Cloud Computing

Cloud Computing bezeichnet die bedarfsgerechte Bereitstellung von IT-Ressourcen – etwa Servern, Speicher, Datenbanken, Netzwerken und Software – über das Internet. Statt physische Rechenzentren zu kaufen, zu besitzen und zu warten, können Unternehmen bei Bedarf auf Technologiedienste eines Cloud-Anbieters zugreifen. Für Anwenderinnen und Anwender von künstlicher Intelligenz (AI) und maschinellem Lernen (ML) ist dieses Paradigma wegweisend. Es bietet die erforderliche elastische Skalierbarkeit, um riesige Datensätze und komplexe Berechnungen ohne die prohibitiv hohen Anschaffungskosten für Hardware zu bewältigen.

Die Bedeutung der Cloud für die KI-Entwicklung#

Die symbiotische Beziehung zwischen Cloud-Infrastruktur und moderner KI hat die technologische Innovation beschleunigt. Das Training anspruchsvoller Deep-Learning-Modelle (DL) erfordert enorme Rechenleistung. Cloud-Plattformen bieten sofortigen Zugriff auf leistungsstarke Cluster aus Grafikprozessoren (GPUs) und Tensorverarbeitungseinheiten (TPUs), sodass Forschende verteiltes Training mit großen Mengen an Trainingsdaten durchführen können.

Über die reine Rechenleistung hinaus vereinfachen Cloud-Dienste den Betrieb maschineller Lernsysteme (MLOps). Von der Datenaufnahme und Datenannotation über die Bereitstellung von Modellen bis hin zur Überwachung stellt die Cloud ein einheitliches Ökosystem bereit. Dadurch können sich Teams auf die Verbesserung von Algorithmen konzentrieren, anstatt die Infrastruktur zu verwalten. So nutzt die Ultralytics Platform beispielsweise Cloud-Ressourcen, um das Training und die Verwaltung von Bildverarbeitungsmodellen wie YOLO26 zu vereinfachen.

Zentrale Servicemodelle#

Cloud Computing wird typischerweise in drei Modelle eingeteilt, die jeweils unterschiedliche Kontrollmöglichkeiten bieten:

• Infrastruktur als Dienst (IaaS): Stellt grundlegende Rechen- und Speicherressourcen bereit. Nutzer verwalten das Betriebssystem und die Anwendungen, häufig mithilfe von Tools wie Docker-Containern. Beispiele sind Amazon EC2 und Google Compute Engine.
• Plattform als Dienst (PaaS): Macht die Verwaltung der zugrunde liegenden Infrastruktur überflüssig, sodass sich Entwickler auf die Bereitstellung von Anwendungen konzentrieren können. Dieses Modell ist bei der Datenbankverwaltung und dem Hosting von Anwendungen weit verbreitet.
• Software als Dienst (SaaS): Stellt vollständige Softwareprodukte über das Internet bereit. Die Ultralytics Platform ist ein herausragendes Beispiel für SaaS und bietet eine Benutzeroberfläche ohne Programmieraufwand zum Training von Bildverarbeitungsmodellen.

Praktische Anwendungen in der KI#

Cloud Computing ermöglicht den weltweiten Einsatz von KI-Lösungen in verschiedensten Branchen.

• Medizinische Bildgebung: Gesundheitsdienstleister nutzen die Cloud, um Petabytes an Daten sicher zu speichern. Auf Cloud-Servern ausgeführte Algorithmen zur Analyse medizinischer Bilder können MRT- oder CT-Aufnahmen verarbeiten und Radiologinnen und Radiologen beim Erkennen von Auffälligkeiten unterstützen. Diese zentrale Verarbeitung stellt sicher, dass stets die neuesten Modellversionen verwendet werden.
• Intelligenter Einzelhandel: Einzelhändler setzen cloudverbundene Kameras zur Objekterkennung ein, um Lagerbestände zu überwachen und die Kundenfrequenz zu analysieren. Daten werden in die Cloud übertragen, zur Gewinnung von Erkenntnissen verarbeitet und für Filialleitungen in Dashboards visualisiert. Erfahre, wie KI im Einzelhandel Abläufe optimiert.

Cloud Computing und Edge Computing im Vergleich#

Es ist wichtig, Cloud Computing von Edge Computing zu unterscheiden, da beide komplementäre Rollen in einer KI-Pipeline erfüllen.

• Cloud Computing: Zentralisiert die Datenverarbeitung in großen Rechenzentren. Es eignet sich optimal für rechenintensive Aufgaben wie das Training von Modellen, die Analyse historischer Big Data und die langfristige Speicherung.
• Edge Computing: Verarbeitet Daten nahe an ihrem Entstehungsort, etwa auf IoT-Geräten oder in Fertigungsrobotern. Dadurch werden Inferenzlatenz und Bandbreitennutzung minimiert.

Ein üblicher Arbeitsablauf besteht darin, ein robustes Modell wie YOLO26 in der Cloud zu trainieren, um leistungsstarke GPUs zu nutzen, und es anschließend in ein Format wie ONNX zu exportieren, damit es effizient auf einem Edge-Gerät ausgeführt werden kann.

Beispiel: Cloud-taugliches Modelltraining#

Das folgende Python-Snippet zeigt, wie das Training eines YOLO26-Modells von Ultralytics gestartet wird. Dieser Code kann zwar lokal ausgeführt werden, ist jedoch darauf ausgelegt, nahtlos auf Cloud-Umgebungen zu skalieren, in denen GPU-Ressourcen den Prozess erheblich beschleunigen.

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)

Bei umfangreichen Projekten stellt die Nutzung von Lösungen für das Cloud-Training sicher, dass deine Modellgewichte effizient optimiert werden, ohne lokale Arbeitsstationen zu überhitzen.