Cloud Computing

L'informatique en nuage est la fourniture à la demande de ressources informatiques - y compris la puissance de calcul, le stockage et les bases de données - par l'intermédiaire d'Internet. Internet. Au lieu d'acheter, de posséder et d'entretenir des centres de données et des serveurs physiques, les organisations peuvent accéder à des services technologiques en fonction de leurs besoins auprès d'un fournisseur d'informatique en nuage, comme par exemple un fournisseur de logiciels. peuvent accéder à des services technologiques en fonction de leurs besoins auprès d'un fournisseur de services en nuage (cloud) tel que Amazon Web Services (AWS), Microsoft Azure ou Google Cloud. Ce changement de paradigme permet Ce changement de paradigme permet aux entreprises d'échanger des dépenses d'investissement contre des dépenses variables, en ne payant que pour les ressources qu'elles consomment. Pour les praticiens de l l'intelligence artificielle (IA), l'informatique dématérialisée fournit l'infrastructure évolutive nécessaire pour former des modèles complexes et gérer de grandes quantités de données sans les limites du matériel local. de données sans les limites du matériel local.

Le rôle de l'informatique dématérialisée dans l'IA et l'apprentissage automatique

Les progrès rapides de l'apprentissage L'apprentissage automatique est intrinsèquement lié aux capacités de l'informatique en nuage. aux capacités de l'informatique en nuage. La formation de modèles de pointe nécessite une immense puissance de calcul, impliquant souvent des grappes de serveurs haute performance. souvent des grappes de processeurs graphiques (GPU) unités de traitement graphique (GPU) ou Tensor Processing Units (TPU). Les plateformes Les plateformes cloud démocratisent l'accès à ce matériel, permettant aux développeurs de créer de puissantes instances pour des tâches d'apprentissage distribuées qui ne seraient pas possibles sans l'aide d'une plateforme cloud. pour des tâches d'entraînement distribuées dont le coût qui seraient autrement trop coûteuses.

En outre, l'informatique dématérialisée offre des solutions solides pour la sécurité et le stockage des données. sécurité et le stockage des données. Le traitement des données de formation données d'apprentissage massives requises pour les modernes de vision par ordinateur (CV), tels que le projet ImageNet est simplifiée grâce à des services de stockage d'objets comme Amazon S3 ou Google Cloud Storage. Google Cloud Storage.

Modèles de services dans l'informatique en nuage

Les services en nuage sont généralement classés en trois modèles principaux, chacun offrant un niveau différent de contrôle et de gestion. de contrôle et de gestion :

• Infrastructure en tant que service (IaaS) : Fournit les éléments fondamentaux de l'informatique, tels que les serveurs virtuels et les réseaux. Cette solution est idéale pour les chercheurs qui ont besoin d'un contrôle total sur le système d'exploitation et la pile logicielle pour des environnements d'apprentissage profond (DL).
• Plate-forme en tant que service (PaaS) : La gestion de l'infrastructure sous-jacente n'est plus nécessaire, ce qui permet aux développeurs de se concentrer sur le déploiement et le codage. Des services tels que Google Vertex AI simplifient le flux de travail des MLOps.
• Logiciel en tant que service (SaaS): Fournit des applications logicielles applications logicielles complètes sur l'internet. La future plateforme Ultralytics en est un excellent exemple. environnement complet pour la gestion du cycle de vie des YOLO11 de YOLO11.

Applications concrètes

L'informatique en nuage permet aux solutions d'IA de s'étendre à l'échelle mondiale dans divers secteurs.

1. L'agriculture intelligente : L'agriculture moderne utilise l'IA dans l'agriculture pour surveiller la santé des cultures. l 'IA dans l'agriculture pour surveiller la santé des cultures. Les drones capturent des images à haute résolution qui sont téléchargées dans le nuage. Là, des modèles de détection d'objets modèles de détection d'objets traitent les images pour identifier les parasites ou les maladies, et renvoient des informations exploitables sur la tablette de l'agriculteur.
2. Diagnostic médical : En AI in Healthcare, les hôpitaux tirent parti d'environnements en nuage sécurisés pour anonymiser et stocker les radiographies des patients. sécurisés pour anonymiser et stocker les radiographies des patients. Des algorithmes sophistiqués effectuent l'analyse d'images médicales dans le nuage pour pour aider les radiologues à détecter les anomalies, en garantissant une grande précision et la conformité avec des réglementations telles que l'HIPAA. HIPAA.

Informatique en nuage et informatique en périphérie

Il est important de distinguer l'informatique en nuage de l'informatique en périphérie. edge computing. Alors que l'informatique en nuage centralise traitement dans des centres de données distants, l'informatique en périphérie rapproche le calcul de la source de données, par exemple sur un appareil IoT. dispositif IoT.

• Informatique en nuage : Idéal pour les charges de travail de formation lourdes, l'analyse des données historiques et le stockage. L'informatique en nuage Il offre une grande évolutivité mais peut latence d'inférence due au temps de déplacement du réseau.
• L'informatique en périphérie : La meilleure solution pour l'inférence en temps réel où les millisecondes comme dans les véhicules autonomes. Souvent, une approche hybride est utilisée où les modèles sont formés dans le nuage et déployés à la périphérie en utilisant des formats comme le ONNX.

Exemple : Formation de modèles basée sur l'informatique en nuage

L'extrait Python suivant illustre un flux de travail typique dans lequel un script peut être exécuté sur une VM (machine virtuelle) en nuage pour entraîner un modèle à forte intensité de calcul comme YOLO11 à l'aide du paquet Python Ultralytics Python .

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
)

Ce processus s'appuie sur la capacité du cloud à allouer des ressources GPU de manière dynamique, garantissant ainsi que l'algorithme d'optimisation converge efficacement. l 'algorithme d'optimisation converge efficacement sans faire surchauffer les ordinateurs portables des développeurs locaux.