Computación en nube

Cómo funciona la computación en nube

Los proveedores de nube mantienen una red global de centros de datos con grandes cantidades de hardware. Ofrecen servicios a través de diferentes modelos, siendo los más comunes:

• Infraestructura como servicio (IaaS): Proporciona recursos informáticos fundamentales como máquinas virtuales, almacenamiento y redes. Esto ofrece a los usuarios el máximo control y es ideal para entornos de aprendizaje profundo personalizados.
• Plataforma como servicio (PaaS): Ofrece una plataforma que permite a los clientes desarrollar, ejecutar y gestionar aplicaciones sin la complejidad de construir y mantener la infraestructura. Esto incluye bases de datos gestionadas y servicios Kubernetes.
• Software como servicio (SaaS): Ofrece aplicaciones de software a través de Internet mediante suscripción. Ultralytics HUB es un ejemplo de plataforma SaaS que proporciona herramientas para entrenar y gestionar modelos de visión por ordenador.

Esta estructura permite ventajas clave como ahorro de costes, escalabilidad global, alto rendimiento y mayor seguridad de los datos, que se gestionan en colaboración con organizaciones como la Cloud Security Alliance (CSA).

Importancia en la IA y el aprendizaje automático

Hoy en día, la nube es el principal motor de desarrollo de la IA. El entrenamiento de modelos avanzados, como Ultralytics YOLO, requiere una potencia computacional y unos datos inmensos, que a menudo no resulta práctico alojar localmente.

Entre sus principales usos se incluyen:

• Entrenamiento de modelos potentes: La nube proporciona acceso a hardware de alto rendimiento, como GPUs y TPUs, necesario para el entrenamiento distribuido en grandes conjuntos de datos. Plataformas como Ultralytics HUB Cloud Training aprovechan esta ventaja para acelerar el desarrollo de modelos.
• Gestión de grandes conjuntos de datos: Los modelos de IA se entrenan con grandes cantidades de datos de entrenamiento. Las soluciones de almacenamiento en la nube proporcionan repositorios escalables y accesibles para estos conjuntos de datos, desde ImageNet hasta colecciones personalizadas para tareas específicas como la detección de objetos.
• Despliegue escalable de modelos: Una vez entrenado el modelo, puede desplegarse en la nube para realizar inferencias en tiempo real. La naturaleza elástica de la nube permite a las aplicaciones escalar automáticamente para gestionar la demanda fluctuante, un principio básico de MLOps. Puede obtener más información sobre las distintas opciones de despliegue de modelos en nuestra documentación.

Aplicaciones reales

1. La IA en la automoción: Las empresas que desarrollan vehículos autónomos recopilan petabytes de datos de conducción. Utilizan clústeres de GPU basados en la nube para entrenar y validar modelos de percepción capaces de identificar peatones, vehículos y señales de tráfico, un proceso que se detalla en nuestra página de soluciones de IA en automoción.
2. La IA en la sanidad: Un hospital de investigación podría utilizar un entorno en la nube seguro y conforme a la HIPAA para entrenar un modelo de diagnóstico para el análisis de imágenes médicas. Al poner en común datos anónimos, pueden crear un modelo sólido utilizando un marco como PyTorch para detectar anomalías en radiografías o resonancias magnéticas, lo que conduce a diagnósticos más rápidos y precisos para mejorar la IA en la asistencia sanitaria.

Computación en nube Vs. Conceptos relacionados

• Computación sin servidor: La computación sin servidor es un modelo de ejecución dentro de la computación en nube, no una alternativa a ella. Mientras que la computación en nube más amplia puede implicar la gestión de servidores virtuales (IaaS), la computación sin servidor se abstrae de toda gestión de servidores. Usted simplemente proporciona el código (como funciones), y el proveedor de la nube proporciona automáticamente los recursos para ejecutarlo, escalando de cero a volúmenes masivos según sea necesario.
• Edge Computing: La computación de borde consiste en procesar los datos localmente en dispositivos situados en el "borde" de la red, cerca de la fuente de datos. Es lo contrario del modelo centralizado de la computación en nube. Sin embargo, a menudo se utilizan juntos en un enfoque híbrido. Por ejemplo, un dispositivo Edge AI como un NVIDIA Jetson podría realizar la detección inicial de objetos y, a continuación, enviar sólo los metadatos relevantes a la nube para su almacenamiento a largo plazo, agregación o análisis más intensivo. Este enfoque combina la baja latencia del borde con la enorme potencia de la nube. Encontrará más información en nuestro blog sobre la implantación de aplicaciones en dispositivos periféricos.