Cloud Computing

Il cloud computing si riferisce alla fornitura on-demand di risorse IT, come server, archiviazione, database, rete e software, tramite Internet. Invece di acquistare, possedere e gestire data center fisici, le organizzazioni possono accedere ai servizi tecnologici da un provider cloud in base alle necessità. Per chi opera nell'ambito dell'Intelligenza Artificiale (AI) e del Machine Learning (ML), questo paradigma è trasformativo. Offre la scalabilità elastica necessaria per gestire enormi dataset e calcoli complessi senza i proibitivi costi iniziali dell'hardware.

L'importanza del cloud nello sviluppo dell'AI#

Il rapporto simbiotico tra l'infrastruttura cloud e l'AI moderna ha accelerato l'innovazione tecnologica. L'addestramento di sofisticati modelli di Deep Learning (DL) richiede un'enorme potenza di elaborazione. Le piattaforme cloud offrono accesso immediato a cluster ad alte prestazioni di unità di elaborazione grafica (GPUs) e unità di elaborazione tensoriale (TPUs), consentendo ai ricercatori di eseguire l'addestramento distribuito su grandi quantità di dati di addestramento.

Oltre alla potenza bruta, i servizi cloud semplificano le operazioni di Machine Learning (MLOps). Dall'acquisizione dei dati e dall'etichettatura dei dati alla distribuzione dei modelli e al monitoraggio, il cloud offre un ecosistema unificato. Questo consente ai team di concentrarsi sul perfezionamento degli algoritmi invece di gestire l'infrastruttura. Ad esempio, la Ultralytics Platform utilizza risorse cloud per semplificare l'addestramento e la gestione di modelli di visione come YOLO26.

Modelli di servizio principali#

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

• Infrastruttura come servizio (IaaS): Fornisce risorse fondamentali di elaborazione e archiviazione. Gli utenti gestiscono il sistema operativo e le applicazioni, spesso utilizzando strumenti come i container Docker. Tra gli esempi figurano Amazon EC2 e Google Compute Engine.
• Piattaforma come servizio (PaaS): Elimina la necessità di gestire l'infrastruttura sottostante, consentendo agli sviluppatori di concentrarsi sulla distribuzione delle applicazioni. È una soluzione diffusa per la gestione dei database e l'hosting delle applicazioni.
• Software come servizio (SaaS): Fornisce prodotti software completi tramite Internet. La Ultralytics Platform è un esempio eccellente di SaaS e offre un'interfaccia no-code per addestrare modelli di visione artificiale.

Applicazioni reali nell'IA#

Il cloud computing consente alle soluzioni di AI di operare a livello globale in diversi settori.

• 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 CT per aiutare i radiologi a rilevare anomalie. Questa elaborazione centralizzata garantisce che siano sempre utilizzate le versioni più recenti dei modelli.
• Retail intelligente: I rivenditori sfruttano telecamere connesse al cloud per il rilevamento degli oggetti, monitorando i livelli delle scorte e analizzando il flusso dei clienti. I dati vengono trasmessi al cloud, elaborati per estrarre informazioni utili e visualizzati su dashboard per i responsabili dei negozi. Scopri come l'AI nel retail ottimizza le operazioni.

Cloud computing e edge computing#

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

• Cloud computing: Centralizza l'elaborazione dei dati in enormi data center. È ottimale per carichi di lavoro intensivi, come l'addestramento dei modelli, l'analisi storica dei Big Data e l'archiviazione a lungo termine.
• Edge computing: Elabora i dati vicino alla fonte in cui vengono generati, ad esempio dispositivi IoT e robot industriali. Questo riduce al minimo la latenza dell'inferenza e l'utilizzo della larghezza di banda.

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

Esempio: addestramento di modelli pronti per il cloud#

Il seguente frammento di codice Python mostra come avviare l'addestramento di un modello Ultralytics YOLO26. Sebbene questo codice possa essere eseguito localmente, è progettato per scalare senza problemi negli 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 i progetti su larga scala, l'utilizzo di soluzioni di addestramento nel cloud garantisce che i pesi del modello siano ottimizzati in modo efficiente senza surriscaldare le workstation locali.