Cloud Computing

Điện toán đám mây đề cập đến việc cung cấp các tài nguyên CNTT theo yêu cầu—như máy chủ, lưu trữ, cơ sở dữ liệu, mạng và phần mềm—qua internet. Thay vì phải mua, sở hữu và duy trì các trung tâm dữ liệu vật lý, các tổ chức có thể truy cập các dịch vụ công nghệ trên cơ sở nhu cầu từ một nhà cung cấp đám mây. Đối với những người thực hành Trí tuệ nhân tạo (AI) và Học máy (ML), mô hình này mang tính thay đổi đột phá. Nó cung cấp khả năng khả năng mở rộng linh hoạt cần thiết để xử lý các tập dữ liệu khổng lồ và các phép tính phức tạp mà không tốn chi phí phần cứng ban đầu đắt đỏ.

Link to this sectionTầm quan trọng của đám mây trong phát triển AI#

Mối quan hệ cộng sinh giữa hạ tầng đám mây và AI hiện đại đã thúc đẩy sự đổi mới công nghệ. Việc huấn luyện các mô hình Học sâu (DL) tinh vi đòi hỏi sức mạnh xử lý cực lớn. Các nền tảng đám mây cung cấp quyền truy cập tức thì vào các cụm Đơn vị xử lý đồ họa (GPU) và Đơn vị xử lý Tensor (TPU) hiệu năng cao, cho phép các nhà nghiên cứu thực hiện huấn luyện phân tán trên lượng lớn dữ liệu huấn luyện.

Ngoài sức mạnh thuần túy, các dịch vụ đám mây còn tinh giản hóa Vận hành học máy (MLOps). Từ việc nạp dữ liệu và gán nhãn dữ liệu đến triển khai mô hình và giám sát, đám mây cung cấp một hệ sinh thái hợp nhất. Điều này cho phép các nhóm tập trung vào việc tinh chỉnh các thuật toán thay vì quản lý cơ sở hạ tầng. Ví dụ, Ultralytics Platform tận dụng các tài nguyên đám mây để đơn giản hóa quá trình huấn luyện và quản lý các mô hình thị giác như YOLO26.

Link to this sectionCác mô hình dịch vụ cốt lõi#

Điện toán đám mây thường được phân thành ba mô hình, mỗi mô hình cung cấp các mức độ kiểm soát khác nhau:

• Cơ sở hạ tầng như một dịch vụ (IaaS): Cung cấp các tài nguyên lưu trữ và tính toán cơ bản. Người dùng quản lý hệ điều hành và các ứng dụng, thường sử dụng các công cụ như container Docker. Các ví dụ bao gồm Amazon EC2 và Google Compute Engine.
• Nền tảng như một dịch vụ (PaaS): Loại bỏ nhu cầu quản lý cơ sở hạ tầng bên dưới, cho phép các lập trình viên tập trung vào việc triển khai ứng dụng. Mô hình này phổ biến cho quản lý cơ sở dữ liệu và lưu trữ ứng dụng.
• Phần mềm như một dịch vụ (SaaS): Cung cấp các sản phẩm phần mềm hoàn chỉnh qua internet. Ultralytics Platform là một ví dụ điển hình của SaaS, cung cấp giao diện không cần lập trình (no-code) để huấn luyện các mô hình thị giác máy tính.

Link to this sectionCác ứng dụng thực tế trong AI#

Điện toán đám mây cho phép các giải pháp AI vận hành toàn cầu trong nhiều ngành công nghiệp đa dạng.

• Chẩn đoán hình ảnh y tế: Các nhà cung cấp dịch vụ chăm sóc sức khỏe sử dụng đám mây để lưu trữ hàng petabyte dữ liệu một cách an toàn. Các thuật toán phân tích hình ảnh y tế chạy trên máy chủ đám mây có thể xử lý các bản quét MRI hoặc CT để hỗ trợ bác sĩ chẩn đoán hình ảnh trong việc phát hiện các điểm bất thường. Quá trình xử lý tập trung này đảm bảo rằng các phiên bản mô hình mới nhất luôn được sử dụng.
• Bán lẻ thông minh: Các nhà bán lẻ tận dụng camera kết nối đám mây để thực hiện phát hiện đối tượng nhằm giám sát mức tồn kho và phân tích lưu lượng khách hàng. Dữ liệu được truyền trực tuyến lên đám mây, được xử lý để trích xuất thông tin chi tiết và hiển thị trên các bảng điều khiển cho quản lý cửa hàng. Xem cách AI trong bán lẻ tối ưu hóa các hoạt động.

Link to this sectionĐiện toán đám mây so với Điện toán biên#

Điều quan trọng là phải phân biệt điện toán đám mây với điện toán biên, vì chúng đóng vai trò bổ trợ cho nhau trong một quy trình AI.

• Điện toán đám mây: Tập trung quá trình xử lý dữ liệu tại các trung tâm dữ liệu khổng lồ. Nó tối ưu cho các khối lượng công việc nặng như huấn luyện mô hình, phân tích Dữ liệu lớn lịch sử và lưu trữ lâu dài.
• Điện toán biên: Xử lý dữ liệu gần nguồn tạo ra dữ liệu (ví dụ: thiết bị IoT, robot sản xuất). Điều này giảm thiểu độ trễ suy luận và mức sử dụng băng thông.

Một quy trình công việc phổ biến bao gồm việc huấn luyện một mô hình mạnh mẽ như YOLO26 trên đám mây để tận dụng các GPU tốc độ cao, sau đó xuất nó sang một định dạng như ONNX để thực thi hiệu quả trên một thiết bị biên.

Link to this sectionVí dụ: Huấn luyện mô hình sẵn sàng cho đám mây#

Đoạn mã Python sau đây minh họa cách bắt đầu huấn luyện cho một mô hình YOLO26. Mặc dù mã này có thể chạy cục bộ, nhưng nó được thiết kế để mở rộng liền mạch sang các môi trường đám mây nơi các tài nguyên GPU tăng tốc đáng kể quá trình này.

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)

Đối với các dự án quy mô lớn, việc sử dụng các giải pháp huấn luyện trên đám mây đảm bảo rằng trọng số mô hình của bạn được tối ưu hóa hiệu quả mà không làm quá tải các máy trạm cục bộ.