الحوسبة السحابية

الحوسبة السحابية هي توفير خدمات الحوسبة عند الطلب - بما في ذلك الخوادم والتخزين وقواعد البيانات والشبكات والبرامج والتحليلات والذكاء - عبر الإنترنت ("السحابة"). بدلاً من امتلاك المؤسسات وصيانة البنية التحتية للحوسبة الخاصة بها، يمكنها الوصول إلى هذه الخدمات من مزود خدمة سحابية مثل Amazon Web Services (AWS) أو Google Cloud أو Microsoft Azure. يتيح هذا النموذج ابتكارًا أسرع وموارد مرنة ووفورات الحجم، مما يجعله أساسًا أساسيًا لـ الذكاء الاصطناعي (AI) و تعلم الآلة (ML) الحديثين. الفكرة الأساسية، كما حددها المعهد الوطني للمعايير والتكنولوجيا (NIST)، هي توفير وصول شبكي واسع الانتشار ومريح وعند الطلب إلى مجموعة مشتركة من موارد الحوسبة القابلة للتكوين.

كيف تعمل الحوسبة السحابية (Cloud Computing)؟

يحافظ مزودو الخدمات السحابية على شبكة عالمية من مراكز البيانات بكميات هائلة من الأجهزة. يقدمون الخدمات من خلال نماذج مختلفة، والأكثر شيوعًا هي:

• البنية التحتية كخدمة (IaaS): توفر موارد حوسبة أساسية مثل الآلات الافتراضية والتخزين والشبكات. يمنح هذا المستخدمين أقصى قدر من التحكم وهو مثالي لبيئات التعلم العميق المخصصة.
• النظام الأساسي كخدمة (PaaS): يوفر نظامًا أساسيًا يسمح للعملاء بتطوير التطبيقات وتشغيلها وإدارتها دون تعقيد بناء البنية التحتية وصيانتها. ويشمل ذلك قواعد البيانات المدارة وخدمات Kubernetes.
• البرمجيات كخدمة (SaaS): تقدم تطبيقات البرامج عبر الإنترنت على أساس الاشتراك. Ultralytics HUB هو مثال على منصة SaaS توفر أدوات لتدريب وإدارة نماذج الرؤية الحاسوبية.

تمكّن هذه البنية فوائد رئيسية مثل توفير التكاليف، و قابلية التوسع العالمية، والأداء العالي، و أمان البيانات المحسن، والتي تتم إدارتها بالشراكة مع منظمات مثل تحالف أمان السحابة (CSA).

الأهمية في الذكاء الاصطناعي وتعلّم الآلة

تعتبر الحوسبة السحابية المحرك الأساسي لتطوير الذكاء الاصطناعي اليوم. يتطلب تدريب النماذج المتقدمة، مثل Ultralytics YOLO، قوة حسابية وبيانات هائلة، وهو أمر غير عملي غالبًا لاستضافته محليًا.

تشمل الاستخدامات الرئيسية:

• تدريب نماذج قوية: يوفر السحابة إمكانية الوصول إلى أجهزة عالية الأداء مثل وحدات معالجة الرسومات (GPUs) و وحدات معالجة Tensor (TPUs) الضرورية لـ التدريب الموزع (distributed training) على مجموعات بيانات كبيرة. تستفيد منصات مثل Ultralytics HUB Cloud Training من ذلك لتسريع تطوير النموذج.
• إدارة مجموعات البيانات الكبيرة: يتم تدريب نماذج الذكاء الاصطناعي على كميات هائلة من بيانات التدريب. توفر حلول التخزين السحابي مستودعات قابلة للتطوير ويمكن الوصول إليها لهذه المجموعات من البيانات، بدءًا من ImageNet وحتى المجموعات المخصصة لمهام محددة مثل اكتشاف الكائنات.
• نشر النماذج القابل للتطوير: بمجرد تدريب النموذج، يمكن نشره على السحابة لـ الاستدلال في الوقت الفعلي. تسمح الطبيعة المرنة للسحابة للتطبيقات بالتوسع تلقائيًا للتعامل مع الطلب المتقلب، وهو مبدأ أساسي في MLOps. يمكنك معرفة المزيد حول خيارات نشر النماذج المختلفة في وثائقنا.

تطبيقات واقعية

1. الذكاء الاصطناعي في مجال السيارات: تقوم الشركات التي تطور مركبات ذاتية القيادة بجمع بيتابايت من بيانات القيادة. يستخدمون مجموعات GPU المستندة إلى السحابة لتدريب نماذج الإدراك والتحقق من صحتها والتي يمكنها تحديد المشاة والمركبات وإشارات المرور، وهي عملية مفصلة في صفحة حلول الذكاء الاصطناعي في مجال السيارات.
2. الذكاء الاصطناعي في الرعاية الصحية: قد يستخدم مستشفى بحثي بيئة سحابية آمنة متوافقة مع قانون HIPAA لتدريب نموذج تشخيصي لـ تحليل الصور الطبية. من خلال تجميع البيانات المجهولة المصدر، يمكنهم بناء نموذج قوي باستخدام إطار عمل مثل PyTorch لاكتشاف الحالات الشاذة في الأشعة السينية أو التصوير بالرنين المغناطيسي، مما يؤدي إلى تشخيصات أسرع وأكثر دقة لتحسين الذكاء الاصطناعي في الرعاية الصحية.

الحوسبة السحابية مقابل المفاهيم ذات الصلة

• الحوسبة بدون خادم: الحوسبة بدون خادم هي نموذج تنفيذ داخل الحوسبة السحابية، وليست بديلاً لها. في حين أن الحوسبة السحابية الأوسع قد تتضمن إدارة الخوادم الافتراضية (IaaS)، فإن الحوسبة بدون خادم تجرد جميع عمليات إدارة الخادم. ما عليك سوى توفير التعليمات البرمجية (كوظائف)، ويقوم موفر السحابة تلقائيًا بتوفير الموارد لتشغيلها، والتوسع من الصفر إلى الأحجام الهائلة حسب الحاجة.
• الحوسبة الطرفية: تتضمن الحوسبة الطرفية معالجة البيانات محليًا على الأجهزة الموجودة على "حافة" الشبكة، بالقرب من مصدر البيانات. هذا هو عكس النموذج المركزي للحوسبة السحابية. ومع ذلك، غالبًا ما يتم استخدامهما معًا في نهج هجين. على سبيل المثال، قد يقوم جهاز الذكاء الاصطناعي الطرفي (Edge AI) مثل NVIDIA Jetson بإجراء الكشف الأولي عن الكائنات ثم إرسال البيانات الوصفية ذات الصلة فقط إلى السحابة للتخزين طويل الأجل أو التجميع أو التحليل الأكثر كثافة. يجمع هذا النهج بين زمن الوصول المنخفض للحافة والقوة الهائلة للسحابة. يمكنك العثور على مزيد من الرؤى على مدونتنا حول نشر التطبيقات على الأجهزة الطرفية.