Computación en la Nube

La computación en la nube es la entrega a demanda de servicios informáticos (incluidos servidores, almacenamiento, bases de datos, redes, software, análisis e inteligencia) a través de Internet ("la nube"). En lugar de poseer y mantener su propia infraestructura informática, las organizaciones pueden acceder a estos servicios desde un proveedor de nube como Amazon Web Services (AWS), Google Cloud o Microsoft Azure. Este modelo permite una innovación más rápida, recursos flexibles y economías de escala, lo que lo convierte en una base esencial para la Inteligencia Artificial (IA) y el Aprendizaje Automático (ML) modernos. La idea central, tal como la define el Instituto Nacional de Estándares y Tecnología (NIST), es proporcionar un acceso ubicuo, conveniente y bajo demanda a la red a un conjunto compartido de recursos informáticos configurables.

Cómo funciona la computación en la nube

Los proveedores de servicios en la nube mantienen una red global de centros de datos con enormes cantidades de hardware. Ofrecen servicios a través de diferentes modelos, siendo los más comunes:

• Infraestructura como Servicio (IaaS): Proporciona recursos informáticos fundamentales como máquinas virtuales, almacenamiento y redes. Esto proporciona a los usuarios el máximo control y es ideal para entornos de aprendizaje profundo personalizados.
• Plataforma como servicio (PaaS): Ofrece una plataforma que permite a los clientes desarrollar, ejecutar y gestionar aplicaciones sin la complejidad de construir y mantener la infraestructura. Esto incluye bases de datos gestionadas y servicios de Kubernetes.
• Software como servicio (SaaS): Ofrece aplicaciones de software a través de Internet mediante suscripción. Ultralytics HUB es un ejemplo de plataforma SaaS que proporciona herramientas para entrenar y gestionar modelos de visión artificial.

Esta estructura permite beneficios clave como el ahorro de costes, la escalabilidad global, el alto rendimiento y la mejora de la seguridad de los datos, que se gestionan en colaboración con organizaciones como la Cloud Security Alliance (CSA).

Importancia en la IA y el Machine Learning

La nube es el principal motor para el desarrollo de la IA en la actualidad. El entrenamiento de modelos avanzados, como Ultralytics YOLO, requiere una inmensa potencia computacional y datos, lo que a menudo es poco práctico de alojar localmente.

Los usos clave incluyen:

• Entrenamiento de modelos potentes: La nube proporciona acceso a hardware de alto rendimiento como GPUs y TPUs necesarios para el entrenamiento distribuido en grandes conjuntos de datos. Plataformas como Ultralytics HUB Cloud Training aprovechan esto para acelerar el desarrollo de modelos.
• Gestión de grandes conjuntos de datos: Los modelos de IA se entrenan con grandes cantidades de datos de entrenamiento. Las soluciones de almacenamiento en la nube proporcionan repositorios escalables y accesibles para estos conjuntos de datos, desde ImageNet hasta colecciones personalizadas para tareas específicas como la detección de objetos.
• Implementación Escalable de Modelos: Una vez que se entrena un modelo, se puede implementar en la nube para la inferencia en tiempo real. La naturaleza elástica de la nube permite que las aplicaciones se escalen automáticamente para manejar la demanda fluctuante, un principio fundamental de MLOps. Puede obtener más información sobre las diferentes opciones de implementación de modelos en nuestra documentación.

Aplicaciones en el mundo real

1. IA en la Automoción: Las empresas que desarrollan vehículos autónomos recopilan petabytes de datos de conducción. Utilizan clústeres de GPU basados en la nube para entrenar y validar modelos de percepción que pueden identificar peatones, vehículos y señales de tráfico, un proceso detallado en nuestra página de soluciones de IA en la Automoción.
2. IA en la Atención Médica: Un hospital de investigación podría utilizar un entorno de nube seguro y que cumpla con HIPAA para entrenar un modelo de diagnóstico para el análisis de imágenes médicas. Al combinar datos anonimizados, pueden construir un modelo robusto utilizando un marco como PyTorch para detectar anomalías en radiografías o resonancias magnéticas, lo que lleva a diagnósticos más rápidos y precisos para una mejor IA en la atención médica.

Computación en la nube vs. conceptos relacionados

• Computación sin servidor (Serverless Computing): La computación sin servidor es un modelo de ejecución dentro de la computación en la nube, no una alternativa a ella. Mientras que la computación en la nube más amplia puede implicar la gestión de servidores virtuales (IaaS), la computación sin servidor abstrae toda la gestión del servidor. Simplemente proporcionas el código (como funciones) y el proveedor de la nube aprovisiona automáticamente los recursos para ejecutarlo, escalando de cero a volúmenes masivos según sea necesario.
• Computación Perimetral: La computación perimetral implica procesar datos localmente en dispositivos en el "borde" de la red, cerca de la fuente de datos. Esto es lo opuesto al modelo centralizado de la computación en la nube. Sin embargo, a menudo se utilizan juntos en un enfoque híbrido. Por ejemplo, un dispositivo Edge AI como un NVIDIA Jetson podría realizar la detección de objetos inicial y luego enviar solo los metadatos relevantes a la nube para el almacenamiento a largo plazo, la agregación o un análisis más intensivo. Este enfoque combina la baja latencia del borde con la potencia masiva de la nube. Puede encontrar más información en nuestro blog sobre la implementación de aplicaciones en dispositivos perimetrales.