Облачные вычисления

Облачные вычисления - это предоставление ИТ-ресурсов по требованию, включая вычислительные мощности, хранилища и базы данных, через интернет. интернет. Вместо того чтобы покупать, владеть и обслуживать физические центры обработки данных и серверы, организации могут получить доступ к технологическим услугам технологические услуги по мере необходимости от облачных провайдеров, таких как Amazon Web Services (AWS), Microsoft Azure или Google Cloud. Такая смена парадигмы позволяет предприятиям поменять капитальные расходы на переменные, оплачивая только потребляемые ресурсы. Для специалистов-практиков в области искусственного интеллекта (ИИ) облако обеспечивает масштабируемую инфраструктуру, необходимую для обучения сложных моделей и управления огромными объемами данных без ограничений локального оборудования.

Роль облачных вычислений в искусственном интеллекте и машинном обучении

Быстрое развитие Машинное обучение (ML) неразрывно связано с возможностями облачных вычислений. Обучение самых современных моделей требует огромных вычислительных мощностей, зачастую в том числе высокопроизводительных кластеров графических процессоров (GPU) или Tensor процессоров (TPU). Облачные платформы демократизируют доступ к этому оборудованию, позволяя разработчикам запускать мощные экземпляры для распределенных задач обучения, которые которые в противном случае были бы нерентабельными.

Кроме того, облако предлагает надежные решения для безопасности и хранения данных. Обработка огромного количества обучающих данных, необходимых для современных проектов в области компьютерного зрения (КЗ) - таких как ImageNet упрощается благодаря масштабируемым объектным сервисы хранения данных, такие как Amazon S3 или Google Cloud Storage.

Модели сервисов в облачных вычислениях

Облачные сервисы обычно делятся на три основные модели, каждая из которых предлагает различный уровень контроля и управления:

• Инфраструктура как услуга (IaaS): Предоставляет фундаментальные строительные блоки вычислений, такие как виртуальные серверы и сети. Это идеальный вариант для исследователей которым необходим полный контроль над операционной системой и стеком программного обеспечения для создания пользовательских среды глубокого обучения (DL).
• Платформа как услуга (PaaS): Устраняет необходимость управления базовой инфраструктурой, позволяя разработчикам сосредоточиться на развертывании и кодировании. Такие сервисы, как Google Vertex AI, упрощают рабочий процесс для MLOps.
• Программное обеспечение как услуга (SaaS): Поставляет готовые Программные приложения через Интернет. В качестве примера можно привести готовящуюся к выпуску платформу Ultralytics Platform, предлагающую комплексную среду для управления жизненным циклом YOLO11 модели.

Применение в реальном мире

Облачные вычисления позволяют глобально масштабировать решения ИИ в различных отраслях.

1. Умное сельское хозяйство: Современное сельское хозяйство использует ИИ в сельском хозяйстве для мониторинга состояния посевов. Дроны делают снимки высокого разрешения, которые загружаются в облако. Там модели обнаружения объектов обрабатывают изображения, чтобы выявления вредителей или болезней, отправляя информацию о действиях на планшет фермера.
2. Медицинская диагностика: В ИИ в здравоохранении, больницы используют безопасные облачные среды для анонимизации и хранения рентгеновских снимков пациентов. Сложные алгоритмы выполняют анализ медицинских изображений в облаке, чтобы помогают рентгенологам выявлять аномалии, обеспечивая высокую точность и соответствие нормативным требованиям, таким как HIPAA.

Облачные вычисления против граничных вычислений

Важно отличать облачные вычисления от краевых вычислений. В то время как облачные вычисления централизуют обработку данных в удаленных центрах обработки данных, пограничные вычисления приближают вычисления к источнику данных, например, к IoT-устройству. IoT-устройстве.

• Облачные вычисления: Лучше всего подходит для тяжелых учебных нагрузок, анализа исторических данных и хранения данных. Это обеспечивает высокую масштабируемость, но может вносить задержки в выводах из-за сетевого времени.
• Пограничные вычисления: Лучше всего подходит для вычислений в реальном времени, когда миллисекунды например, в автономных транспортных средствах. Часто используется гибридный подход, когда модели обучаются в облаке и разворачиваются на границе с помощью таких форматов, как ONNX.

Пример: Обучение моделей на основе облачных технологий

Следующий фрагмент на Python демонстрирует типичный рабочий процесс, в котором сценарий может быть запущен на облачной виртуальной машине (ВМ) для обучения модели с интенсивными вычислениями, такой как YOLO11 , с помощью Ultralytics Python .

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
)

Этот процесс использует способность облака динамически распределять ресурсы GPU , обеспечивая эффективную сходимость алгоритма оптимизации. алгоритм оптимизации сходится эффективно без перегрева локальных ноутбуков разработчиков.