Cloud Computing

Облачные вычисления представляют собой предоставление ИТ-ресурсов по запросу — таких как серверы, хранилища, базы данных, сети и программное обеспечение — через интернет. Вместо того чтобы организации покупали, владели и обслуживали физические центры обработки данных, они могут получать доступ к технологическим услугам по мере необходимости от облачного провайдера. Для специалистов по Искусственному интеллекту (ИИ) и Машинному обучению (МО) эта парадигма носит преобразующий характер. Она обеспечивает эластичную масштабируемость, необходимую для обработки огромных наборов данных и сложных вычислений без непомерных первоначальных затрат на аппаратное обеспечение.

Важность облака в разработке ИИ#

Симбиотическая связь между облачной инфраструктурой и современным ИИ ускорила технологические инновации. Обучение сложных моделей Глубокого обучения (DL) требует огромной вычислительной мощности. Облачные платформы предоставляют мгновенный доступ к высокопроизводительным кластерам Графических процессоров (GPU) и Тензорных процессоров (TPU), позволяя исследователям выполнять распределенное обучение на колоссальных объемах обучающих данных.

Помимо чистой мощности, облачные сервисы оптимизируют Операции машиннного обучения (MLOps). От сбора данных и разметки данных до развертывания моделей и мониторинга, облако предоставляет единую экосистему. Это позволяет командам сосредоточиться на доработке алгоритмов, а не на управлении инфраструктурой. Например, Платформа Ultralytics использует облачные ресурсы для упрощения обучения и управления моделями компьютерного зрения, такими как YOLO26.

Основные модели обслуживания#

Облачные вычисления обычно классифицируются по трем моделям, каждая из которых предлагает разный уровень контроля:

• Инфраструктура как услуга (IaaS): Предоставляет базовые вычислительные ресурсы и ресурсы хранения. Пользователи управляют операционной системой и приложениями, часто используя такие инструменты, как контейнеры Docker. Примеры включают Amazon EC2 и Google Compute Engine.
• Платформа как услуга (PaaS): Устраняет необходимость управления нижележащей инфраструктурой, позволяя разработчикам сосредоточиться на развертывании приложений. Это популярно для управления базами данных и хостинга приложений.
• Программное обеспечение как услуга (SaaS): Доставляет готовые программные продукты через интернет. Платформа Ultralytics является ярким примером SaaS, предлагая интерфейс без кода для обучения моделей компьютерного зрения.

Реальные применения в ИИ#

Облачные вычисления позволяют ИИ-решениям работать глобально в самых разных отраслях.

• Медицинская визуализация: Медицинские учреждения используют облако для безопасного хранения петабайтов данных. Алгоритмы анализа медицинских изображений, работающие на облачных серверах, могут обрабатывать МРТ или КТ-сканы, помогая рентгенологам обнаруживать аномалии. Такая централизованная обработка гарантирует, что всегда используются последние версии моделей.
• Умный ритейл: Ритейлеры используют подключенные к облаку камеры для обнаружения объектов с целью контроля уровня запасов и анализа клиентского трафика. Данные передаются в облако в реальном времени, обрабатываются для извлечения аналитики и визуализируются на дашбордах для управляющих магазинами. Узнай, как ИИ в ритейле оптимизирует операции.

Облачные вычисления против граничных (Edge) вычислений#

Важно отличать облачные вычисления от периферийных вычислений, поскольку они выполняют взаимодополняющие роли в конвейере ИИ.

• Облачные вычисления: Централизуют обработку данных в массивных центрах обработки данных. Они оптимальны для тяжелых рабочих нагрузок, таких как обучение моделей, исторический анализ больших данных и долгосрочное хранение.
• Периферийные вычисления: Обрабатывают данные рядом с источником их создания (например, IoT-устройства, производственные роботы). Это минимизирует задержку инференса и использование пропускной способности.

Типичный рабочий процесс включает в себя обучение надежной модели, такой как YOLO26, в облаке для использования высокоскоростных GPU, с последующим ее экспортом в формат вроде ONNX для эффективного выполнения на периферийном устройстве.

Пример: обучение модели в облаке#

Следующий фрагмент кода на Python демонстрирует, как запустить обучение модели YOLO26. Хотя этот код может выполняться локально, он спроектирован так, чтобы легко масштабироваться до облачных сред, где ресурсы GPU значительно ускоряют процесс.

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)

Для крупномасштабных проектов использование решений для облачного обучения гарантирует эффективную оптимизацию весов модели без перегрева локальных рабочих станций.