Cloud Computing

Облачные вычисления — это предоставление ИТ-ресурсов (таких как серверы, хранилища, базы данных, сетевые возможности и ПО) по требованию через интернет. Вместо того чтобы покупать, владеть и обслуживать физические центры обработки данных, организации могут получать доступ к технологическим услугам по мере необходимости у облачного провайдера. Для специалистов в области искусственного интеллекта (ИИ) и машинного обучения (МО) эта парадигма является революционной. Она обеспечивает гибкую масштабируемость, необходимую для работы с огромными массивами данных и сложными вычислениями без запретительных первоначальных затрат на оборудование.

Link to this sectionВажность облака в разработке ИИ#

Симбиоз облачной инфраструктуры и современного ИИ ускорил технологические инновации. Обучение сложных моделей глубокого обучения (DL) требует огромных вычислительных мощностей. Облачные платформы предлагают мгновенный доступ к высокопроизводительным кластерам графических процессоров (GPU) и тензорных процессоров (TPU), позволяя исследователям выполнять распределенное обучение на огромных объемах обучающих данных.

Помимо вычислительной мощности, облачные сервисы оптимизируют операции машинного обучения (MLOps). Облако предоставляет единую экосистему — от сбора данных и разметки данных до развертывания моделей и мониторинга. Это позволяет твоей команде сосредоточиться на доработке алгоритмов, а не на управлении инфраструктурой. Например, Ultralytics Platform использует облачные ресурсы для упрощения обучения и управления моделями компьютерного зрения, такими как YOLO26.

Link to this sectionОсновные 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 хранилища. Ты управляешь операционной системой и приложениями, часто используя инструменты вроде контейнеров Docker. Примеры включают Amazon EC2 и Google Compute Engine.
• Платформа как услуга (PaaS): Избавляет от необходимости управлять базовой инфраструктурой, позволяя разработчикам сосредоточиться на развертывании приложений. Это популярное решение для управления базами данных и хостинга приложений.
• Программное обеспечение как услуга (SaaS): Доставляет готовые программные продукты через интернет. Ultralytics Platform — яркий пример SaaS, предлагающий no-code интерфейс для обучения моделей компьютерного зрения.

Link to this sectionРеальные 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 снимки МРТ или КТ, помогая радиологам обнаруживать аномалии. Такая централизованная обработка гарантирует, что всегда используются последние версии моделей.
• Умный ритейл: Ритейлеры используют облачные камеры для обнаружения объектов, чтобы контролировать уровень запасов и анализировать поток покупателей. Данные передаются в облако, обрабатываются для получения аналитических выводов и визуализируются на дашбордах для управляющих магазинами. Узнай, как ИИ в ритейле оптимизирует операции.

Link to this sectionОблачные вычисления против граничных (Edge) вычислений#

Важно различать облачные вычисления и граничные вычисления, так как они дополняют друг друга в конвейере ИИ.

• Облачные вычисления: Централизуют обработку данных в огромных центрах обработки данных. Оптимальны для тяжелых рабочих нагрузок, таких как обучение моделей, исторический анализ Big Data и долгосрочное хранение.
• Граничные вычисления: Обрабатывают данные рядом с источником их возникновения (например, IoT-устройства, производственные роботы). Это минимизирует задержку вывода и потребление полосы пропускания.

Типичный рабочий процесс включает обучение мощной модели, такой как YOLO26, в облаке для использования высокоскоростных GPU, с последующим экспортом в формат, например ONNX, для эффективного выполнения на граничном устройстве.

Link to this sectionПример: 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, что веса модели оптимизируются эффективно, без перегрева локальных рабочих станций.