Sunucusuz Hesaplama

Sunucusuz bilgi işlem, bulut sağlayıcısının tahsis ve dağıtım işlemlerini dinamik olarak yönettiği bir bulut yürütme modelidir. sunucuların sağlanması, geliştiricilerin temel sunucuları yönetmeden uygulama oluşturmasına ve çalıştırmasına olanak tanır. altyapı. Bu mimaride kod, belirli olaylar tarafından tetiklenen durumsuz kapsayıcılarda yürütülür, otomatik olarak sıfırdan binlerce talebe anında ölçeklenir. Bu kullanım başına ödeme modeli aşağıdakiler için oldukça verimlidir değişken trafiğe sahip iş yükleri, onu modern teknolojinin temel taşı haline getirir. Makine Öğrenimi (ML) uygulama geliştirme ve Bulut Bilişim stratejileri.

Sunucusuz Sistem Mekaniği

Sunucusuz bilgi işlemin merkezinde Hizmet Olarak İşlev (FaaS) paradigması. Bir hizmet dağıtmak yerine Monolitik uygulamada mantık, tek görevleri yerine getiren ayrı işlevlere bölünmüştür. Bu işlevler şunlardır olay güdümlüdür, yani yalnızca bir HTTP isteği gibi bir eylem tarafından tetiklendiğinde çalışırlar. API Gateway, gibi depolama hizmetlerine dosya yükleme Amazon S3 veya bir veritabanı güncellemesi.

Bulut sağlayıcı, işletim sistemi bakımı, kapasite ve diğer tüm operasyonel yükleri üstlenir. sağlama ve ölçeklenebilirlik. Bu soyutlama şunları sağlar ekipler tamamen kod yazmaya odaklanmak için bilgisayarla görme veya veri analizi, önemli ölçüde tarafından tanımlanan geliştirme yaşam döngüsünün hızlandırılması MLOps en iyi uygulamaları.

Yapay Zeka ve Makine Öğreniminde Sunucusuz

Sunucusuz mimariler, yapay zeka modellerini dağıtmak için özellikle avantajlıdır Atıl sunucuların maliyetlerine maruz kalmadan "patlamalı" trafik modelleri.

• İsteğe Bağlı Çıkarım: Bir modele ev sahipliği yapmak Özel bir sunucuda gerçek zamanlı çıkarım talepler düzensiz ise pahalı olabilir. Sunucusuz işlevler aşağıdaki gibi bir model yükleyebilir YOLO11 yalnızca bir kullanıcı bir istekte bulunduğunda görüntü ve tahminlerin uygun maliyetle geri döndürülmesi.
• Veri Ön İşleme Boru Hatları: Sunucusuz işlevler aşağıdakiler için idealdir veri ön işleme görevleri. Mesela, Ham bir veri setini yüklemek, görüntüleri yeniden boyutlandırmak, piksel değerlerini normalleştirmek veya dosya formatlarını dönüştürmek için işlevleri tetikleyebilir, onları model eğitimine hazırlamak.
• Model Yeniden Eğitme: Olay odaklı bir iş akışında, önemli düşüşler tarafından tespit edilen model performansı izleme araçları, yeni verileri kullanarak otomatik olarak bir yeniden eğitim hattını tetikleyebilir.

Python Örneği: Sunucusuz Çıkarım İşleyicisi

Aşağıdaki kod, gerçekleştirmek için hafif bir Ultralytics modeli yükleyen kavramsal bir işleyici işlevini göstermektedir tarafından sağlanan bir görüntü yolu üzerinde nesne algılama olay tetikleyicisi.

from ultralytics import YOLO

# Initialize the model outside the handler to cache it for warm starts
# YOLO11n is chosen for its small size and speed, ideal for serverless environments
model = YOLO("yolo11n.pt")


def lambda_handler(event, context):
    """Simulated serverless handler for performing inference. 'event' contains the input data, e.g., path to an image.
    """
    image_path = event.get("image_path", "data/images/bus.jpg")

    # Run inference
    results = model(image_path)

    # Return the count of detected objects
    return {"status": "success", "objects_detected": len(results[0].boxes)}

Gerçek Dünya Uygulamaları

1. Akıllı Güvenlik Sistemleri: Ev güvenlik kameraları şunları kullanabilir Edge AI hareketi detect etmek ve anlık görüntüyü bulut. Bu yükleme olayı sunucusuz bir işlevi tetikler (örn. AWS Lambda veya Daha doğru bir algılama modeli çalıştıran Google Cloud Functions) Hareketin bir insandan mı yoksa bir evcil hayvandan mı kaynaklandığını belirlemek için yanlış alarmları azaltır.
2. Tarımsal Analiz: İçinde Tarımda Yapay Zeka, tarla yakalayan dronlar görüntüleyenler verileri merkezi bir kovaya yükleyebilir. Bu, mahsul sağlığını analiz etmek için paralel sunucusuz işlevleri tetikler Binlerce görüntüde aynı anda bulutun devasa paralelliğinden yararlanarak işi dakikalar içinde bitirmek saatler yerine.

İlgili Kavramları Ayırt Etme

Sunucusuz teknolojinin nereye uyduğunu anlamak, onu benzer teknolojilerden ayırmayı gerektirir:

• Sunucusuz ve Konteynerleştirme: Sunucusuz sistemler genellikle kaputun altında kapsayıcılar kullanır, gibi konteynerizasyon teknolojileri Docker ve orkestrasyon platformları gibi Kubernetes, kullanıcının konteyneri yönetmesini gerektirir yaşam döngüsü ve küme kaynakları. Sunucusuz bu durumu tamamen soyutlar.
• Sunucusuz ve Uç Bilişim: Edge bilişim, verileri yerel olarak sunucu üzerinde işler. gecikmeyi en aza indirmek için cihaz (örneğin, gömülü bir sistem veya IoT sensörü). Sunucusuz merkezi bir bulutta gerçekleşir Ortam. Hibrit yaklaşımlar genellikle anlık filtreleme için uç cihazları ve ağır işler için sunucusuz cihazları kullanır derin öğrenme analizi.
• Sunucusuz ve PaaS: Hizmet Olarak Platform (PaaS) uygulamalar oluşturmak için bir çerçeve sağlar, ancak genellikle örneklerin sayısı veya sunucusuzun tamamen olay güdümlü doğasına kıyasla çalışma zamanı ortamları.

Kuruluşlar sunucusuz bilişimi benimseyerek sağlam bilgisayarla görme uygulamaları hem Altyapı harcamalarını doğrudan iş değeriyle uyumlu hale getiren uygun maliyetli ve küresel ölçekte yetenekli.