Cloud Computing

Cloud Computing ist die bedarfsgerechte Bereitstellung von Rechendiensten – einschließlich Server, Speicher, Datenbanken, Netzwerke, Software, Analytik und Intelligenz – über das Internet („die Cloud“). Anstatt ihre eigene Recheninfrastruktur 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 Skaleneffekte und ist damit eine wesentliche Grundlage für moderne künstliche Intelligenz (KI) und maschinelles Lernen (ML). Der Kerngedanke, wie vom National Institute of Standards and Technology (NIST) definiert, ist die Bereitstellung eines allgegenwärtigen, komfortablen und bedarfsgerechten Netzwerkzugangs zu einem gemeinsam genutzten Pool konfigurierbarer Rechenressourcen.

Wie Cloud Computing funktioniert

Cloud-Anbieter unterhalten ein globales Netzwerk von Rechenzentren mit riesigen Mengen an Hardware. Sie bieten Dienste über verschiedene Modelle an, wobei die gängigsten sind:

• Infrastructure as a Service (IaaS): Bietet grundlegende Rechenressourcen wie virtuelle Maschinen, Speicher und Netzwerke. Dies gibt Benutzern maximale Kontrolle und ist ideal für benutzerdefinierte Deep-Learning-Umgebungen.
• Platform 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. Dies umfasst verwaltete Datenbanken und Kubernetes-Dienste.
• Software as a Service (SaaS): Stellt Softwareanwendungen über das Internet auf Abonnementbasis bereit. Ultralytics HUB ist ein Beispiel für eine SaaS-Plattform, die Tools zum Trainieren und Verwalten von Computer Vision-Modellen bereitstellt.

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

Bedeutung in KI und maschinellem Lernen

Die Cloud ist heute der wichtigste Motor für die KI-Entwicklung. Das Training fortschrittlicher Modelle, wie Ultralytics YOLO, erfordert immense Rechenleistung und Datenmengen, deren lokale Speicherung oft unpraktisch ist.

Hauptanwendungsbereiche sind:

• Trainieren leistungsstarker Modelle: Die Cloud bietet Zugriff auf Hochleistungshardware wie GPUs und TPUs, die für verteiltes Training auf großen Datensätzen erforderlich sind. Plattformen wie Ultralytics HUB Cloud Training nutzen dies, um die Modellentwicklung zu beschleunigen.
• Verwaltung großer Datensätze: KI-Modelle werden mit riesigen Mengen an Trainingsdaten trainiert. Cloud-Speicherlösungen bieten skalierbare und zugängliche Repositories für diese Datensätze, von ImageNet bis hin zu benutzerdefinierten Sammlungen für spezifische Aufgaben wie die Objekterkennung.
• Skalierbare Modellbereitstellung: Sobald ein Modell trainiert ist, kann es für Echtzeit-Inferenz in der Cloud bereitgestellt werden. Die elastische Natur der Cloud ermöglicht es Anwendungen, automatisch zu skalieren, um schwankende Nachfrage zu bewältigen, ein Kernprinzip von MLOps. In unserer Dokumentation erfahren Sie mehr über verschiedene Optionen zur Modellbereitstellung.

Anwendungsfälle in der Praxis

1. KI in der Automobilindustrie: Unternehmen, die autonome Fahrzeuge entwickeln, sammeln Petabytes an Fahrdaten. Sie verwenden Cloud-basierte GPU-Cluster, um Wahrnehmungsmodelle zu trainieren und zu validieren, die Fussgänger, Fahrzeuge und Verkehrsschilder identifizieren können, ein Prozess, der auf unserer Lösungsseite für KI in der Automobilindustrie detailliert beschrieben wird.
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 ein robustes Modell mit einem Framework wie PyTorch erstellen, um Anomalien in Röntgenaufnahmen oder MRTs zu erkennen, was zu schnelleren und genaueren Diagnosen für eine verbesserte KI im Gesundheitswesen führt.

Cloud Computing vs. verwandte Konzepte

• Serverless Computing: Serverless Computing ist ein Ausführungsmodell innerhalb des Cloud Computing, nicht eine Alternative dazu. Während umfassenderes Cloud Computing die Verwaltung virtueller Server (IaaS) beinhalten kann, abstrahiert Serverless die gesamte Serververwaltung. Sie stellen lediglich Code (als Funktionen) bereit, und der Cloud-Anbieter stellt automatisch Ressourcen bereit, um ihn auszuführen, wobei er bei Bedarf von null auf massive Volumina skaliert.
• Edge Computing: Edge Computing beinhaltet die lokale Verarbeitung von Daten auf Geräten am "Edge" des Netzwerks, in der Nähe der Datenquelle. Dies ist das Gegenteil des zentralisierten Modells des Cloud Computing. Sie werden jedoch oft zusammen in einem hybriden Ansatz verwendet. Beispielsweise könnte ein Edge-KI-Gerät wie ein NVIDIA Jetson eine erste Objekterkennung durchführen und dann nur relevante Metadaten zur langfristigen Speicherung, Aggregation oder intensiveren Analyse an die Cloud senden. Dieser Ansatz kombiniert die geringe Latenz des Edge mit der massiven Leistung der Cloud. Weitere Einblicke finden Sie in unserem Blog über die Bereitstellung von Anwendungen auf Edge-Geräten.