Cloud Computing
استكشف كيف يعزز الحوسبة السحابية الذكاء الاصطناعي. تعلم كيفية تدريب Ultralytics YOLO26 على وحدات معالجة الرسومات (GPU) السحابية ونشر نماذج الرؤية على نطاق واسع باستخدام منصة Ultralytics الجديدة كلياً.
تشير الحوسبة السحابية إلى تقديم موارد تكنولوجيا المعلومات عند الطلب - مثل الخوادم، والتخزين، وقواعد البيانات، والشبكات، والبرمجيات - عبر الإنترنت. فبدلاً من أن تقوم المؤسسات بشراء مراكز البيانات المادية وامتلاكها وصيانتها، يمكنها الوصول إلى خدمات التكنولوجيا حسب الحاجة من مزود سحابي. وبالنسبة للممارسين في مجالات الذكاء الاصطناعي (AI) وتعلم الآلة (ML)، يُعد هذا النموذج تحولياً؛ فهو يوفر القابلية للتوسع المرنة اللازمة للتعامل مع مجموعات البيانات الضخمة والحسابات المعقدة دون التكلفة الأولية الباهظة للأجهزة.
Link to this sectionأهمية السحابة في تطوير الذكاء الاصطناعي#
لقد أدت العلاقة التكافلية بين البنية التحتية السحابية والذكاء الاصطناعي الحديث إلى تسريع الابتكار التكنولوجي. يتطلب تدريب نماذج التعلم العميق (DL) المتطورة قدرة معالجة هائلة. وتوفر المنصات السحابية وصولاً فورياً إلى مجموعات عالية الأداء من وحدات معالجة الرسومات (GPUs) ووحدات معالجة الموتر (TPUs)، مما يمكن الباحثين من إجراء تدريب موزع على كميات هائلة من بيانات التدريب.
بعيداً عن القوة الخام، تعمل الخدمات السحابية على تبسيط عمليات تعلم الآلة (MLOps). فمن استيعاب البيانات وتسمية البيانات إلى نشر النماذج ومراقبتها، توفر السحابة نظاماً بيئياً موحداً. وهذا يسمح للفرق بالتركيز على تحسين الخوارزميات بدلاً من إدارة البنية التحتية. على سبيل المثال، تستخدم منصة Ultralytics الموارد السحابية لتبسيط تدريب وإدارة نماذج الرؤية مثل YOLO26.
Link to this sectionنماذج 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، غالباً باستخدام أدوات مثل حاويات Docker. تشمل الأمثلة Amazon EC2 وGoogle Compute Engine.
- النظام الأساسي كخدمة (PaaS): يزيل الحاجة إلى إدارة البنية التحتية الأساسية، مما يسمح للمطورين بالتركيز على نشر التطبيقات. هذا النموذج شائع لـ إدارة قواعد البيانات واستضافة التطبيقات.
- البرمجيات كخدمة (SaaS): تقدم منتجات برمجية كاملة عبر الإنترنت. وتعد منصة Ultralytics مثالاً رئيسياً على SaaS، حيث توفر واجهة لا تتطلب برمجة لتدريب نماذج الرؤية الحاسوبية.
Link to this sectionتطبيقات 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 بشكل آمن. يمكن لخوارزميات تحليل الصور الطبية التي تعمل على الخوادم السحابية معالجة صور الرنين المغناطيسي (MRI) أو الأشعة المقطعية (CT) لمساعدة أطباء الأشعة في اكتشاف التشوهات. وتضمن هذه المعالجة المركزية استخدام أحدث إصدارات النماذج دائماً.
- تجار التجزئة الأذكياء: يستفيد تجار التجزئة من الكاميرات المتصلة بالسحابة لـ اكتشاف الكائنات لمراقبة مستويات المخزون وتحليل حركة العملاء. يتم بث البيانات إلى السحابة، ومعالجتها لاستخراج الرؤى، وعرضها على لوحات بيانات لمديري المتاجر. تعرف على كيفية تحسين الذكاء الاصطناعي في تجارة التجزئة للعمليات.
Link to this sectionالحوسبة السحابية مقابل الحوسبة الطرفية#
من المهم التمييز بين الحوسبة السحابية والحوسبة الطرفية، حيث تؤديان أدواراً تكاملية في خط أنابيب الذكاء الاصطناعي.
- الحوسبة السحابية: تعمل على مركزية معالجة البيانات في مراكز بيانات ضخمة. وهي مثالية لأعباء العمل الثقيلة مثل تدريب النماذج، وتحليل البيانات الضخمة التاريخية، والتخزين طويل الأمد.
- الحوسبة الطرفية: تعالج البيانات بالقرب من مصدر إنتاجها (مثل أجهزة IoT، وروبوتات التصنيع). وهذا يقلل من زمن استجابة الاستدلال واستهلاك النطاق الترددي.
يتضمن سير العمل الشائع تدريب نموذج قوي مثل YOLO26 في السحابة للاستفادة من وحدات GPU عالية السرعة، ثم تصديره إلى تنسيق مثل ONNX للتنفيذ الفعال على جهاز طرفي.
Link to this sectionمثال: تدريب النماذج الجاهزة للسحابة#
يوضح مقتطف Python التالي كيفية بدء تدريب نموذج YOLO26. على الرغم من أن هذا الكود يمكن تشغيله محلياً، إلا أنه مصمم ليتم توسيعه بسلاسة إلى بيئات سحابية حيث تسرع 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 التسبب في ارتفاع درجة حرارة محطات العمل المحلية.
