Cloud Computing

Le cloud computing désigne la fourniture à la demande de ressources informatiques (telles que des serveurs, des espaces de stockage, des bases de données, des réseaux et des logiciels) via Internet. Au lieu d'acheter, de posséder et d'entretenir des centres de données physiques, les organisations peuvent accéder à des services technologiques à la demande auprès d'un fournisseur de cloud. Pour les praticiens de l' intelligence artificielle (IA) et de l' apprentissage automatique (ML), ce paradigme est transformateur. Il offre l'évolutivité élastique nécessaire pour traiter des ensembles de données massifs et des calculs complexes sans les coûts initiaux prohibitifs du matériel.

L'importance du cloud dans le développement de l'IA

La relation symbiotique entre l'infrastructure cloud et l'IA moderne a accéléré l'innovation technologique. La formation de modèles sophistiqués d'apprentissage profond (DL) nécessite une puissance de traitement considérable. Les plateformes cloud offrent un accès instantané à des clusters haute performance de processeurs graphiques (GPU) et de Tensor (TPU), permettant aux chercheurs d'effectuer une formation distribuée sur de vastes quantités de données d'entraînement.

Au-delà de leur puissance brute, les services cloud rationalisent les opérations d'apprentissage automatique (MLOps). De l'ingestion et l'étiquetage des données au déploiement et à la surveillance des modèles, le cloud offre un écosystème unifié. Cela permet aux équipes de se concentrer sur le perfectionnement des algorithmes plutôt que sur la gestion de l'infrastructure. Par exemple, la Ultralytics utilise les ressources du cloud pour simplifier la formation et la gestion de modèles de vision tels que YOLO26.

Modèles de services de base

Le cloud computing est généralement classé en trois modèles, chacun offrant différents niveaux de contrôle :

• Infrastructure as a Service (IaaS) : fournit des ressources informatiques et de stockage fondamentales. Les utilisateurs gèrent le système d'exploitation et les applications, souvent à l'aide d'outils tels que les conteneurs Docker. Parmi les exemples, on peut citer Amazon EC2 et Google Engine.
• Plateforme en tant que service (PaaS) : élimine le besoin de gérer l'infrastructure sous-jacente, permettant aux développeurs de se concentrer sur le déploiement des applications. Ce service est très apprécié pour la gestion des bases de données et l'hébergement d'applications.
• Logiciel en tant que service (SaaS) : fournit des produits logiciels complets via Internet. La Ultralytics est un excellent exemple de SaaS, offrant une interface sans code pour l'entraînement de modèles de vision par ordinateur.

Applications de l'IA dans le monde réel

Le cloud computing permet aux solutions d'IA de fonctionner à l'échelle mondiale dans divers secteurs.

• Imagerie médicale : les prestataires de soins de santé utilisent le cloud pour stocker en toute sécurité des pétaoctets de données. Les algorithmes d'analyse d'images médicales exécutés sur des serveurs cloud peuvent traiter des IRM ou des scanners afin d'aider les radiologues à détecter des anomalies. Ce traitement centralisé garantit que les dernières versions des modèles sont toujours utilisées.
• Commerce intelligent : les détaillants utilisent des caméras connectées au cloud pour la détection d'objets afin de surveiller les niveaux de stock et d' analyser la fréquentation des clients. Les données sont transmises au cloud, traitées pour en extraire des informations, puis visualisées sur des tableaux de bord destinés aux responsables de magasin. Découvrez comment l' IA dans le commerce optimise les opérations.

Informatique en nuage et informatique en périphérie

Il est important de distinguer le cloud computing de l' edge computing, car ils jouent des rôles complémentaires dans un pipeline d'IA.

• Cloud Computing : centralise le traitement des données dans des centres de données massifs. Il est optimal pour les charges de travail lourdes telles que la formation de modèles, l'analyse historique de mégadonnées et le stockage à long terme.
• Edge Computing : Traite les données à proximité de leur source de génération (par exemple, appareils IoT, robots industriels ). Cela minimise la latence d'inférence et l' utilisation de la bande passante.

Un workflow courant consiste à entraîner un modèle robuste tel que YOLO26 dans le cloud afin de tirer parti des GPU haute vitesse, puis à l'exporter vers un format tel que ONNX pour une exécution efficace sur un périphérique de pointe.

Exemple : formation de modèles prêts pour le cloud

Python suivant montre comment lancer l'entraînement d'un modèle YOLO26. Bien que ce code puisse être exécuté localement, il est conçu pour s'adapter de manière transparente aux environnements cloud où GPU accélèrent considérablement le processus.

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)

Pour les projets à grande échelle, l'utilisation de solutions de formation dans le cloud garantit que les pondérations de votre modèle sont optimisées efficacement sans surchauffer les postes de travail locaux.