Glossar

Cloud Computing

Entdecken Sie die Leistungsfähigkeit von Cloud Computing für AI/ML! Skalieren Sie effizient, trainieren Sie Ultralytics YOLO-Modelle schneller und stellen Sie sie nahtlos und kosteneffizient bereit.

Cloud Computing ist die bedarfsgerechte Bereitstellung von Rechendiensten - einschließlich Servern, Speicher, Datenbanken, Netzwerken, Software, Analysen und Intelligenz - über das Internet ("die Cloud"). Anstatt ihre eigene Computerinfrastruktur zu besitzen und zu warten, können Unternehmen auf diese Dienste von einem Cloud-Anbieter wie Amazon Web Services (AWS), Google Cloud oder Microsoft Azure zugreifen. Dieses Modell ermöglicht schnellere Innovationen, flexible Ressourcen und Größenvorteile und ist damit eine wesentliche Grundlage für moderne künstliche Intelligenz (KI) und maschinelles Lernen (ML). Die Kernidee, wie sie vom National Institute of Standards and Technology (NIST) definiert wurde, besteht darin, einen allgegenwärtigen, bequemen und bedarfsgerechten Netzwerkzugang zu einem gemeinsamen Pool konfigurierbarer Rechenressourcen zu bieten.

Wie Cloud Computing funktioniert

Cloud-Anbieter unterhalten ein globales Netz von Rechenzentren mit riesigen Mengen an Hardware. Sie bieten ihre Dienste über verschiedene Modelle an, von denen das gängigste ist:

  • Infrastruktur-as-a-Service (IaaS): Stellt grundlegende Rechenressourcen wie virtuelle Maschinen, Speicher und Netzwerke bereit. Dies gibt den Nutzern maximale Kontrolle und ist ideal für benutzerdefinierte Deep-Learning-Umgebungen.
  • Plattform-as-a-Service (PaaS): Bietet eine Plattform, die es Kunden ermöglicht, Anwendungen zu entwickeln, auszuführen und zu verwalten, ohne die Komplexität des Aufbaus und der Wartung der Infrastruktur. Dazu gehören verwaltete Datenbanken und Kubernetes-Dienste.
  • Software as a Service (SaaS): Bereitstellung von Softwareanwendungen über das Internet auf Abonnementbasis. Ultralytics HUB ist ein Beispiel für eine SaaS-Plattform, die Tools für die Schulung und Verwaltung von Computer-Vision-Modellen bietet.

Diese Struktur ermöglicht wichtige Vorteile wie Kosteneinsparungen, globale Skalierbarkeit, hohe Leistung und verbesserte Datensicherheit, die in Zusammenarbeit mit Organisationen wie der Cloud Security Alliance (CSA) verwaltet werden.

Bedeutung für KI und maschinelles Lernen

Die Cloud ist heute der wichtigste Motor für die KI-Entwicklung. Das Training fortschrittlicher Modelle wie Ultralytics YOLO erfordert immense Rechenleistung und Daten, die sich oft nicht lokal hosten lassen.

Die wichtigsten Verwendungszwecke sind:

  • Training leistungsfähiger Modelle: Die Cloud bietet Zugang zu Hochleistungshardware wie GPUs und TPUs, die für das verteilte Training auf großen Datensätzen erforderlich ist. Plattformen wie Ultralytics HUB Cloud Training machen sich dies zunutze, um die Modellentwicklung zu beschleunigen.
  • Verwaltung großer Datensätze: KI-Modelle werden auf riesigen Mengen von Trainingsdaten trainiert. Cloud-Speicherlösungen bieten skalierbare und zugängliche Repositories für diese Datensätze, von ImageNet bis hin zu benutzerdefinierten Sammlungen für spezifische Aufgaben wie Objekterkennung.
  • Skalierbare Modellbereitstellung: Sobald ein Modell trainiert ist, kann es in der Cloud für Echtzeit-Inferenzen bereitgestellt werden. Dank der Elastizität der Cloud können Anwendungen automatisch skaliert werden, um schwankende Nachfrage zu bewältigen - ein Kernprinzip von MLOps. Weitere Informationen zu den verschiedenen Modellbereitstellungsoptionen finden Sie in unserer Dokumentation.

Anwendungen in der realen Welt

  1. KI in der Automobilindustrie: Unternehmen, die autonome Fahrzeuge entwickeln, sammeln Petabytes an Fahrdaten. Sie nutzen Cloud-basierte GPU-Cluster, um Wahrnehmungsmodelle zu trainieren und zu validieren, die Fußgänger, Fahrzeuge und Straßenschilder erkennen können. Dieser Prozess wird auf unserer Seite mit KI-Lösungen für die Automobilindustrie beschrieben.
  2. KI im Gesundheitswesen: Ein Forschungskrankenhaus könnte eine sichere, HIPAA-konforme Cloud-Umgebung nutzen, um ein Diagnosemodell für die medizinische Bildanalyse zu trainieren. Durch die Zusammenführung anonymisierter Daten können sie mithilfe eines Frameworks wie PyTorch ein robustes Modell erstellen, um Anomalien in Röntgenbildern oder MRTs zu erkennen, was zu schnelleren und genaueren Diagnosen für verbesserte KI im Gesundheitswesen führt.

Cloud Computing im Vergleich. Verwandte Konzepte

  • Serverloses Rechnen: Serverloses Computing ist ein Ausführungsmodell innerhalb des Cloud Computing, keine Alternative dazu. Während beim Cloud Computing im weiteren Sinne virtuelle Server (IaaS) verwaltet werden, wird beim Serverless Computing von der gesamten Serververwaltung abstrahiert. Sie stellen einfach Code (in Form von Funktionen) zur Verfügung, und der Cloud-Anbieter stellt automatisch die Ressourcen für die Ausführung bereit, wobei die Skalierung je nach Bedarf von Null bis zu riesigen Mengen erfolgt.
  • Edge Computing: Beim Edge Computing werden Daten lokal auf Geräten am "Rand" des Netzes, nahe der Datenquelle, verarbeitet. Dies ist das Gegenteil des zentralisierten Modells des Cloud-Computing. Allerdings werden sie oft in einem hybriden Ansatz zusammen verwendet. Ein Edge-KI-Gerät wie ein NVIDIA Jetson könnte beispielsweise eine erste Objekterkennung durchführen und dann nur die relevanten Metadaten zur langfristigen Speicherung, Aggregation oder intensiveren Analyse an die Cloud senden. Dieser Ansatz kombiniert die geringe Latenzzeit des Edge-Geräts mit der enormen Leistung der Cloud. Weitere Informationen finden Sie in unserem Blog über die Bereitstellung von Anwendungen auf Edge-Geräten.

Werden Sie Mitglied der Ultralytics-Gemeinschaft

Beteiligen Sie sich an der Zukunft der KI. Vernetzen Sie sich, arbeiten Sie zusammen und wachsen Sie mit globalen Innovatoren

Jetzt beitreten
Link in die Zwischenablage kopiert