Computación en la Nube

La computación en nube es el suministro a la carta de recursos informáticos, como potencia de cálculo, almacenamiento y bases de datos, a través de Internet. a través de Internet. En lugar de comprar, poseer y mantener centros de datos y servidores físicos, las organizaciones pueden acceder a a los servicios tecnológicos según las necesidades de un proveedor de la nube como Amazon Web Services (AWS), Microsoft Azure o Google Cloud. Este cambio de paradigma permite Este cambio de paradigma permite a las empresas cambiar los gastos de capital por gastos variables, pagando sólo por los recursos que consumen. Para profesionales de la Inteligencia Artificial (IA), la nube de datos sin las limitaciones del hardware local. de datos sin las limitaciones del hardware local.

El papel de la nube en la IA y el aprendizaje automático

El rápido avance del Machine Learning (ML) está intrínsecamente ligado a las capacidades de la computación en nube. El entrenamiento de los modelos más avanzados requiere una inmensa potencia computacional, a menudo clústeres de alto rendimiento de unidades de procesamiento gráfico (GPU) o unidades de procesamientoTensor (TPU). Las plataformas en la nube democratizan el acceso a este hardware, permitiendo a los desarrolladores crear potentes instancias para tareas de formación distribuidas que distribuidas que, de otro modo, tendrían un coste prohibitivo.

Además, la nube ofrece soluciones sólidas para seguridad y almacenamiento de datos. La gestión de los datos de entrenamiento necesarios para proyectos modernos de visión por ordenador (CV), como el ImageNet se agiliza mediante servicios de almacenamiento de objetos como Amazon S3 o Google Cloud Google Cloud Storage.

Modelos de servicio en la computación en nube

Los servicios en la nube se suelen clasificar en tres modelos principales, cada uno de los cuales ofrece un nivel diferente de control y gestión. control y gestión:

• Infraestructura como servicio (IaaS): Proporciona los componentes básicos de la informática, como servidores virtuales y redes. Es ideal para investigadores que necesitan un control total del sistema operativo y la pila de software para entornos de personalizados de aprendizaje profundo.
• Plataforma como servicio (PaaS): Elimina la necesidad de gestionar la infraestructura subyacente, lo que permite a los desarrolladores centrarse en el despliegue y la codificación. Servicios como Google Vertex AI simplifican el flujo de trabajo para MLOps.
• Software como servicio (SaaS): Ofrece aplicaciones completas a través de Internet. La plataforma Ultralytics , de próxima aparición, es un buen ejemplo de ello. entorno completo para gestionar el ciclo de vida de YOLO11 modelos.

Aplicaciones en el mundo real

La computación en nube permite que las soluciones de IA se extiendan globalmente a diversos sectores.

1. Agricultura inteligente: La agricultura moderna utiliza IA en la agricultura para controlar la salud de los cultivos. Los drones capturan imágenes de alta resolución que se suben a la nube. Allí modelos de detección de objetos procesan las imágenes identificar plagas o enfermedades, enviando información práctica a la tableta del agricultor.
2. Diagnóstico médico: En AI in Healthcare, los hospitales aprovechan entornos en la nube para anonimizar y almacenar radiografías de pacientes. Algoritmos sofisticados realizan análisis de imágenes médicas en la nube para ayudar a los radiólogos a detectar anomalías, garantizando una gran precisión y el cumplimiento de normativas como la HIPAA.

Computación en nube frente a Edge Computing

Es importante distinguir la computación en nube de la computación de borde. Mientras que la computación en nube centraliza centraliza el procesamiento en centros de datos distantes, la computación de borde acerca el cálculo a la fuente de datos, como en un dispositivo IoT. dispositivo IoT.

• Computación en nube: Lo mejor para cargas de trabajo de formación pesadas, análisis de datos históricos y almacenamiento. En ofrece una gran escalabilidad, pero puede latencia de inferencia debido al tiempo de viaje de la red.
• Edge Computing: Lo mejor para inferencia en tiempo real, donde los milisegundos como en los vehículos autónomos. A menudo, se utiliza un enfoque híbrido en el que los modelos se entrenan en la nube y se despliegan en el borde utilizando formatos como ONNX.

Ejemplo: Formación de modelos basada en la nube

El siguiente fragmento de Python muestra un flujo de trabajo típico en el que un script podría ejecutarse en una VM (máquina virtual) en la nube para entrenar un modelo de cálculo intensivo como YOLO11 utilizando el paquete paquetePython Ultralytics .

from ultralytics import YOLO

# Load a YOLO11 model (n=nano size)
model = YOLO("yolo11n.pt")

# Train the model on the COCO8 dataset
# Cloud instances with GPUs accelerate this process significantly
results = model.train(
    data="coco8.yaml",  # dataset config
    epochs=100,  # number of training epochs
    imgsz=640,  # image size
    device=0,  # use the first GPU available
)

Este proceso aprovecha la capacidad de la nube para asignar recursos de GPU de forma dinámica, garantizando que el algoritmo de optimización converja eficientemente sin sobrecalentar los portátiles de los desarrolladores locales.