Cloud Computing

La computación en la nube hace referencia a la entrega bajo demanda de recursos informáticos, como servidores, almacenamiento, bases de datos, redes y software, a través de internet. En lugar de comprar, poseer y mantener centros de datos físicos, las organizaciones pueden acceder a servicios tecnológicos según los necesiten mediante un proveedor de servicios en la nube. Para los profesionales de la inteligencia artificial (AI) y el aprendizaje automático (ML), este paradigma es transformador. Proporciona la escalabilidad elástica necesaria para gestionar conjuntos de datos masivos y cálculos complejos sin el coste inicial prohibitivo del hardware.

La importancia de la nube en el desarrollo de la inteligencia artificial#

La relación simbiótica entre la infraestructura en la nube y la inteligencia artificial moderna ha acelerado la innovación tecnológica. Entrenar modelos sofisticados de aprendizaje profundo (DL) requiere una enorme capacidad de procesamiento. Las plataformas en la nube ofrecen acceso instantáneo a clústeres de alto rendimiento de unidades de procesamiento gráfico (GPUs) y unidades de procesamiento tensorial (TPUs), lo que permite a los investigadores realizar entrenamiento distribuido con grandes cantidades de datos de entrenamiento.

Además de proporcionar 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 supervisión, la nube proporciona un ecosistema unificado. Esto permite a los equipos centrarse en perfeccionar los algoritmos en lugar de gestionar la infraestructura. Por ejemplo, Ultralytics Platform utiliza recursos en la nube para simplificar el entrenamiento y la gestión de modelos de visión como YOLO26.

Modelos de servicios principales#

La computación en la nube suele clasificarse en tres modelos, cada uno de los cuales ofrece distintos niveles de control:

• Infraestructura como servicio (IaaS): Proporciona recursos fundamentales de computación y almacenamiento. Los usuarios gestionan el sistema operativo y las aplicaciones, a menudo mediante herramientas como los contenedores de Docker. Algunos ejemplos son Amazon EC2 y Google Compute Engine.
• Plataforma como servicio (PaaS): Elimina la necesidad de gestionar la infraestructura subyacente, lo que permite a los desarrolladores centrarse en desplegar aplicaciones. Es una opción popular para la gestión de bases de datos y el alojamiento de aplicaciones.
• Software como servicio (SaaS): Ofrece productos de software completos a través de internet. Ultralytics Platform es un ejemplo destacado de SaaS, ya que ofrece una interfaz sin código para entrenar modelos de visión artificial.

Aplicaciones reales en IA#

La computación en la nube permite que las soluciones de inteligencia artificial funcionen a escala global en diversos sectores.

• Diagnóstico por imagen: Los proveedores sanitarios 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 imágenes de resonancia magnética o tomografías computarizadas 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 supervisar los niveles de inventario y analizar el flujo de clientes. Los datos se transmiten a la nube, se procesan para extraer información útil y se visualizan en paneles para los responsables de las tiendas. Descubre cómo la inteligencia artificial en el comercio minorista optimiza las operaciones.

Computación en la nube frente a computación perimetral#

Es importante distinguir la computación en la nube de la computación perimetral, ya que desempeñan funciones complementarias en un flujo de trabajo de inteligencia artificial.

• Computación en la nube: Centraliza el procesamiento de datos en centros de datos enormes. Es óptima para cargas de trabajo intensivas, como el entrenamiento de modelos, el análisis histórico de Big Data y el almacenamiento a largo plazo.
• Computación perimetral: Procesa los datos cerca de la fuente donde se generan (por ejemplo, dispositivos del IoT y robots industriales). Esto minimiza la latencia de inferencia y el uso de ancho de banda.

Un flujo de trabajo habitual consiste en entrenar en la nube un modelo robusto como YOLO26 para aprovechar las GPUs de alta velocidad y, a continuación, exportarlo a un formato como ONNX para ejecutarlo de forma eficiente en un dispositivo perimetral.

Ejemplo: entrenamiento de modelos preparados para la nube#

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

En proyectos a gran escala, utilizar soluciones de entrenamiento en la nube garantiza que los pesos del modelo se optimicen de forma eficiente sin sobrecalentar las estaciones de trabajo locales.