Cloud Computing

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で提供することを指します。企業が物理的なデータセンターを購入、所有、保守する代わりに、クラウドプロバイダーから必要に応じてテクノロジーサービスにアクセスできます。人工知能 (AI) や 機械学習 (ML) の実践者にとって、このパラダイムは革新的です。ハードウェアへの莫大な初期費用をかけずに、大量のデータセットや複雑な計算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。

Link to this sectionAI開発におけるクラウドの重要性#

The symbiotic relationship between cloud infrastructure and modern AI has accelerated technological innovation. Training sophisticated Deep Learning (DL) models requires immense processing power. Cloud platforms offer instant access to high-performance clusters of Graphics Processing Units (GPUs) and Tensor Processing Units (TPUs), enabling researchers to perform distributed training on vast amounts of training data.

単なる処理能力を超えて、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、モデルデプロイメント、監視に至るまで、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、チームはインフラの管理ではなく、アルゴリズムの改良に集中できるようになります。例えば、Ultralytics Platform はクラウド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。

Link to this section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ティングリソースと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 Amazon EC2 や Google Compute Engine があります。
• Platform as a Service (PaaS): 基盤となるインフラを管理する必要性を排除し、開発者がアプリケーションのデプロイメントに集中できるようにします。データベース管理 やアプリケーションホスティングにおいて一般的です。
• Software as a Service (SaaS): 完全なソフトウェア製品をインターネット経由で提供します。Ultralytics Platform はSaaSの優れた例であり、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ています。

Link to this sectionAI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: 医療提供者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、放射線科医が異常を検出するのを支援します。この集中的な処理により、常に最新のモデルバージョンが使用されることが保証されます。
• スマートリテール: 小売業者はクラウド接続されたカメラを活用し、物体検出 を行って在庫レベルを監視し、顧客の動線を分析します。データはクラウドにストリーミングされ、処理されて洞察が抽出され、店長向けのダッシュボードで可視化されます。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。

Link to this section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と エッジコンピューティング を区別することは重要です。これらはAIパイプラインにおいて補完的な役割を果たします。

• 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。モデルのトレーニング、過去の ビッグデータ 分析、長期ストレージなどの負荷の高いワークロードに最適です。
• エッジコンピューティング: データの生成元（IoTデバイスや製造ロボットなど）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 と帯域幅の消費を最小限に抑えます。

一般的なワークフローでは、YOLO26 のような堅牢なモデルをクラウドでトレーニングして高速なGPUを活用し、その後、エッジデバイスで効率的に実行するために ONNX のような形式にエクスポートします。

Link to this section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、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リソースが処理を大幅に加速させるクラウド環境へ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。