Informatique en nuage

Concepts clés et avantages

Le cloud computing simplifie l'accès et le déploiement d'applications gourmandes en ressources, ce qui est particulièrement bénéfique pour les tâches d'IA et de ML. Au lieu de gérer des centres de données physiques, les utilisateurs peuvent exploiter les services technologiques à la demande des principaux fournisseurs de cloud comme Amazon Web Services (AWS), Google Cloud Platform (GCP) ou Microsoft Azure. Les principaux avantages sont les suivants :

• Évolutivité : Fais facilement évoluer les ressources informatiques comme les GPU ou les TPU vers le haut ou vers le bas en fonction des demandes des charges de travail ML, comme la formation de modèles complexes d'apprentissage profond (DL) ou la gestion d'un trafic d'inférence variable.
• Rentabilité : Les modèles de tarification à la carte éliminent le besoin d'investissements importants en matériel, permettant aux utilisateurs de ne payer que pour le temps de calcul et le stockage qu'ils utilisent, optimisant ainsi les coûts de formation et de déploiement du modèle.
• Accessibilité : Accède à de puissantes ressources informatiques et à du matériel spécialisé depuis n'importe quel endroit disposant d'une connexion Internet, ce qui facilite la collaboration et permet aux individus et aux petites organisations d'entreprendre des projets d'IA à grande échelle à l'aide d'outils tels que... PyTorch ou TensorFlow.
• Services gérés : Les fournisseurs de cloud proposent des services gérés pour les bases de données, le stockage des données(lacs de données), les pipelines MLOps et le déploiement de modèles, ce qui permet de réduire la charge opérationnelle des équipes de développement. Tu peux trouver différentes options de déploiement documentées ici.

L'informatique en nuage dans les applications IA/ML

Le cloud computing est fondamental pour les flux de travail modernes d'IA et de ML, car il fournit l'infrastructure et les outils nécessaires. Voici deux exemples :

1. Formation à des modèles à grande échelle : Formation de modèles de pointe tels que Ultralytics YOLO nécessite souvent une puissance de calcul importante et de grands ensembles de données (par exemple, l'ensemble de données COCO). Les plateformes cloud donnent accès à des grappes de GPU ou de TPU très performantes, ce qui permet aux chercheurs et aux ingénieurs de former efficacement des modèles en quelques heures ou quelques jours au lieu de semaines ou de mois. Des services comme Ultralytics HUB Cloud Training font abstraction de la gestion de l'infrastructure, ce qui permet aux utilisateurs de se concentrer sur le développement de modèles à l'aide de leurs ensembles de données personnalisés.
2. Déploiement de services d'intelligence artificielle évolutifs : Une fois qu'un modèle ML est entraîné, il doit être déployé pour faire des prédictions sur de nouvelles données(inférence). Les plateformes cloud offrent des solutions d'hébergement évolutives, ce qui permet de déployer les modèles sous forme d'API capables de gérer un nombre fluctuant de requêtes. Par exemple, un service de détection d'objets en temps réel pour l'analyse de flux vidéo peut automatiquement faire évoluer ses ressources de calcul sous-jacentes en fonction de la demande, ce qui garantit des performances constantes pour des applications telles que la gestion du trafic ou l'analyse de la vente au détail. Explore diverses solutions de vision par ordinateur d'Ultralytics qui tirent parti d'un déploiement dans le nuage.

L'informatique en nuage et les termes connexes

Il est utile de distinguer le cloud computing des concepts apparentés :

• Informatique de périphérie: Alors que l'informatique en nuage repose sur des centres de données centralisés, l'informatique en périphérie traite les données plus près de la source, sur des appareils locaux ou des serveurs en périphérie. Cela permet de réduire la latence et l'utilisation de la bande passante, ce qui le rend adapté aux applications en temps réel comme les véhicules autonomes ou l'automatisation industrielle où les réponses immédiates sont essentielles. Le cloud et la périphérie fonctionnent souvent ensemble dans des modèles hybrides. Tu peux en savoir plus sur les principes de l'edge computing ici. Les modèles Ultralytics peuvent être déployés sur des appareils de périphérie.
• Informatique sans serveur: L'informatique sans serveur est un modèle d'exécution construit au-dessus de l'infrastructure cloud où le fournisseur cloud gère dynamiquement l'allocation et le provisionnement des serveurs. Les développeurs écrivent et déploient du code dans des fonctions (comme AWS Lambda ou Google Cloud Functions) sans avoir besoin de gérer l'infrastructure sous-jacente. Il est souvent utilisé pour les applications pilotées par les événements et les microservices, en complément des services cloud traditionnels.

Conclusion

Le cloud computing constitue une base flexible, évolutive et rentable pour le développement et le déploiement de l'IA et de la ML. En exploitant les ressources du cloud, les chercheurs et les développeurs peuvent accélérer la création et l'application de modèles avancés comme ceux proposés par Ultralytics, ce qui stimule l'innovation dans divers secteurs, de la santé à l'agriculture. Que ce soit pour l'entraînement d'algorithmes complexes, le déploiement de services d'inférence ou la gestion de vastes ensembles de données, le cloud offre des outils et une infrastructure essentiels. Explore Ultralytics HUB pour une gestion et une formation transparentes des modèles, ou parcours le BlogUltralytics pour avoir un aperçu des tendances de l'IA et des solutions alimentées par l'infrastructure cloud, soutenue par des organisations telles que la Cloud Native Computing Foundation (CNCF) et la Cloud Security Alliance (CSA). Tu peux également consulter la documentation d'Ultralytics pour obtenir des guides détaillés.