Облачные вычисления

Облачные вычисления — это предоставление по запросу ИТ-ресурсов, таких как серверы, хранилища, базы данных, сети и программное обеспечение, через Интернет. Вместо того чтобы покупать, владеть и обслуживать физические центры обработки данных, организации могут получать доступ к технологическим услугам по мере необходимости от поставщика облачных услуг. Для специалистов в области искусственного интеллекта (ИИ) и машинного обучения (МО) эта парадигма является революционной. Она обеспечивает гибкую масштабируемость, необходимую для обработки огромных массивов данных и сложных вычислений без непомерных первоначальных затрат на оборудование.

Важность облачных технологий в развитии искусственного интеллекта

Симбиотические отношения между облачной инфраструктурой и современным искусственным интеллектом ускорили технологические инновации. Обучение сложных моделей глубокого обучения (DL) требует огромной вычислительной мощности. Облачные платформы предлагают мгновенный доступ к высокопроизводительным кластерам графических процессоров (GPU) и Tensor (TPU), что позволяет исследователям проводить распределенное обучение на огромных объемах обучающих данных.

Помимо сырой мощности, облачные сервисы оптимизируют операции машинного обучения (MLOps). От сбора и маркировки данных до развертывания и мониторинга моделей — облако обеспечивает единую экосистему. Это позволяет командам сосредоточиться на совершенствовании алгоритмов, а не на управлении инфраструктурой. Например, Ultralytics использует облачные ресурсы для упрощения обучения и управления моделями машинного зрения, такими как YOLO26.

Основные модели обслуживания

Облачные вычисления обычно подразделяются на три модели, каждая из которых предлагает разные уровни контроля:

• Инфраструктура как услуга (IaaS): предоставляет основные вычислительные и хранилищные ресурсы. Пользователи управляют операционной системой и приложениями, часто используя такие инструменты, как контейнеры Docker. Примерами являются Amazon EC2 и Google Engine.
• Платформа как услуга (PaaS): устраняет необходимость в управлении базовой инфраструктурой, позволяя разработчикам сосредоточиться на развертывании приложений. Это популярно для управления базами данных и хостинга приложений.
• Программное обеспечение как услуга (SaaS): предоставляет полные программные продукты через Интернет. Ultralytics является ярким примером SaaS, предлагая интерфейс без кода для обучения моделей компьютерного зрения.

Приложения реального мира в искусственном интеллекте

Облачные вычисления позволяют решениям на базе искусственного интеллекта работать по всему миру в различных отраслях.

• Медицинская визуализация: поставщики медицинских услуг используют облако для безопасного хранения петабайтов данных. Алгоритмы анализа медицинских изображений, работающие на облачных серверах, могут обрабатывать МРТ- или КТ-сканы, чтобы помочь радиологам в обнаружении аномалий. Такая централизованная обработка гарантирует, что всегда используются последние версии моделей.
• Умная розничная торговля: розничные продавцы используют подключенные к облаку камеры для обнаружения объектов, чтобы отслеживать уровень запасов и анализировать посещаемость магазина. Данные передаются в облако, обрабатываются для извлечения полезной информации и визуализируются на панелях управления для менеджеров магазинов. Узнайте, как ИИ в розничной торговле оптимизирует операции.

Облачные вычисления против граничных вычислений

Важно отличать облачные вычисления от пограничных вычислений, поскольку они выполняют взаимодополняющие роли в конвейере искусственного интеллекта.

• Облачные вычисления: централизуют обработку данных в огромных дата-центрах. Оптимально подходят для больших рабочих нагрузок, таких как обучение моделей, анализ исторических больших данных и долгосрочное хранение.
• Edge Computing: обрабатывает данные рядом с источником их генерации (например, устройства IoT, производственные роботы). Это сводит к минимуму задержку вывода и использование полосы пропускания.

Обычный рабочий процесс включает в себя обучение надежной модели, такой как YOLO26, в облаке с использованием высокоскоростных графических процессоров, а затем ее экспорт в формат, такой как ONNX для эффективного выполнения на периферийном устройстве.

Пример: Обучение модели, готовой к работе в облаке

Следующий Python демонстрирует, как начать обучение модели YOLO26. Хотя этот код может выполняться локально, он разработан для беспроблемного масштабирования в облачных средах, где 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 облачных решений для обучения гарантирует, что веса вашей модели будут эффективно оптимизированы без перегрева локальных рабочих станций.