Cloud Computing

Il cloud computing si riferisce alla fornitura su richiesta di risorse IT, quali server, archiviazione, database, reti e software, tramite Internet. Anziché acquistare, possedere e mantenere centri dati fisici, le organizzazioni possono accedere ai servizi tecnologici in base alle necessità da un fornitore di servizi cloud. Per i professionisti dell' intelligenza artificiale (AI) e dell' apprendimento automatico (ML), questo paradigma è trasformativo. Fornisce la scalabilità elastica necessaria per gestire enormi set di dati e calcoli complessi senza i costi iniziali proibitivi dell'hardware.

L'importanza del cloud nello sviluppo dell'intelligenza artificiale

La relazione simbiotica tra infrastruttura cloud e IA moderna ha accelerato l'innovazione tecnologica. L'addestramento di sofisticati modelli di Deep Learning (DL) richiede un'immensa potenza di elaborazione. Le piattaforme cloud offrono accesso immediato a cluster ad alte prestazioni di unità di elaborazione grafica (GPU) e unitàTensor (TPU), consentendo ai ricercatori di eseguire l'addestramento distribuito su enormi quantità di dati di addestramento.

Oltre alla potenza pura, i servizi cloud ottimizzano le operazioni di machine learning (MLOps). Dall'acquisizione e dall'etichettatura dei dati alla distribuzione e al monitoraggio dei modelli, il cloud fornisce un ecosistema unificato. Ciò consente ai team di concentrarsi sul perfezionamento degli algoritmi piuttosto che sulla gestione dell'infrastruttura. Ad esempio, la Ultralytics utilizza le risorse cloud per semplificare l'addestramento e la gestione di modelli di visione come YOLO26.

Modelli di servizio principali

Il cloud computing è generalmente classificato in tre modelli, ciascuno dei quali offre diversi livelli di controllo:

• Infrastructure as a Service (IaaS): fornisce risorse fondamentali di elaborazione e archiviazione. Gli utenti gestiscono il sistema operativo e le applicazioni, spesso utilizzando strumenti come i container Docker. Alcuni esempi sono Amazon EC2 e Google Engine.
• Platform as a Service (PaaS): elimina la necessità di gestire l'infrastruttura sottostante, consentendo agli sviluppatori di concentrarsi sull'implementazione delle applicazioni. È molto diffuso per la gestione dei database e l'hosting delle applicazioni.
• Software as a Service (SaaS): fornisce prodotti software completi tramite Internet. La Ultralytics è un ottimo esempio di SaaS, che offre un' interfaccia senza codice per l'addestramento di modelli di visione artificiale.

Applicazioni del mondo reale nell'IA

Il cloud computing consente alle soluzioni di intelligenza artificiale di operare a livello globale in diversi settori industriali.

• Imaging medico: gli operatori sanitari utilizzano il cloud per archiviare in modo sicuro petabyte di dati. Gli algoritmi di analisi delle immagini mediche in esecuzione su server cloud possono elaborare scansioni MRI o TC per aiutare i radiologi a rilevare anomalie. Questa elaborazione centralizzata garantisce che siano sempre in uso le versioni più recenti dei modelli.
• Smart Retail: i rivenditori sfruttano telecamere connesse al cloud per il rilevamento di oggetti al fine di monitorare i livelli delle scorte e analizzare il traffico dei clienti. I dati vengono trasmessi al cloud, elaborati per estrarre informazioni e visualizzati su dashboard per i responsabili dei negozi. Scopri come l' intelligenza artificiale nel settore retail ottimizza le operazioni.

Cloud Computing vs. Edge Computing

È importante distinguere il cloud computing dall' edge computing, poiché svolgono ruoli complementari in una pipeline di IA.

• Cloud Computing: centralizza l'elaborazione dei dati in enormi centri dati. È ottimale per carichi di lavoro pesanti come l'addestramento di modelli, l'analisi storica dei Big Data e l'archiviazione a lungo termine.
• Edge Computing: elabora i dati vicino alla fonte di generazione (ad esempio, dispositivi IoT, robot di produzione ). Ciò riduce al minimo la latenza di inferenza e l' utilizzo della larghezza di banda.

Un flusso di lavoro comune prevede l'addestramento di un modello robusto come YOLO26 nel cloud per sfruttare le GPU ad alta velocità, e quindi esportarlo in un formato come ONNX per un'esecuzione efficiente su un dispositivo edge.

Esempio: Addestramento di modelli pronti per il cloud

Il seguente Python mostra come avviare l'addestramento di un modello YOLO26. Sebbene questo codice possa essere eseguito localmente, è progettato per essere scalato senza soluzione di continuità in ambienti cloud dove GPU accelerano significativamente il processo.

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)

Per progetti su larga scala, l'utilizzo di soluzioni di formazione cloud garantisce che i pesi del modello siano ottimizzati in modo efficiente senza surriscaldare le workstation locali.