Cloud Computing

Облачные вычисления — это предоставление ИТ-ресурсов по запросу, таких как серверы, хранилища, базы данных, сетевые ресурсы и программное обеспечение, через интернет. Вместо покупки, владения и обслуживания физических центров обработки данных организации могут получать доступ к технологическим сервисам от облачного провайдера по мере необходимости. Для специалистов в области искусственного интеллекта (AI) и машинного обучения (ML) эта парадигма имеет огромное значение. Она обеспечивает необходимую эластичную масштабируемость для работы с массивными наборами данных и сложными вычислениями без непомерных первоначальных затрат на оборудование.

Важность облачных технологий в разработке AI#

Взаимодействие облачной инфраструктуры и современного AI ускорило технологические инновации. Для обучения сложных моделей глубокого обучения (DL) требуются огромные вычислительные мощности. Облачные платформы обеспечивают мгновенный доступ к высокопроизводительным кластерам графических процессоров (GPUs) и тензорных процессоров (TPUs), позволяя исследователям выполнять распределенное обучение на огромных объемах данных для обучения.

Помимо вычислительной мощности, облачные сервисы упрощают эксплуатацию машинного обучения (MLOps). От загрузки данных и разметки данных до развертывания моделей и мониторинга облако предоставляет единую экосистему. Это позволяет командам сосредоточиться на совершенствовании 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 сервисов#

Облачные вычисления обычно подразделяются на три модели, каждая из которых предоставляет свой 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 управлять базовой инфраструктурой, позволяя разработчикам сосредоточиться на развертывании приложений. Эта модель популярна для управления базами данных и размещения приложений.
• Программное обеспечение как услуга (SaaS): предоставляет готовые программные продукты через интернет. Платформа Ultralytics — яркий пример SaaS, предлагающий интерфейс без программирования для обучения моделей компьютерного зрения.

Практическое применение векторов в ИИ#

Облачные вычисления позволяют AI-решениям работать по всему миру в самых разных отраслях.

• Медицинская визуализация: медицинские учреждения используют облако для безопасного хранения петабайт данных. Алгоритмы анализа медицинских изображений, работающие на облачных серверах, могут обрабатывать снимки MRI или CT, помогая радиологам выявлять аномалии. Централизованная обработка гарантирует, что всегда используются самые последние версии моделей.
• Умная розничная торговля: розничные компании используют подключенные к облаку камеры для обнаружения объектов, чтобы отслеживать уровень запасов и анализировать поток покупателей. Данные передаются в облако, обрабатываются для извлечения полезной информации и визуализируются на панелях мониторинга для управляющих магазинов. Узнай, как AI в розничной торговле оптимизирует рабочие процессы.

Облачные и периферийные вычисления#

Важно отличать облачные вычисления от периферийных вычислений, поскольку они выполняют взаимодополняющие функции в конвейере AI.

• Облачные вычисления: централизуют обработку данных в крупных центрах обработки данных. Они оптимальны для ресурсоемких задач, таких как обучение моделей, анализ исторических данных Big Data и долгосрочное хранение.
• Периферийные вычисления: обрабатывают данные рядом с источником их получения, например на устройствах IoT и производственных роботах. Это сокращает задержку инференса и потребление пропускной способности.

Распространенный рабочий процесс включает обучение надежной модели, такой как YOLO26, в облаке для использования высокоскоростных GPU, а затем ее экспорт в формат, такой как ONNX, для эффективного выполнения на периферийном устройстве.

Пример: обучение модели, готовой к работе в облаке#

Следующий фрагмент кода на Python демонстрирует, как начать обучение модели Ultralytics YOLO26. Хотя этот код может выполняться локально, он рассчитан на бесштабное масштабирование в облачных средах, 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 крупных проектов использование решений для обучения в облаке гарантирует эффективную оптимизацию весов модели без перегрева локальных рабочих станций.