Cloud Computing

L’informatique en nuage désigne la mise à disposition à la demande de ressources informatiques — serveurs, stockage, bases de données, réseaux, GPU et applications logicielles complètes — par Internet depuis les centres de données d’un fournisseur, avec une facturation selon l’utilisation. Le National Institute of Standards and Technology des États-Unis l’a définie en 2011 dans la norme NIST SP 800-145 au moyen de cinq caractéristiques essentielles : libre-service à la demande, large accès réseau, mise en commun des ressources entre de nombreux clients, élasticité rapide et service mesuré. Amazon Web Services a lancé ses services de stockage S3 et de calcul EC2 en 2006 ; AWS, Microsoft Azure et Google Cloud sont aujourd’hui les plus grands fournisseurs. Pour l’intelligence artificielle, le cloud transforme des accélérateurs coûteux en ressources qu’on peut louer pour un après-midi, ce qui permet à la plupart des équipes d’entraîner de grands modèles sans posséder de centre de données.

Modèles de service et de déploiement#

Les modèles de service se distinguent par la part de la pile logicielle gérée par le fournisseur :

• Infrastructure en tant que service (IaaS) : Machines virtuelles, stockage par blocs et réseaux ; le client gère le système d’exploitation, les pilotes et les logiciels. Les machines virtuelles GPU, comme les instances Amazon EC2 P5, relèvent de l’IaaS.
• Plateforme en tant que service (PaaS) : Environnements d’exécution, bases de données et clusters Kubernetes gérés ; le client déploie le code, tandis que le fournisseur s’occupe des serveurs et des correctifs. Les plateformes ML gérées, comme Amazon SageMaker, Google Vertex AI et Azure Machine Learning, ajoutent des tâches d’entraînement et des points de terminaison de modèles.
• Informatique sans serveur : Fonctions ou conteneurs qui démarrent à chaque requête, passent à zéro lorsqu’ils sont inactifs et sont facturés par requête et durée d’exécution ; ce modèle plus récent masque entièrement les serveurs.
• Logiciel en tant que service (SaaS) : Applications complètes utilisées dans un navigateur ou via une API, que le client n’a pas à exploiter.

Le NIST nomme également quatre modèles de déploiement : les clouds publics partagés par de nombreux clients, les clouds privés exploités pour une seule organisation, les clouds communautaires partagés par des organisations ayant des exigences communes et les clouds hybrides qui les combinent. Dans tous les modèles, les fournisseurs appliquent un modèle de responsabilité partagée : le fournisseur sécurise les centres de données physiques et la couche de virtualisation, tandis que le client est responsable de ses identités, de ses configurations et de la sécurité des données.

L’informatique en nuage pour l’IA#

L’entraînement est l’étape de l’IA la plus gourmande en calcul. Les fournisseurs cloud louent des GPU individuels ou des clusters d’accélérateurs NVIDIA H100, H200 et B200 reliés par des interconnexions à haut débit pour l’entraînement distribué, et Google Cloud propose également ses propres TPU. La capacité excédentaire coûte moins cher : les instances Spot AWS coûtent jusqu’à 90 % de moins que les tarifs à la demande, mais peuvent être récupérées avec un préavis de deux minutes ; les tâches qui les utilisent enregistrent donc assez souvent des points de contrôle de leurs poids de modèle pour pouvoir reprendre.

L’emplacement des données influe sur les coûts du cloud. Les jeux de données se trouvent dans un stockage objet, souvent organisé en lac de données, et les fournisseurs facturent les frais de sortie des données qui quittent leur réseau, tandis que leur entrée est généralement gratuite ; le calcul d’entraînement s’exécute donc habituellement dans la même région que les mégadonnées qu’il lit. Pour l’inférence, les modèles empaquetés dans des conteneurs Docker s’exécutent sur des points de terminaison gérés pour le service de modèles, ou sur des clusters Kubernetes qui ajoutent ou suppriment des répliques en fonction du trafic — l’élasticité rapide de la définition du NIST —, tandis que des régions proches des utilisateurs réduisent la latence d’inférence. Les plateformes ML cloud hébergent également les outils MLOps associés au suivi des expériences, aux registres de modèles et à la surveillance des modèles.

Ultralytics Platform applique ce modèle de location à l’usage à l’entraînement YOLO : l’entraînement cloud propose 26 types de GPU, d’une RTX 2000 Ada de 16 Go à une B300 de 288 Go, facture le temps GPU réellement utilisé par une exécution et, lorsque le GPU sélectionné est indisponible, propose le GPU disponible le plus proche en privilégiant la VRAM, puis la vitesse, puis le prix.

Cloud computing et edge computing#

L’informatique en périphérie traite les données sur les appareils qui les produisent ou à proximité, comme les caméras, les robots et les passerelles, ce qui évite l’aller-retour réseau jusqu’à un centre de données et permet de continuer à fonctionner en cas de coupure de connexion. L’informatique en nuage centralise une capacité élastique pour les tâches qui en ont le plus besoin : entraînement, traitement de gros lots, stockage à long terme et services dont les utilisateurs tolèrent des délais réseau de plusieurs dizaines de millisecondes. La plupart des systèmes de vision par ordinateur combinent les deux. Un modèle entraîné sur des GPU cloud est exporté dans un format compact comme ONNX ou TensorRT et s’exécute comme IA en périphérie sur l’appareil, qui renvoie des détections et des images sélectionnées vers le cloud, où elles servent de données d’entraînement pour la prochaine version du modèle.