Cloud Computing ist eine transformative Technologie, bei der Computerdienste - einschließlich Servern, Speicher, Datenbanken, Netzwerken, Software, Analysen und Intelligenz - über das Internet bereitgestellt werden, oft auch als "Cloud" bezeichnet. Dieses Modell ermöglicht schnellere Innovationen, flexible Ressourcen und Größenvorteile, da die Nutzer/innen nur für die Dienste zahlen, die sie in Anspruch nehmen. Für Personen, die mit grundlegenden Konzepten des maschinellen Lernens (ML) vertraut sind, bietet Cloud Computing eine leistungsstarke und leicht zugängliche Plattform, um Modelle zu entwickeln, zu trainieren und einzusetzen, ohne dass erhebliche Vorabinvestitionen in physische Hardware erforderlich sind. Es senkt die Betriebskosten und ermöglicht eine effiziente Skalierung der Infrastruktur entsprechend den sich ändernden Anforderungen, wie sie von Institutionen wie dem National Institute of Standards and Technology (NIST) definiert wurden. Dieser Ansatz ist für die Entwicklung moderner Künstlicher Intelligenz (KI) von zentraler Bedeutung.
Wichtige Konzepte und Vorteile
Cloud Computing vereinfacht den Zugang zu und die Bereitstellung von ressourcenintensiven Anwendungen, was besonders für KI- und ML-Aufgaben von Vorteil ist. Anstatt physische Rechenzentren zu verwalten, können Nutzer/innen On-Demand-Technologiedienste von großen Cloud-Anbietern wie Amazon Web Services (AWS), Google Cloud Platform (GCP) oder Microsoft Azure nutzen. Die wichtigsten Vorteile sind:
- Skalierbarkeit: Skaliere Rechenressourcen wie GPUs oder TPUs einfach nach oben oder unten, je nach den Anforderungen von ML-Workloads, z. B. beim Training komplexer Deep-Learning-Modelle (DL) oder bei der Verarbeitung von variablem Inferenzverkehr.
- Kosteneffizienz: Durch das Pay-as-you-go-Preismodell entfallen große Investitionen in Hardware. Die Nutzer/innen zahlen nur für die Rechenzeit und den Speicherplatz, die sie nutzen, und optimieren so die Kosten für die Modellschulung und den Einsatz.
- Zugänglichkeit: Der Zugang zu leistungsstarken Rechenressourcen und spezialisierter Hardware von jedem Ort mit einer Internetverbindung erleichtert die Zusammenarbeit und ermöglicht es Einzelpersonen und kleineren Organisationen, umfangreiche KI-Projekte mit Tools wie PyTorch oder TensorFlow.
- Managed Services: Cloud-Anbieter bieten Managed Services für Datenbanken, Datenspeicherung(Data Lakes), MLOps-Pipelines und Modellbereitstellung an und entlasten damit die Entwicklungsteams. Verschiedene Bereitstellungsoptionen findest du hier dokumentiert.
Cloud Computing in KI/ML-Anwendungen
Cloud Computing ist für moderne KI- und ML-Workflows von grundlegender Bedeutung, da es die nötige Infrastruktur und Werkzeuge bereitstellt. Hier sind zwei Beispiele:
- Groß angelegte Modellschulung: Training modernster Modelle wie Ultralytics YOLO erfordern oft eine hohe Rechenleistung und große Datensätze (z. B. COCO-Datensatz). Cloud-Plattformen bieten Zugang zu Clustern von Hochleistungs-GPUs oder TPUs und ermöglichen es Forschern und Ingenieuren, Modelle effizient in Stunden oder Tagen statt in Wochen oder Monaten zu trainieren. Dienste wie Ultralytics HUB Cloud Training abstrahieren von der Verwaltung der Infrastruktur und ermöglichen es den Nutzern, sich auf die Modellentwicklung mit ihren eigenen Datensätzen zu konzentrieren.
- Skalierbarer Einsatz von KI-Diensten: Sobald ein ML-Modell trainiert ist, muss es eingesetzt werden, um Vorhersagen für neue Daten zu treffen(Inferenz). Cloud-Plattformen bieten skalierbare Hosting-Lösungen, mit denen Modelle als APIs bereitgestellt werden können, die eine schwankende Anzahl von Anfragen verarbeiten können. Ein Echtzeit-Objekterkennungsdienst für die Analyse von Videoströmen kann beispielsweise die zugrunde liegenden Rechenressourcen automatisch je nach Bedarf skalieren und so eine gleichbleibende Leistung für Anwendungen wie Verkehrsmanagement oder Einzelhandelsanalysen sicherstellen. Entdecke verschiedene Ultralytics Computer Vision Lösungen, die die Cloud nutzen.
Cloud Computing vs. verwandte Begriffe
Es ist hilfreich, Cloud Computing von verwandten Konzepten zu unterscheiden:
- Edge Computing: Während Cloud Computing auf zentrale Rechenzentren setzt, werden beim Edge Computing die Daten näher an der Quelle, auf lokalen Geräten oder Edge Servern, verarbeitet. Dadurch werden die Latenzzeiten und die Bandbreitennutzung reduziert, was es für Echtzeitanwendungen wie autonome Fahrzeuge oder Industrieautomatisierung geeignet macht, bei denen sofortige Reaktionen entscheidend sind. Cloud und Edge arbeiten oft in hybriden Modellen zusammen. Hier erfährst du mehr über die Prinzipien des Edge-Computing. Ultralytics können auf Edge-Geräten eingesetzt werden.
- Serverloses Computing: Serverless Computing ist ein Ausführungsmodell, das auf einer Cloud-Infrastruktur aufbaut, bei dem der Cloud-Anbieter die Zuweisung und Bereitstellung von Servern dynamisch verwaltet. Entwickler schreiben und implementieren Code in Funktionen (wie AWS Lambda oder Google Cloud Functions), ohne die zugrunde liegende Infrastruktur verwalten zu müssen. Es wird häufig für ereignisgesteuerte Anwendungen und Microservices verwendet und ergänzt die traditionellen Cloud-Dienste.
Schlussfolgerung
Cloud Computing bietet eine flexible, skalierbare und kostengünstige Grundlage für die Entwicklung und den Einsatz von KI und ML. Durch die Nutzung von Cloud-Ressourcen können Forscher und Entwickler die Erstellung und Anwendung fortschrittlicher Modelle, wie sie Ultralytics anbietet, beschleunigen und so Innovationen in verschiedenen Branchen vom Gesundheitswesen bis zur Landwirtschaft vorantreiben. Ob für das Training komplexer Algorithmen, den Einsatz von Inferenzdiensten oder die Verwaltung riesiger Datensätze - die Cloud bietet wichtige Werkzeuge und Infrastrukturen. Erkunde Ultralytics HUB für nahtloses Modellmanagement und -training oder informiere dich im Ultralytics Blog über KI-Trends und Lösungen, die auf Cloud-Infrastrukturen basieren und von Organisationen wie der Cloud Native Computing Foundation (CNCF) und der Cloud Security Alliance (CSA) unterstützt werden. In der Ultralytics Dokumentation findest du außerdem detaillierte Anleitungen.
DE
EN
ZH
KO
JA
RU
FR
ES
PT
IT
AR
TR
VI
