Cloud Computing

Le cloud computing est la fourniture à la demande de services informatiques (y compris les serveurs, le stockage, les bases de données, la mise en réseau, les logiciels, l'analyse et l'intelligence) via Internet (« le cloud »). Au lieu de posséder et de maintenir leur propre infrastructure informatique, les organisations peuvent accéder à ces services auprès d'un fournisseur de cloud comme Amazon Web Services (AWS), Google Cloud ou Microsoft Azure. Ce modèle permet une innovation plus rapide, des ressources flexibles et des économies d'échelle, ce qui en fait une base essentielle pour l'intelligence artificielle (IA) et l'apprentissage automatique (ML) modernes. L'idée centrale, telle que définie par le National Institute of Standards and Technology (NIST), est de fournir un accès réseau omniprésent, pratique et à la demande à un pool partagé de ressources informatiques configurables.

Comment fonctionne le Cloud Computing

Les fournisseurs de cloud maintiennent un réseau mondial de centres de données avec d'énormes quantités de matériel. Ils offrent des services à travers différents modèles, les plus courants étant :

• Infrastructure as a Service (IaaS) : Fournit des ressources informatiques fondamentales telles que des machines virtuelles, du stockage et des réseaux. Cela donne aux utilisateurs un contrôle maximal et est idéal pour les environnements d'apprentissage profond personnalisés.
• Platform as a Service (PaaS) : Offre une plateforme permettant aux clients de développer, d'exécuter et de gérer des applications sans la complexité de la construction et de la maintenance de l'infrastructure. Cela inclut les bases de données gérées et les services Kubernetes.
• Software as a Service (SaaS) : Fournit des applications logicielles sur Internet sur la base d'un abonnement. Ultralytics HUB est un exemple de plateforme SaaS qui fournit des outils pour l'entraînement et la gestion des modèles de vision par ordinateur.

Cette structure offre des avantages clés tels que des économies de coûts, une scalabilité mondiale, des performances élevées et une sécurité des données renforcée, qui sont gérées en partenariat avec des organisations telles que la Cloud Security Alliance (CSA).

Importance dans l'IA et l'apprentissage automatique

Le cloud est aujourd'hui le principal moteur du développement de l'IA. L'entraînement de modèles avancés, comme Ultralytics YOLO, nécessite une puissance de calcul et des données considérables, qu'il est souvent impossible d'héberger localement.

Principales utilisations :

• Entraînement de modèles puissants : Le cloud fournit un accès à du matériel haute performance comme les GPU et les TPU nécessaires pour l'entraînement distribué sur de grands ensembles de données. Les plateformes comme Ultralytics HUB Cloud Training tirent parti de cela pour accélérer le développement de modèles.
• Gestion des grands ensembles de données : Les modèles d'IA sont entraînés sur de grandes quantités de données d'entraînement. Les solutions de stockage en nuage fournissent des référentiels évolutifs et accessibles pour ces ensembles de données, d'ImageNet aux collections personnalisées pour des tâches spécifiques comme la détection d'objets.
• Déploiement de modèles scalable : Une fois qu'un modèle est entraîné, il peut être déployé dans le cloud pour l'inférence en temps réel. La nature élastique du cloud permet aux applications de s'adapter automatiquement pour gérer les fluctuations de la demande, un principe fondamental du MLOps. Vous pouvez en apprendre davantage sur les différentes options de déploiement de modèles dans notre documentation.

Applications concrètes

1. L'IA dans l'automobile : Les entreprises qui développent des véhicules autonomes collectent des pétaoctets de données de conduite. Elles utilisent des clusters de GPU basés sur le cloud pour entraîner et valider des modèles de perception capables d'identifier les piétons, les véhicules et les panneaux de signalisation, un processus détaillé dans notre page de solutions d'IA dans l'automobile.
2. L'IA dans le secteur de la santé : Un hôpital de recherche peut utiliser un environnement cloud sécurisé et conforme à la norme HIPAA pour entraîner un modèle de diagnostic pour l'analyse d'imagerie médicale. En mettant en commun des données anonymisées, ils peuvent créer un modèle robuste à l'aide d'un framework tel que PyTorch pour détecter les anomalies dans les radiographies ou les IRM, ce qui permet d'obtenir des diagnostics plus rapides et plus précis pour une meilleure IA dans le secteur de la santé.

Cloud Computing vs. Concepts Connexes

• Informatique sans serveur : L'informatique sans serveur est un modèle d'exécution au sein de l'informatique en nuage, et non une alternative à celle-ci. Alors que l'informatique en nuage au sens large peut impliquer la gestion de serveurs virtuels (IaaS), l'approche sans serveur fait abstraction de toute gestion de serveur. Vous fournissez simplement du code (sous forme de fonctions), et le fournisseur de nuage provisionne automatiquement les ressources pour l'exécuter, en passant d'un volume nul à des volumes massifs selon les besoins.
• Edge Computing : L'Edge Computing implique le traitement des données localement sur des appareils situés à la « périphérie » du réseau, à proximité de la source de données. C'est l'opposé du modèle centralisé du Cloud Computing. Cependant, ils sont souvent utilisés ensemble dans une approche hybride. Par exemple, un appareil Edge AI comme un NVIDIA Jetson peut effectuer une détection d'objets initiale, puis envoyer uniquement les métadonnées pertinentes au cloud pour le stockage à long terme, l'agrégation ou une analyse plus approfondie. Cette approche combine la faible latence de la périphérie avec la puissance massive du cloud. Vous trouverez plus d'informations sur notre blog concernant le déploiement d'applications sur des appareils Edge.