Cloud Computing

Il cloud computing è la fornitura on-demand di servizi di elaborazione, tra cui server, storage, database, networking, software, analisi e intelligence, tramite Internet ("il cloud"). Invece di possedere e mantenere la propria infrastruttura di elaborazione, le organizzazioni possono accedere a questi servizi da un provider di cloud come Amazon Web Services (AWS), Google Cloud o Microsoft Azure. Questo modello consente un'innovazione più rapida, risorse flessibili ed economie di scala, rendendolo una base essenziale per l'Intelligenza Artificiale (AI) e il Machine Learning (ML) moderni. L'idea centrale, come definita dal National Institute of Standards and Technology (NIST), è quella di fornire un accesso di rete on-demand, ubiquo e conveniente a un pool condiviso di risorse di elaborazione configurabili.

Come funziona il Cloud Computing

I provider di cloud gestiscono una rete globale di data center con enormi quantità di hardware. Offrono servizi attraverso diversi modelli, i più comuni sono:

• Infrastructure as a Service (IaaS): Fornisce risorse di calcolo fondamentali come macchine virtuali, storage e networking. Ciò offre agli utenti il massimo controllo ed è ideale per ambienti di deep learning personalizzati.
• Platform as a Service (PaaS): Offre una piattaforma che consente ai clienti di sviluppare, eseguire e gestire applicazioni senza la complessità di costruire e mantenere l'infrastruttura. Ciò include database gestiti e servizi Kubernetes.
• Software as a Service (SaaS): Fornisce applicazioni software via internet tramite abbonamento. Ultralytics HUB è un esempio di piattaforma SaaS che offre strumenti per l'addestramento e la gestione di modelli di computer vision.

Questa struttura abilita vantaggi chiave come il risparmio sui costi, la scalabilità globale, le alte prestazioni e la maggiore sicurezza dei dati, che sono gestiti in collaborazione con organizzazioni come la Cloud Security Alliance (CSA).

Importanza nell'IA e nel Machine Learning

Il cloud è il motore principale per lo sviluppo dell'IA oggi. L'addestramento di modelli avanzati, come Ultralytics YOLO, richiede un'immensa potenza di calcolo e dati, che spesso è impraticabile ospitare localmente.

Gli usi principali includono:

• Addestramento di modelli potenti: Il cloud fornisce accesso a hardware ad alte prestazioni come GPU e TPU necessari per l'addestramento distribuito su grandi set di dati. Piattaforme come Ultralytics HUB Cloud Training sfruttano questo per accelerare lo sviluppo del modello.
• Gestione di dataset di grandi dimensioni: I modelli di IA vengono addestrati su enormi quantità di dati di training. Le soluzioni di cloud storage forniscono repository scalabili e accessibili per questi dataset, da ImageNet a raccolte personalizzate per attività specifiche come il rilevamento di oggetti.
• Distribuzione scalabile del modello: Una volta addestrato un modello, può essere distribuito nel cloud per l'inferenza in tempo reale. La natura elastica del cloud consente alle applicazioni di scalare automaticamente per gestire la domanda fluttuante, un principio fondamentale di MLOps. Puoi trovare maggiori informazioni sulle diverse opzioni di distribuzione del modello nella nostra documentazione.

Applicazioni nel mondo reale

1. AI nel settore automobilistico: Le aziende che sviluppano veicoli autonomi raccolgono petabyte di dati di guida. Utilizzano cluster GPU basati su cloud per addestrare e convalidare modelli di percezione in grado di identificare pedoni, veicoli e segnali stradali, un processo descritto in dettaglio nella nostra pagina delle soluzioni AI nel settore automobilistico.
2. AI nel settore sanitario: Un ospedale di ricerca potrebbe utilizzare un ambiente cloud sicuro e conforme a HIPAA per addestrare un modello diagnostico per l'analisi di immagini mediche. Mettendo in comune dati anonimizzati, possono costruire un modello robusto utilizzando un framework come PyTorch per rilevare anomalie in radiografie o risonanze magnetiche, portando a diagnosi più rapide e accurate per una migliore AI nel settore sanitario.

Cloud Computing vs. Concetti correlati

• Serverless Computing: Il serverless computing è un modello di esecuzione all'interno del cloud computing, non un'alternativa ad esso. Mentre il cloud computing più ampio può comportare la gestione di server virtuali (IaaS), il serverless astrae tutta la gestione del server. Si fornisce semplicemente il codice (come funzioni) e il provider di cloud esegue automaticamente il provisioning delle risorse per eseguirlo, scalando da zero a volumi enormi secondo necessità.
• Edge Computing: L'Edge computing implica l'elaborazione dei dati localmente su dispositivi "edge" della rete, vicino alla fonte dei dati. Questo è l'opposto del modello centralizzato di cloud computing. Tuttavia, vengono spesso utilizzati insieme in un approccio ibrido. Ad esempio, un dispositivo Edge AI come un NVIDIA Jetson potrebbe eseguire il rilevamento iniziale degli oggetti e quindi inviare solo i metadati rilevanti al cloud per l'archiviazione a lungo termine, l'aggregazione o un'analisi più intensiva. Questo approccio combina la bassa latenza dell'edge con l'enorme potenza del cloud. Puoi trovare maggiori informazioni sul nostro blog sull'implementazione di applicazioni su dispositivi edge.