Cloud Computing

Il cloud computing è l'erogazione su richiesta di risorse IT, tra cui potenza di calcolo, storage e database, attraverso Internet. Internet. Invece di acquistare, possedere e mantenere data center e server fisici, le organizzazioni possono accedere ai servizi tecnologici su base servizi tecnologici in base alle necessità da un fornitore di cloud come Amazon Web Services (AWS), Microsoft Azure o Google Cloud. Questo cambio di paradigma consente alle di scambiare le spese di capitale con le spese variabili, pagando solo per le risorse consumate. Per operatori del settore Intelligenza Artificiale (IA), il cloud fornisce l'infrastruttura scalabile necessaria per addestrare modelli complessi e gestire grandi quantità di dati senza i limiti dell'hardware locale. limiti dell'hardware locale.

Il ruolo del cloud nell'intelligenza artificiale e nell'apprendimento automatico

Il rapido progresso del Machine Learning (ML) è intrinsecamente legato alle capacità del cloud computing. L'addestramento di modelli all'avanguardia richiede un'immensa potenza di calcolo, spesso di cluster ad alte prestazioni di unità di elaborazione grafica (GPU) o unità di elaborazioneTensor (TPU). Le piattaforme cloud democratizzano l'accesso a questo hardware, consentendo agli sviluppatori di creare istanze potenti per attività di formazione distribuita che altrimenti altrimenti proibitive dal punto di vista dei costi.

Inoltre, il cloud offre soluzioni solide per la sicurezza e archiviazione dei dati. La gestione dei massicci dati di dati di addestramento richiesti dai moderni progetti di progetti di computer vision (CV), come ad esempio la ImageNet come il set di dati ImageNet, è semplificata grazie a servizi di archiviazione di oggetti scalabili come Amazon S3 o Google Cloud Storage. Google Cloud Storage.

Modelli di servizio nel cloud computing

I servizi cloud sono tipicamente classificati in tre modelli primari, ognuno dei quali offre un diverso livello di controllo e di gestione:

• Infrastruttura come servizio (IaaS): Fornisce gli elementi fondamentali gli elementi fondamentali dell'informatica, come i server virtuali e le reti. È l'ideale per i ricercatori che che necessitano di un controllo completo sul sistema operativo e sullo stack software per gli ambienti di ambienti personalizzati di deep learning (DL).
• Piattaforma come servizio (PaaS): Elimina la necessità di gestire l'infrastruttura sottostante, consentendo agli sviluppatori di concentrarsi sulla distribuzione e sulla codifica. Servizi come Google Vertex AI semplificano il flusso di lavoro degli MLOps.
• Software come servizio (SaaS): Fornisce applicazioni software complete applicazioni software complete su Internet. L'imminente piattaforma Ultralytics ne è un esempio, in quanto offre un ambiente completo per la gestione del ciclo di vita delle applicazioni. un ambiente completo per la gestione del ciclo di vita del software. YOLO11 modelli.

Applicazioni nel mondo reale

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

1. Agricoltura intelligente: L'agricoltura moderna utilizza AI in agricoltura per monitorare la salute delle colture. I droni acquisiscono immagini ad alta risoluzione che vengono caricate sul cloud. Lì, modelli di rilevamento degli oggetti elaborano le immagini per identificare parassiti o malattie, inviando informazioni utili al tablet dell'agricoltore.
2. Diagnostica medica: In AI nell'assistenza sanitaria, gli ospedali sfruttano ambienti cloud sicuri per ambienti cloud sicuri per anonimizzare e archiviare le radiografie dei pazienti. Sofisticati algoritmi eseguono analisi delle immagini mediche nel cloud per radiologi nel rilevare le anomalie, garantendo un'elevata accuratezza e la conformità a normative come l'HIPAA. HIPAA.

Cloud Computing vs. Edge Computing

È importante distinguere il cloud computing dall dall'edge computing. Mentre il cloud computing centralizza elaborazione in centri dati distanti, l'edge computing porta il calcolo più vicino alla fonte dei dati, ad esempio su un dispositivo IoT. dispositivo IoT.

• Cloud Computing: Ideale per carichi di lavoro pesanti di formazione, analisi dei dati storici e archiviazione. Offre offre un'elevata scalabilità, ma può introdurre latenza di inferenza dovuta al tempo di percorrenza della rete.
• Edge Computing: Ideale per inferenza in tempo reale dove i millisecondi millesimi, come nel caso dei veicoli autonomi. Spesso viene utilizzato un approccio ibrido in cui i modelli vengono addestrati nel cloud e distribuiti all'edge utilizzando formati come ONNX.

Esempio: Formazione del modello basata sul cloud

Il seguente snippet Python mostra un tipico flusso di lavoro in cui uno script potrebbe essere eseguito su una VM (Virtual Machine) del cloud per addestrare un modello ad alta intensità di calcolo come YOLO11 utilizzando il pacchetto Ultralytics Python .

from ultralytics import YOLO

# Load a YOLO11 model (n=nano size)
model = YOLO("yolo11n.pt")

# Train the model on the COCO8 dataset
# Cloud instances with GPUs accelerate this process significantly
results = model.train(
    data="coco8.yaml",  # dataset config
    epochs=100,  # number of training epochs
    imgsz=640,  # image size
    device=0,  # use the first GPU available
)

Questo processo sfrutta la capacità del cloud di allocare le risorse GPU in modo dinamico, garantendo che l'algoritmo di ottimizzazione converga in modo efficiente. algoritmo di ottimizzazione converga in modo efficiente senza surriscaldare i laptop degli sviluppatori locali.