Computação em Nuvem

A computação em nuvem é a entrega a pedido de recursos de TI - incluindo capacidade de computação, armazenamento e bases de dados - através da Internet. Em vez de comprar, possuir e manter centros de dados e servidores físicos, as organizações podem aceder a serviços tecnológicos numa base de necessidade de um fornecedor de nuvem como Amazon Web Services (AWS), Microsoft Azure ou Google Cloud. Esta mudança de paradigma permite empresas troquem despesas de capital por despesas variáveis, pagando apenas pelos recursos que consomem. Para os profissionais de Inteligência Artificial (IA), a nuvem fornece a infraestrutura escalável necessária para treinar modelos complexos e gerir grandes quantidades de dados sem as sem as limitações do hardware local.

O papel da nuvem na IA e na aprendizagem automática

O rápido avanço da aprendizagem automática (ML) está intrinsecamente ligado às capacidades da computação em nuvem. O treino de modelos de última geração requer um imenso poder computacional, muitas vezes que envolvem clusters de alto desempenho de unidades de processamento gráfico (GPUs) ou Unidades de ProcessamentoTensor (TPUs). As plataformas democratizam o acesso a este hardware, permitindo que os programadores criem instâncias poderosas para para tarefas de formação distribuídas que que, de outra forma, teriam um custo proibitivo.

Além disso, a nuvem oferece soluções robustas para segurança e armazenamento de dados. O tratamento dos enormes dados de formação necessários para projectos modernos de projectos de visão computacional (CV) modernos - como o ImageNet é simplificado através de serviços de armazenamento de objectos serviços de armazenamento de objectos escaláveis, como o Amazon S3 ou o Google Cloud Storage.

Modelos de serviço na computação em nuvem

Os serviços em nuvem são normalmente classificados em três modelos principais, cada um oferecendo um nível diferente de controlo e gestão:

• Infraestrutura como um serviço (IaaS): Fornece os blocos de construção fundamentais da computação, como servidores virtuais e redes. É ideal para investigadores que necessitam de controlo total sobre o sistema operativo e a pilha de software para ambientes personalizados de ambientes personalizados de aprendizagem profunda (DL).
• Plataforma como um serviço (PaaS): Elimina a necessidade de gerir a infraestrutura subjacente, permitindo que os programadores se concentrem na implementação e na codificação. Serviços como o Google Vertex AI simplificam o fluxo de trabalho para MLOps.
• Software como um serviço (SaaS): Fornece aplicações de software completas aplicações de software completas através da Internet. A futura Ultralytics Platform é um excelente exemplo, oferecendo um ambiente abrangente para gerir o ciclo de vida de YOLO11 modelos.

Aplicações no Mundo Real

A computação em nuvem permite que as soluções de IA sejam escaladas globalmente em vários sectores.

1. Agricultura inteligente: A agricultura moderna utiliza a IA na agricultura para monitorizar a saúde das culturas. Os drones captam imagens de alta resolução que são carregadas para a nuvem. Aí, modelos de deteção de objectos processam as imagens para identificar pragas ou doenças, enviando informações acionáveis para o tablet do agricultor.
2. Diagnóstico médico: Em IA nos cuidados de saúde, os hospitais utilizam ambientes de nuvem seguros para tornar anónimas e armazenar as radiografias dos pacientes. Algoritmos sofisticados efectuam análise de imagens médicas na nuvem para auxiliar os radiologistas na deteção de anomalias, garantindo uma elevada precisão e conformidade com regulamentos como HIPAA.

Computação em nuvem vs. computação periférica

É importante distinguir a computação em nuvem da computação periférica. Enquanto a computação em nuvem centraliza centraliza o processamento em centros de dados distantes, a computação periférica aproxima a computação da fonte de dados, por exemplo, num dispositivo IoT.

• Computação em nuvem: Ideal para cargas de trabalho de formação pesadas, análise de dados históricos e armazenamento. Oferece oferece elevada escalabilidade, mas pode introduzir latência de inferência devido ao tempo de deslocação da rede.
• Computação periférica: Ideal para inferência em tempo real em que os milissegundos importam, como nos veículos autónomos. Muitas vezes, é utilizada uma abordagem híbrida em que os modelos são treinados na nuvem e implantados na borda usando formatos como ONNX.

Exemplo: Treino de modelos com base na nuvem

O seguinte fragmento de Python demonstra um fluxo de trabalho típico em que um script pode ser executado numa VM (Máquina Virtual) da nuvem para treinar um modelo computacionalmente intensivo como o YOLO11 usando o pacote pacotePython Ultralytics .

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
)

Este processo aproveita a capacidade da nuvem para atribuir recursos GPU de forma dinâmica, garantindo que o algoritmo de otimização algoritmo de otimização converge eficientemente sem sobreaquecer os computadores portáteis dos programadores locais.