Glossario

Cloud Computing

Scopri la potenza del cloud computing per l'AI/ML! Scala in modo efficiente, addestra i modelli di Ultralytics YOLO più velocemente e distribuiscili senza problemi con un buon rapporto qualità-prezzo.

Addestra i modelli YOLO semplicemente
con Ultralytics HUB

Per saperne di più

Il cloud computing è una tecnologia trasformativa che fornisce servizi informatici - tra cui server, storage, database, networking, software, analisi e intelligence - attraverso Internet, spesso definita "cloud". Questo modello consente un'innovazione più rapida, risorse flessibili ed economie di scala, permettendo agli utenti di pagare solo per i servizi che consumano. Per chi ha familiarità con i concetti di base dell 'apprendimento automatico (ML), il cloud computing offre una piattaforma potente e accessibile per sviluppare, addestrare e distribuire modelli senza significativi investimenti iniziali in hardware fisico. Riduce i costi operativi e consente all'infrastruttura di scalare in modo efficiente in base alle mutevoli esigenze, come definito da istituzioni come il NIST.

Concetti chiave e vantaggi

Il cloud computing semplifica l'accesso e la distribuzione di applicazioni ad alta intensità di risorse, il che è particolarmente vantaggioso per le attività di AI e ML. Invece di gestire data center fisici, gli utenti possono sfruttare i servizi tecnologici on-demand di provider cloud come AWS, Google Cloud o Azure. I vantaggi principali includono:

  • Scalabilità: Scalare facilmente le risorse di calcolo in base alle richieste del progetto, è fondamentale per gestire grandi insiemi di dati o carichi di inferenza variabili.
  • Economicità: I modelli di prezzo pay-as-you-go eliminano la necessità di grandi spese di capitale per l'hardware.
  • Accessibilità: Ottieni l'accesso a potenti risorse di calcolo, tra cui hardware specializzato come GPU e TPU, essenziali per accelerare le attività di ML.
  • Flessibilità: Scegli tra un'ampia gamma di servizi, dallo storage e dal calcolo di base a sofisticate piattaforme ML e API.
  • Innovazione più rapida: Concentrati sullo sviluppo del modello piuttosto che sulla gestione dell'infrastruttura, accelerando il ciclo di implementazione.

Il cloud computing nelle applicazioni AI/ML

Il cloud computing è fondamentale per i moderni flussi di lavoro di AI e ML, in quanto fornisce l'infrastruttura e gli strumenti necessari. Ecco due esempi:

  1. Formazione di modelli su larga scala: Addestramento di modelli sofisticati come Ultralytics YOLO spesso richiede un'immensa potenza di calcolo e grandi set di dati. Le piattaforme cloud offrono accesso a risorse di calcolo ad alte prestazioni su richiesta. Servizi come Ultralytics HUB Cloud Training consentono agli utenti di addestrare i modelli in modo efficiente senza possedere hardware costoso, sfruttando le capacità di addestramento distribuito su più GPU o TPU.
  2. Distribuzione di servizi di inferenza scalabili: Una volta addestrato un modello, la sua distribuzione per applicazioni reali, come il rilevamento di oggetti in tempo reale, richiede un'infrastruttura scalabile e affidabile. I fornitori di cloud offrono servizi gestiti per ospitare i modelli come endpoint API che possono scalare automaticamente in base al traffico in entrata, garantendo prestazioni e disponibilità costanti. Esplora le varie opzioni di distribuzione dei modelli adatte agli ambienti cloud.

Cloud Computing e termini correlati

È utile distinguere il cloud computing dai concetti correlati:

  • Edge Computing: Mentre il cloud computing si basa su centri dati centralizzati, l'edge computing elabora i dati più vicini alla fonte, come i dispositivi IoT o i server locali. Questo approccio riduce al minimo la latenza, rendendolo ideale per le applicazioni che richiedono risposte immediate, come i sistemi autonomi. Il cloud computing, invece, eccelle per l'aggregazione di dati su larga scala e per i calcoli complessi che non sono fattibili nell'edge. Scopri di più sui principi dell'edge computing.
  • Serverless Computing: Un sottoinsieme del cloud computing, il serverless computing astrae completamente dalla gestione dei server. Gli sviluppatori distribuiscono il codice come funzioni e il provider cloud gestisce automaticamente l'allocazione delle risorse e la scalabilità in base alla domanda (ad esempio, AWS Lambda). Mentre il serverless semplifica l'implementazione delle applicazioni event-driven, il cloud computing tradizionale offre un maggiore controllo sull'infrastruttura sottostante, che può essere necessario per i carichi di lavoro ML specializzati.

Conclusione

Il cloud computing fornisce una base flessibile, scalabile ed economica per lo sviluppo e l'implementazione di AI e ML. Sfruttando le risorse del cloud, ricercatori e sviluppatori possono accelerare la creazione e l'applicazione di modelli avanzati come quelli offerti da Ultralytics, promuovendo l'innovazione in diversi settori. Sia per l'addestramento di algoritmi complessi, sia per la distribuzione di servizi di inferenza o per la gestione di vasti set di dati, il cloud offre strumenti e infrastrutture essenziali. Esplora l'HUBUltralytics per la gestione e l'addestramento dei modelli senza soluzione di continuità, oppure consulta il Blog di Ultralytics per scoprire le tendenze dell'AI e le soluzioni alimentate dall'infrastruttura cloud, supportate da organizzazioni come la Cloud Native Computing Foundation (CNCF) e la Cloud Security Alliance. Scopri le soluzioni di Computer Vision diUltralytics, studiate su misura per le diverse esigenze aziendali.

Leggi tutto