Bulut Bilişim

Bulut bilişim, bilgi işlem gücü, depolama ve veritabanları da dahil olmak üzere BT kaynaklarının talep üzerine İnternet. Kuruluşlar fiziksel veri merkezleri ve sunucular satın almak, bunlara sahip olmak ve bakımını yapmak yerine gibi bir bulut sağlayıcısından ihtiyaca göre teknoloji hizmetleri Amazon Web Hizmetleri (AWS), Microsoft Azure veya Google Cloud. Bu paradigma değişimi şunları sağlar işletmelerin sermaye giderlerini değişken giderlerle takas etmeleri ve yalnızca tükettikleri kaynaklar için ödeme yapmaları. İçin uygulayıcılar Yapay Zeka (AI), bulut karmaşık modelleri eğitmek ve büyük miktarda veriyi yönetmek için gerekli ölçeklenebilir altyapıyı sağlar. yerel donanımın sınırlamaları.

Yapay Zeka ve Makine Öğreniminde Bulutun Rolü

Teknolojinin hızla ilerlemesi Makine Öğrenimi (ML) özünde birbiriyle bağlantılıdır Bulut bilişimin yeteneklerine. Son teknoloji modellerin eğitilmesi muazzam bir hesaplama gücü gerektirir ve genellikle yüksek performanslı kümeler içeren Grafik İşleme Birimleri (GPU'lar) veya Tensor İşleme Birimleri (TPU'lar). Bulut platformları bu donanıma erişimi demokratikleştirerek geliştiricilerin güçlü örnekler oluşturmasına olanak tanır. dağıtılmış eğitim görevleri Aksi takdirde maliyetler yükselecektir.

Ayrıca, bulut aşağıdakiler için sağlam çözümler sunar veri güvenliği ve depolama. Devasa boyuttaki Modern eğitim için gerekli eğitim verileri bilgisayarla görme (CV) projeleri -örneğin ImageNet veri kümesi - ölçeklenebilir nesne ile kolaylaştırılmıştır Amazon S3 gibi depolama hizmetleri veya Google Cloud Storage.

Bulut Bilişimde Hizmet Modelleri

Bulut hizmetleri tipik olarak üç ana modelde kategorize edilir ve her biri farklı düzeyde kontrol ve Yönetim:

• Hizmet Olarak Altyapı (IaaS): Şunları sağlar sanal sunucular ve ağ oluşturma gibi bilgi işlemin temel yapı taşları. Bu, araştırmacılar için idealdir için işletim sistemi ve yazılım yığını üzerinde tam kontrole ihtiyaç duyar. derin öğrenme (DL) ortamları.
• Hizmet Olarak Platform (PaaS): Temel altyapıyı yönetme ihtiyacını ortadan kaldırarak geliştiricilerin dağıtım ve kodlamaya odaklanmasını sağlar. Google Vertex AI gibi hizmetler aşağıdakiler için iş akışını basitleştirir MLOps.
• Hizmet Olarak Yazılım (SaaS): Tamamlanmış hizmet sunar internet üzerinden yazılım uygulamaları. Yakında çıkacak olan Ultralytics Platformu bunun en iyi örneğidir. yaşam döngüsünü yönetmek için kapsamlı bir ortam YOLO11 modeller.

Gerçek Dünya Uygulamaları

Bulut bilişim, yapay zeka çözümlerinin çeşitli sektörlerde küresel olarak ölçeklenmesini sağlar.

1. Akıllı Tarım: Modern çiftçilik kullanır Mahsul sağlığını izlemek için Tarımda Yapay Zeka. Dronlar buluta yüklenen yüksek çözünürlüklü görüntüleri yakalar. Şurada, nesne algılama modelleri görüntüleri işleyerek zararlıları veya hastalıkları tespit ederek çiftçinin tabletine eyleme geçirilebilir bilgiler gönderir.
2. Tıbbi Teşhis: İçinde Sağlık Hizmetlerinde Yapay Zeka, hastaneler güvenliğinden yararlanıyor Hasta röntgenlerini anonimleştirmek ve saklamak için bulut ortamları. Sofistike algoritmalar gerçekleştirir bulutta tıbbi görüntü analizi için anomalilerin tespit edilmesinde radyologlara yardımcı olmak, yüksek doğruluk ve aşağıdaki gibi düzenlemelere uygunluk sağlamak HIPAA.

Bulut Bilişim ve Uç Bilişim

Bulut bilişimi aşağıdakilerden ayırt etmek önemlidir uç bilişim. Bulut bilişim merkezileştirirken uzak veri merkezlerinde işlenirken, uç bilişim hesaplamayı veri kaynağına yaklaştırır, örneğin bir IoT cihazı.

• Bulut Bilişim: Ağır eğitim iş yükleri, geçmiş veri analizi ve depolama için en iyisidir. Bu yüksek ölçeklenebilirlik sunar ancak ağ seyahat süresi nedeniyle çıkarım gecikmesi.
• Uç Bilişim: İçin en iyisi milisaniyelerin kullanıldığı gerçek zamanlı çıkarım Örneğin otonom araçlarda olduğu gibi. Genellikle, modellerin bulutta eğitildiği ve aşağıdaki gibi formatlar kullanılarak uca dağıtıldığı hibrit bir yaklaşım kullanılır ONNX.

Örnek: Bulut Tabanlı Model Eğitimi

Aşağıdaki Python parçacığı, bir betiğin bir bulut VM'sinde (Sanal Makine) çalışabileceği tipik bir iş akışını göstermektedir kullanarak YOLO11 gibi hesaplama açısından yoğun bir modeli eğitmek için Ultralytics Python paketi.

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
)

Bu süreç, bulutun GPU kaynaklarını dinamik olarak tahsis etme yeteneğinden yararlanarak optimizasyon algoritması verimli bir şekilde yakınsar yerel geliştirici dizüstü bilgisayarlarını aşırı ısıtmadan.