Cloud Computing

L'informatique en nuage désigne la fourniture à la demande de ressources informatiques, telles que des serveurs, du stockage, des bases de données, des réseaux et des logiciels, via Internet. Au lieu d'acheter, de posséder et de maintenir des centres de données physiques, les organisations peuvent accéder aux services technologiques d'un fournisseur cloud selon leurs besoins. Pour les professionnels de l'intelligence artificielle (AI) et de l'apprentissage automatique (ML), ce paradigme est transformateur. Il fournit la scalabilité élastique nécessaire pour gérer d'immenses jeux de données et des calculs complexes sans le coût initial prohibitif 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. L'entraînement de modèles sophistiqués d'apprentissage profond (DL) nécessite une puissance de calcul considérable. Les plateformes cloud offrent un accès instantané à des clusters haute performance de processeurs graphiques (GPUs) et d'unités de traitement tensoriel (TPUs), permettant aux chercheurs d'effectuer un entraînement distribué sur de vastes quantités de données d'entraînement.

Au-delà de la puissance brute, les services cloud simplifient les opérations d'apprentissage automatique (MLOps). De l'ingestion des données à l'étiquetage des données, en passant par le déploiement des modèles et la surveillance, le cloud fournit un écosystème unifié. Les équipes peuvent ainsi se concentrer sur l'amélioration des algorithmes plutôt que sur la gestion de l'infrastructure. Par exemple, l'Ultralytics Platform utilise les ressources cloud pour simplifier l'entraînement et la gestion de modèles de vision tels que YOLO26.

Modèles de services fondamentaux#

L'informatique en nuage est généralement classée en trois modèles, chacun offrant différents niveaux de contrôle :

• Infrastructure en tant que service (IaaS) : fournit les ressources fondamentales de calcul et de stockage. Les utilisateurs gèrent le système d'exploitation et les applications, souvent à l'aide d'outils tels que les conteneurs Docker. Parmi les exemples figurent Amazon EC2 et Google Compute Engine.
• Plateforme en tant que service (PaaS) : évite de devoir gérer l'infrastructure sous-jacente, ce qui permet aux développeurs de se concentrer sur le déploiement des applications. Ce modèle est très utilisé 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. L'Ultralytics Platform est un excellent exemple de SaaS, avec une interface sans code pour entraîner des modèles de vision par ordinateur.

Applications concrètes dans l'IA#

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

• Imagerie médicale : les établissements de santé utilisent le cloud pour stocker de manière sécurisée des pétaoctets de données. Les algorithmes d'analyse d'images médicales exécutés sur des serveurs cloud peuvent traiter des examens IRM ou tomodensitométriques afin d'aider les radiologues à détecter des anomalies. Ce traitement centralisé garantit que les versions les plus récentes des modèles sont toujours utilisées.
• Commerce intelligent : les détaillants exploitent 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 des magasins. Découvre comment l'IA dans le commerce optimise les opérations.

Informatique en nuage et informatique en périphérie#

Il est important de distinguer l'informatique en nuage de l'informatique en périphérie, car elles jouent des rôles complémentaires dans un pipeline d'IA.

• Informatique en nuage : centralise le traitement des données dans d'immenses centres de données. Elle est optimale pour les charges de travail lourdes, telles que l'entraînement des modèles, l'analyse historique des Big Data et le stockage à long terme.
• Informatique en périphérie : traite les données à proximité de leur source de production (par exemple, les appareils IoT et les robots industriels). Elle réduit la latence d'inférence et l'utilisation de la bande passante.

Un flux de travail courant consiste à entraîner dans le cloud un modèle robuste tel que YOLO26 afin de tirer parti de GPUs haut débit, puis à l'exporter dans un format tel que ONNX pour une exécution efficace sur un appareil en périphérie.

Exemple : entraînement d'un modèle prêt pour le cloud#

L'extrait Python suivant montre comment lancer l'entraînement d'un modèle Ultralytics YOLO26. Bien que ce code puisse être exécuté localement, il est conçu pour s'adapter facilement aux environnements cloud, où les ressources 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 de grande envergure, l'utilisation de solutions d'entraînement dans le cloud garantit que tes poids de modèle sont optimisés efficacement sans faire surchauffer les stations de travail locales.