Cloud Computing

Le cloud computing 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 d'entretenir des centres de données physiques, les organisations peuvent accéder à des services technologiques auprès d'un fournisseur cloud selon leurs besoins. 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 gérer des ensembles de données massifs et des calculs complexes sans le coût initial prohibitif du matériel.

Link to this sectionL'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 de Deep Learning (DL) nécessite une puissance de traitement immense. Les plateformes cloud offrent un accès instantané à des clusters haute performance de Graphics Processing Units (GPUs) et de Tensor Processing Units (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 rationalisent les Machine Learning Operations (MLOps). De l'ingestion de données et l'étiquetage des données au déploiement de modèles et à la surveillance, le cloud fournit un écosystème unifié. Cela permet aux équipes de se concentrer sur l'optimisation des algorithmes plutôt que sur la gestion de l'infrastructure. Par exemple, la Ultralytics Platform utilise des ressources cloud pour simplifier l'entraînement et la gestion de modèles de vision comme YOLO26.

Link to this sectionModèles de services principaux#

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

• Infrastructure as a Service (IaaS) : Fournit des ressources fondamentales de calcul et de stockage. Tu gères le système d'exploitation et les applications, souvent en utilisant des outils comme des conteneurs Docker. Les exemples incluent Amazon EC2 et Google Compute Engine.
• Platform as a Service (PaaS) : Supprime le besoin de gérer l'infrastructure sous-jacente, permettant aux développeurs de se concentrer sur le déploiement d'applications. C'est un modèle populaire pour la gestion de bases de données et l'hébergement d'applications.
• Software as a Service (SaaS) : Fournit des logiciels complets via Internet. La Ultralytics Platform est un exemple phare de SaaS, offrant une interface sans code pour l'entraînement de modèles de vision par ordinateur.

Link to this sectionApplications concrètes en IA#

Le cloud computing permet aux solutions d'IA de fonctionner mondialement dans divers secteurs.

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

Link to this sectionCloud Computing vs Edge Computing#

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. C'est optimal pour les charges de travail lourdes comme l'entraînement de modèles, l'analyse historique de Big Data et le stockage à long terme.
• Edge Computing : Traite les données près de la source de génération (par exemple, appareils IoT, robots industriels). Cela minimise la latence d'inférence et l'utilisation de la bande passante.

Un flux de travail courant implique l'entraînement d'un modèle robuste comme YOLO26 dans le cloud pour tirer parti de GPU haute vitesse, puis son exportation vers un format comme ONNX pour une exécution efficace sur un appareil en périphérie (edge).

Link to this sectionExemple : Entraînement de modèles prêt pour le cloud#

L'extrait Python suivant démontre comment lancer l'entraînement pour un modèle YOLO26. Bien que ce code puisse s'exécuter localement, il est conçu pour évoluer de manière transparente vers des 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 à grande échelle, l'utilisation de solutions d'entraînement cloud garantit que tes poids de modèle sont optimisés efficacement sans surchauffe de tes stations de travail locales.