클라우드 컴퓨팅

클라우드 컴퓨팅은 컴퓨팅 성능, 스토리지, 데이터베이스를 포함한 IT 리소스를 인터넷을 통해 온디맨드 방식으로 제공하는 것입니다. 인터넷을 통해 제공합니다. 조직은 물리적 데이터 센터와 서버를 구매, 소유 및 유지 관리하는 대신, 다음과 같은 클라우드 제공업체로부터 필요에 따라 다음과 같은 클라우드 제공업체에서 필요에 따라 기술 서비스를 이용할 수 있습니다. 아마존 웹 서비스(AWS), Microsoft Azure 또는 Google Cloud. 이러한 패러다임의 변화는 기업은 자본 비용을 변동 비용으로 전환하여 사용한 리소스에 대해서만 비용을 지불할 수 있습니다. 대상 실무자 인공 지능(AI), 클라우드 는 복잡한 모델을 학습하고 방대한 양의 데이터를 관리하는 데 필요한 확장 가능한 인프라를 제공합니다. 확장 가능한 인프라를 제공합니다.

AI 및 머신 러닝에서 클라우드의 역할

머신러닝의 급속한 발전은 머신 러닝(ML) 은 본질적으로 클라우드 컴퓨팅의 기능과 클라우드 컴퓨팅의 역량과 본질적으로 연결되어 있습니다. 최첨단 모델을 학습하려면 엄청난 연산 능력이 필요하며, 종종 고성능 클러스터를 고성능 클러스터가 필요합니다. 그래픽 처리 장치(GPU) 또는 Tensor 처리 장치(TPU). 클라우드 플랫폼은 이러한 하드웨어에 대한 액세스를 민주화하여 개발자가 강력한 인스턴스를 스핀업할 수 있도록 지원합니다. 분산된 트레이닝 작업을 위한 강력한 인스턴스를 생성할 수 있습니다.

또한 클라우드는 다음과 같은 강력한 솔루션을 제공합니다. 데이터 보안 및 스토리지를 위한 강력한 솔루션을 제공합니다. 최신 교육에 필요한 방대한 트레이닝 데이터 처리 컴퓨터 비전(CV) 프로젝트에 필요한 방대한 트레이닝 데이터 처리 ImageNet 데이터 세트와 같은 최신 컴퓨터 비전 프로젝트에 필요한 대규모 학습 데이터를 처리하는 것은 확장 가능한 오브젝트 확장 가능한 오브젝트 스토리지 서비스나 Google 클라우드 스토리지.

클라우드 컴퓨팅의 서비스 모델

클라우드 서비스는 일반적으로 세 가지 기본 모델로 분류되며, 각 모델은 서로 다른 수준의 제어 및 관리:

• 서비스형 인프라(IaaS): 제공 가상 서버 및 네트워킹과 같은 컴퓨팅의 기본 구성 요소를 제공합니다. 맞춤형 운영 체제와 소프트웨어 스택을 완벽하게 제어해야 하는 운영 체제 및 소프트웨어 스택을 완벽하게 제어해야 하는 연구자에게 이상적입니다. 딥 러닝(DL) 환경을 위한 운영 체제 및 소프트웨어 스택을 제어해야 하는 연구자에게 이상적입니다.
• 서비스형 플랫폼(PaaS): 기본 인프라를 관리할 필요가 없으므로 개발자는 배포와 코딩에 집중할 수 있습니다. Google Vertex AI와 같은 서비스는 다음과 같은 워크플로를 간소화합니다. MLOps.
• 서비스형 소프트웨어(SaaS): 완성된 완성된 소프트웨어 애플리케이션을 제공합니다. 곧 출시될 Ultralytics 플랫폼이 대표적인 예로, 다음과 같은 포괄적인 환경을 제공합니다. 라이프사이클을 관리할 수 있는 포괄적인 환경을 제공합니다. YOLO11 모델의 라이프사이클을 관리하는 포괄적인 환경을 제공합니다.

실제 애플리케이션

클라우드 컴퓨팅을 통해 다양한 산업 분야에서 AI 솔루션을 전 세계로 확장할 수 있습니다.

1. 스마트 농업: 현대 농업은 농업의 AI를 활용하여 작물의 건강을 모니터링합니다. 드론은 고해상도 이미지를 캡처하여 클라우드에 업로드합니다. 거기서 물체 감지 모델이 이미지를 처리하여 해충이나 질병을 식별하여 실행 가능한 인사이트를 농부의 태블릿으로 다시 전송합니다.
2. 의료 진단: In 의료 분야의 AI에서 병원은 안전한 클라우드 환경을 활용하여 클라우드 환경을 활용하여 환자의 엑스레이를 익명화하고 저장합니다. 정교한 알고리즘이 클라우드에서 클라우드에서 의료 이미지 분석을 수행하여 영상의학 전문의가 이상 징후를 감지하여 높은 정확도를 보장하고 다음과 같은 규정을 준수하도록 지원합니다. HIPAA.

클라우드 컴퓨팅과 엣지 컴퓨팅 비교

클라우드 컴퓨팅을 다음과 같이 구분하는 것이 중요합니다. 에지 컴퓨팅과 구별하는 것이 중요합니다. 클라우드 컴퓨팅은 멀리 떨어진 데이터 센터에서 처리하는 반면, 엣지 컴퓨팅은 데이터 소스에 더 가까운 곳에서 계산을 수행합니다. IoT 디바이스.

• 클라우드 컴퓨팅: 과중한 교육 워크로드, 기록 데이터 분석 및 저장에 가장 적합합니다. It 높은 확장성을 제공하지만 네트워크 이동 시간으로 인해 추론 지연 시간이 발생할 수 있습니다.
• 엣지 컴퓨팅: 최적 대상 실시간 추론에 적합 밀리초가 중요한 실시간 추론에 적합합니다. 모델을 클라우드에서 학습하고 다음과 같은 형식을 사용하여 엣지에 배포하는 하이브리드 접근 방식이 자주 사용됩니다. ONNX.

예시: 클라우드 기반 모델 학습

다음 Python 스니펫은 클라우드 VM(가상 머신)에서 스크립트가 실행될 수 있는 일반적인 워크플로우를 보여줍니다. 에서 스크립트를 실행하여 YOLO11 같은 계산 집약적인 모델을 훈련하는 일반적인 워크플로우를 보여줍니다. Ultralytics Python 패키지.

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
)

이 프로세스는 GPU 리소스를 동적으로 할당하는 클라우드의 기능을 활용하여 최적화 알고리즘이 최적화 알고리즘이 효율적으로 수렴하도록 로컬 개발자 노트북을 과열시키지 않습니다.