Cloud Computing

Il cloud computing si riferisce all'erogazione on-demand di risorse IT, come server, storage, database, networking e software, tramite internet. Invece di acquistare, possedere e mantenere data center fisici, le organizzazioni possono accedere ai servizi tecnologici in base alle proprie necessità presso un provider cloud. Per chi si occupa di Artificial Intelligence (AI) e Machine Learning (ML), questo paradigma è trasformativo. Offre la scalability elastica necessaria per gestire enormi dataset e computazioni complesse senza i proibitivi costi iniziali dell'hardware.

Link to this sectionL'importanza del cloud nello sviluppo dell'AI#

Il rapporto simbiotico tra l'infrastruttura cloud e l'AI moderna ha accelerato l'innovazione tecnologica. Addestrare modelli sofisticati di Deep Learning (DL) richiede un'immensa potenza di calcolo. Le piattaforme cloud offrono accesso immediato a cluster ad alte prestazioni di Graphics Processing Units (GPUs) e Tensor Processing Units (TPUs), consentendo ai ricercatori di eseguire il distributed training su vaste quantità di training data.

Oltre alla potenza pura, i servizi cloud semplificano le Machine Learning Operations (MLOps). Dall'ingestione dei dati e data labeling al model deployment e al monitoraggio, il cloud fornisce un ecosistema unificato. Ciò consente ai team di concentrarsi sul perfezionamento degli algoritmi anziché sulla gestione dell'infrastruttura. Ad esempio, la Ultralytics Platform utilizza risorse cloud per semplificare l'addestramento e la gestione di modelli di visione come YOLO26.

Link to this sectionModelli di servizio principali#

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

• Infrastructure as a Service (IaaS): Fornisce risorse fondamentali di calcolo e archiviazione. Gli utenti gestiscono il sistema operativo e le applicazioni, spesso utilizzando strumenti come i container Docker. Gli esempi includono Amazon EC2 e Google Compute Engine.
• Platform as a Service (PaaS): Elimina la necessità di gestire l'infrastruttura sottostante, consentendo agli sviluppatori di concentrarsi sul deployment delle applicazioni. Questo modello è popolare per il database management e l'hosting di applicazioni.
• Software as a Service (SaaS): Distribuisce prodotti software completi via internet. La Ultralytics Platform è un ottimo esempio di SaaS, poiché offre un'interfaccia no-code per l'addestramento di modelli di computer vision.

Link to this sectionApplicazioni reali nell'IA#

Il cloud computing consente alle soluzioni AI di operare globalmente in diversi settori.

• Imaging medico: Gli operatori sanitari utilizzano il cloud per archiviare petabyte di dati in modo sicuro. Gli algoritmi di Medical image analysis eseguiti su server cloud possono elaborare scansioni MRI o TAC 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 le telecamere connesse al cloud per l'object detection al fine di monitorare i livelli di inventario e analizzare il flusso dei clienti. I dati vengono trasmessi al cloud, elaborati per estrarre insight e visualizzati su dashboard per i responsabili dei punti vendita. Scopri come AI in Retail ottimizza le operazioni.

Link to this sectionCloud Computing vs. Edge Computing#

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

• Cloud Computing: Centralizza l'elaborazione dei dati in enormi data center. È ottimale per carichi di lavoro pesanti come l'addestramento dei modelli, l'analisi storica di 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 l'inference latency 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 successivamente l'esportazione in un formato come ONNX per un'esecuzione efficiente su un dispositivo edge.

Link to this sectionEsempio: addestramento di modelli pronto per il cloud#

Il seguente snippet Python mostra come avviare l'addestramento di un modello YOLO26. Sebbene questo codice possa essere eseguito localmente, è progettato per scalare senza problemi in ambienti cloud dove le risorse 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 cloud training garantisce che i tuoi model weights siano ottimizzati in modo efficiente senza surriscaldare le workstation locali.