Cloud Computing

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 dei principali fornitori di cloud come Amazon Web Services (AWS), Google Cloud Platform (GCP) o Microsoft Azure. I vantaggi principali includono:

• Scalabilità: Puoi scalare facilmente le risorse di calcolo come le GPU o le TPU in base alle esigenze dei carichi di lavoro ML, come l'addestramento di modelli complessi di deep learning (DL) o la gestione di un traffico di inferenza variabile.
• Economicità: I modelli di prezzo pay-as-you-go eliminano la necessità di grandi spese di capitale per l'hardware, consentendo agli utenti di pagare solo per il tempo di calcolo e lo storage che utilizzano, ottimizzando i costi per la formazione e l'implementazione dei modelli.
• Accessibilità: L'accesso a potenti risorse di calcolo e hardware specializzato da qualsiasi luogo con una connessione a Internet, facilita la collaborazione e consente a singoli individui e piccole organizzazioni di intraprendere progetti di IA su larga scala utilizzando strumenti come PyTorch o TensorFlow.
• Servizi gestiti: I fornitori di cloud offrono servizi gestiti per i database, l'archiviazione dei dati(data lake), le pipeline MLOps e la distribuzione dei modelli, riducendo l'onere operativo dei team di sviluppo. Le varie opzioni di distribuzione sono documentate qui.

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: Formazione di modelli all'avanguardia come Ultralytics YOLO richiede spesso una notevole potenza di calcolo e dataset di grandi dimensioni (ad esempio, il dataset COCO). Le piattaforme cloud forniscono l'accesso a cluster di GPU o TPU ad alte prestazioni, consentendo a ricercatori e ingegneri di addestrare i modelli in modo efficiente in ore o giorni invece che in settimane o mesi. Servizi come Ultralytics HUB Cloud Training eliminano la gestione dell'infrastruttura, consentendo agli utenti di concentrarsi sullo sviluppo dei modelli utilizzando i loro set di dati personalizzati.
2. Distribuzione scalabile dei servizi di intelligenza artificiale: Una volta che un modello di intelligenza artificiale è stato addestrato, deve essere distribuito per fare previsioni su nuovi dati(inferenza). Le piattaforme cloud offrono soluzioni di hosting scalabili che consentono di distribuire i modelli come API in grado di gestire un numero variabile di richieste. Ad esempio, un servizio di rilevamento di oggetti in tempo reale per l'analisi di flussi video può scalare automaticamente le risorse di calcolo sottostanti in base alla domanda, garantendo prestazioni costanti per applicazioni come la gestione del traffico o l'analisi della vendita al dettaglio. Esplora le varie soluzioni di computer vision di Ultralytics che sfruttano la distribuzione in 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 vicino alla fonte, su dispositivi locali o server edge. Questo riduce la latenza e l'utilizzo della larghezza di banda, rendendolo adatto ad applicazioni in tempo reale come i veicoli autonomi o l'automazione industriale, dove le risposte immediate sono fondamentali. Cloud ed edge spesso lavorano insieme in modelli ibridi. Scopri di più sui principi dell'edge computing qui. I modelli Ultralytics possono essere implementati su dispositivi edge.
• Serverless Computing: Il serverless computing è un modello di esecuzione costruito sulla base di un'infrastruttura cloud in cui il provider cloud gestisce dinamicamente l'allocazione e il provisioning dei server. Gli sviluppatori scrivono e distribuiscono codice in funzioni (come AWS Lambda o Google Cloud Functions) senza dover gestire l'infrastruttura sottostante. Viene spesso utilizzato per applicazioni event-driven e microservizi, a complemento dei servizi cloud tradizionali.

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, dalla sanità all'agricoltura. Che si tratti di addestrare algoritmi complessi, distribuire servizi di inferenza o gestire vasti set di dati, il cloud offre strumenti e infrastrutture essenziali. Esplora Ultralytics HUB 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 (CSA). Puoi anche consultare la documentazione diUltralytics per trovare guide dettagliate.