Cloud Computing

La computación en la nube se refiere a la entrega bajo demanda de recursos informáticos (como servidores, almacenamiento, bases de datos, redes y software) a través de Internet. En lugar de que las organizaciones compren, posean y mantengan centros de datos físicos, pueden acceder a servicios tecnológicos según los necesiten a través de un proveedor de nube. Para los profesionales de la Inteligencia Artificial (IA) y el Aprendizaje Automático (ML), este paradigma es transformador. Proporciona la escalabilidad elástica necesaria para manejar conjuntos de datos masivos y cálculos complejos sin el coste inicial prohibitivo del hardware.

Link to this sectionLa importancia de la nube en el desarrollo de la IA#

La relación simbiótica entre la infraestructura en la nube y la IA moderna ha acelerado la innovación tecnológica. Entrenar modelos sofisticados de Aprendizaje Profundo (DL) requiere una enorme potencia de procesamiento. Las plataformas en la nube ofrecen acceso instantáneo a clústeres de alto rendimiento de Unidades de Procesamiento Gráfico (GPU) y Unidades de Procesamiento Tensorial (TPU), permitiendo a los investigadores realizar entrenamiento distribuido en grandes volúmenes de datos de entrenamiento.

Más allá de la potencia bruta, los servicios en la nube agilizan las Operaciones de Aprendizaje Automático (MLOps). Desde la ingesta de datos y el etiquetado de datos hasta el despliegue de modelos y la monitorización, la nube proporciona un ecosistema unificado. Esto permite a los equipos centrarse en refinar algoritmos en lugar de gestionar la infraestructura. Por ejemplo, la Ultralytics Platform utiliza recursos en la nube para simplificar el entrenamiento y la gestión de modelos de visión como YOLO26.

Link to this sectionModelos de servicio principales#

La computación en la nube se categoriza típicamente en tres modelos, cada uno ofreciendo diferentes niveles de control:

• Infraestructura como Servicio (IaaS): Proporciona recursos fundamentales de cómputo y almacenamiento. Los usuarios gestionan el sistema operativo y las aplicaciones, a menudo usando herramientas como contenedores Docker. Ejemplos incluyen Amazon EC2 y Google Compute Engine.
• Plataforma como Servicio (PaaS): Elimina la necesidad de gestionar la infraestructura subyacente, permitiendo a los desarrolladores centrarse en el despliegue de aplicaciones. Esto es popular para la gestión de bases de datos y el alojamiento de aplicaciones.
• Software como Servicio (SaaS): Entrega productos de software completos a través de Internet. La Ultralytics Platform es un claro ejemplo de SaaS, ofreciendo una interfaz sin código para entrenar modelos de visión artificial.

Link to this sectionAplicaciones en el mundo real en IA#

La computación en la nube permite que las soluciones de IA operen globalmente en diversas industrias.

• Imágenes médicas: Los proveedores de atención médica utilizan la nube para almacenar petabytes de datos de forma segura. Los algoritmos de análisis de imágenes médicas que se ejecutan en servidores en la nube pueden procesar resonancias magnéticas o tomografías para ayudar a los radiólogos a detectar anomalías. Este procesamiento centralizado garantiza que siempre se utilicen las versiones más recientes de los modelos.
• Comercio minorista inteligente: Los minoristas aprovechan cámaras conectadas a la nube para la detección de objetos con el fin de controlar los niveles de inventario y analizar el tráfico de clientes. Los datos se transmiten a la nube, se procesan para extraer información útil y se visualizan en paneles de control para los gerentes de tienda. Descubre cómo la IA en el comercio minorista optimiza las operaciones.

Link to this sectionComputación en la nube frente a computación de borde (Edge Computing)#

Es importante distinguir la computación en la nube de la computación de borde, ya que desempeñan funciones complementarias en un flujo de trabajo de IA.

• Computación en la nube: Centraliza el procesamiento de datos en centros de datos masivos. Es óptima para cargas de trabajo pesadas como el entrenamiento de modelos, el análisis histórico de Big Data y el almacenamiento a largo plazo.
• Computación de borde: Procesa los datos cerca de la fuente de generación (por ejemplo, dispositivos IoT, robots de fabricación). Esto minimiza la latencia de inferencia y el uso de ancho de banda.

Un flujo de trabajo común implica entrenar un modelo robusto como YOLO26 en la nube para aprovechar las GPU de alta velocidad y, posteriormente, exportarlo a un formato como ONNX para una ejecución eficiente en un dispositivo de borde.

Link to this sectionEjemplo: Entrenamiento de modelos preparados para la nube#

El siguiente fragmento de código en Python demuestra cómo iniciar el entrenamiento para un modelo YOLO26. Aunque este código puede ejecutarse localmente, está diseñado para escalar sin problemas a entornos en la nube donde los recursos de GPU aceleran significativamente el proceso.

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)

Para proyectos a gran escala, utilizar soluciones de entrenamiento en la nube asegura que los pesos del modelo se optimicen eficientemente sin sobrecalentar las estaciones de trabajo locales.