات التصنيع). هذا يقلل من زمن انتقال الاستدلال واستخدام النطاق الترددي.

يتضمن سير العمل الشائع تدريب نموذج قوي مثل YOLO26 في السحابة للاستفادة من وحدات معالجة الرسومات عالية السرعة، ثم تصديره إلى تنسيق مثل ONNX لتنفيذه بكفاءة على جهاز حافة.

مثال: تدريب النماذج الجاهزة للسحابة#

يوضح مقتطف Python التالي كيفية بدء التدريب لنموذج Ultralytics YOLO26. على الرغم من أن هذا الشفرة البرمجية يمكن تشغيلها محلياً، إلا أنها مصممة لتتوسع بسلاسة لتناسب بيئات السحاب حيث تسريع موارد GPU العملية بشكل كبير.

from ultralytics import YOLO

# Load the latest YOLO26 model (recommended for speed and accuracy)
model = YOLO("yolo26n.pt")

# Train the model on the COCO8 dataset
# Cloud GPUs drastically reduce training time for larger datasets
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

بالنسبة للمشاريع واسعة النطاق، يضمن استخدام حلول التدريب السحابي تحسين أوزان النموذج بكفاءة دون ارتفاع درجة حرارة محطات العمل المحلية.