Cloud Computing

クラウドコンピューティングがどのようにAIを支えているかを探ります。クラウドGPU上でUltralytics YOLO26をトレーニングし、全く新しいUltralytics Platformを使用して大規模にビジョンモデルをデプロイする方法を学びましょう。

クラウドコンピューティングとは、サーバー、ストレージ、データベース、ネットワーク、ソフトウェアなどのITリソースをインターネット経由でオンデマンド提供することを指します。組織が物理的なデータセンターを購入、保有、維持する代わりに、必要なときに必要なだけクラウドプロバイダーからテクノロジーサービスを利用できます。人工知能 (AI) および機械学習 (ML) の実践者にとって、このパラダイムは変革をもたらすものです。ハードウェアの初期費用を抑えながら、大規模なデータセットや複雑な計算処理を処理するために必要な弾力的なスケーラビリティを提供します。

AI開発におけるクラウドの重要性#

クラウドインフラストラクチャと現代のAIの共生関係は、技術革新を加速させています。高度なディープラーニング (DL) モデルのトレーニングには、膨大な処理能力が必要です。クラウドプラットフォームは、高性能なグラフィックス処理装置 (GPU) やテンソル処理装置 (TPU) のクラスターへの即時アクセスを提供し、研究者が膨大な量のトレーニングデータを用いて分散学習を実行できるようにします。

単なる処理能力にとどまらず、クラウドサービスは機械学習運用 (MLOps) を効率化します。データの取り込みやデータラベリングから、モデルデプロイやモニタリングに至るまで、クラウドは統合されたエコシステムを提供します。これにより、チームはインフラストラクチャの管理ではなく、アルゴリズムの洗練に集中できるようになります。たとえば、Ultralytics Platform はクラウド上のリソースを活用して、YOLO26 のようなビジョンモデルのトレーニングと管理を簡素化します。

主要なサービスモデル#

クラウドコンピューティングは通常、制御レベルに応じて3つのモデルに分類されます。

Infrastructure as a Service (IaaS): 基本的なコンピュートおよびストレージリソースを提供します。ユーザーは、Docker コンテナなどのツールを使用して、オペレーティングシステムやアプリケーションを管理します。例としては、Amazon EC2 や Google Compute Engine が挙げられます。
Platform as a Service (PaaS): 基盤となるインフラストラクチャの管理を不要にし、開発者がアプリケーションのデプロイに集中できるようにします。これはデータベース管理やアプリケーションホスティングでよく利用されています。
Software as a Service (SaaS): インターネット経由で完全なソフトウェア製品を提供します。Ultralytics Platform はSaaSの代表的な例であり、コンピュータビジョンモデルをトレーニングするためのノーコードインターフェースを提供します。

AIにおける現実世界の応用#

クラウドコンピューティングにより、AIソリューションは世界中の多様な業界で運用可能になります。

医療画像処理: 医療機関はクラウドを使用してペタバイト単位のデータを安全に保存しています。クラウドサーバー上で実行される医療画像解析アルゴリズムは、MRIやCTスキャンを処理して放射線科医による異常検出を支援します。この集中処理により、常に最新バージョンのモデルが使用されることが保証されます。
スマートリテール: 小売業者は、物体検出のためにクラウド接続カメラを活用して在庫レベルを監視し、顧客の足取りを分析します。データはクラウドにストリーミングされ、処理されてインサイトが抽出され、店舗マネージャー向けのダッシュボードに視覚化されます。AI in Retail がどのように業務を最適化するかをご覧ください。

クラウドコンピューティングとエッジコンピューティングの比較#

クラウドコンピューティングはAIパイプラインにおいて補完的な役割を果たしているため、エッジコンピューティングと区別することが重要です。

クラウドコンピューティング: 大規模なデータセンターでのデータ処理を集約します。モデルトレーニング、過去のビッグデータ分析、長期保存などの高負荷なワークロードに最適です。
エッジコンピューティング: データが生成される場所（IoTデバイス、産業用ロボットなど）の近くでデータを処理します。これにより、推論レイテンシと帯域幅の使用量を最小限に抑えます。

一般的なワークフローとしては、高速GPUを活用するためにクラウド上で YOLO26 などの頑健なモデルをトレーニングし、エッジデバイス上で効率的に実行するために ONNX などのフォーマットにエクスポートするという手順があります。

例：クラウド対応のモデルトレーニング#

以下のPythonスニペットは、Ultralytics YOLO26モデルのトレーニングを開始する方法を示しています。このコードはローカルでも実行できますが、GPUリソースによってプロセスが大幅に加速されるクラウド環境へとシームレスにスケールするように設計されています。

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)

大規模なプロジェクトでは、クラウドトレーニングソリューションを利用することで、ローカルのワークステーションを過熱させることなく、モデル重みを効率的に最適化できます。