Cloud Computing
Scoprite la potenza del cloud computing per l'AI/ML! Scalare in modo efficiente, addestrare più velocemente i modelli Ultralytics YOLO e distribuire senza problemi con un buon rapporto qualità-prezzo.
Il cloud computing è la fornitura su richiesta di servizi informatici - tra cui server, storage, database, networking, software, analisi e intelligence - attraverso Internet ("cloud"). Invece di possedere e mantenere la propria infrastruttura informatica, le organizzazioni possono accedere a questi servizi da un provider cloud come Amazon Web Services (AWS), Google Cloud o Microsoft Azure. Questo modello consente un'innovazione più rapida, risorse flessibili ed economie di scala, che lo rendono una base essenziale per la moderna Intelligenza Artificiale (AI) e l'Apprendimento Automatico (ML). L'idea di base, definita dal National Institute of Standards and Technology (NIST), è quella di fornire un accesso di rete ubiquo, comodo e su richiesta a un pool condiviso di risorse informatiche configurabili.
Come funziona il cloud computing
I fornitori di cloud gestiscono una rete globale di centri dati con enormi quantità di hardware. Offrono servizi attraverso diversi modelli, i più comuni dei quali sono:
- Infrastruttura come servizio (IaaS): Fornisce risorse informatiche fondamentali come macchine virtuali, storage e rete. Questa soluzione offre agli utenti il massimo controllo ed è ideale per gli ambienti di deep learning personalizzati.
- Piattaforma come servizio (PaaS): Offre una piattaforma che consente ai clienti di sviluppare, eseguire e gestire applicazioni senza la complessità della costruzione e della manutenzione dell'infrastruttura. Questo include database gestiti e servizi Kubernetes.
- Software come servizio (SaaS): Fornisce applicazioni software via Internet su abbonamento. Ultralytics HUB è un esempio di piattaforma SaaS che fornisce strumenti per l'addestramento e la gestione di modelli di computer vision.
Questa struttura consente di ottenere vantaggi chiave come il risparmio sui costi, la scalabilità globale, le alte prestazioni e la maggiore sicurezza dei dati, gestiti in collaborazione con organizzazioni come la Cloud Security Alliance (CSA).
Importanza nell'IA e nell'apprendimento automatico
Il cloud è oggi il motore principale dello sviluppo dell'intelligenza artificiale. L'addestramento di modelli avanzati, come Ultralytics YOLO, richiede un'immensa potenza di calcolo e dati, che spesso non è possibile ospitare localmente.
Gli usi principali includono:
- Formazione di modelli potenti: Il cloud offre l'accesso a hardware ad alte prestazioni come GPU e TPU, necessari per la formazione distribuita su grandi set di dati. Piattaforme come Ultralytics HUB Cloud Training sfruttano questo aspetto per accelerare lo sviluppo dei modelli.
- Gestione di grandi insiemi di dati: I modelli di intelligenza artificiale vengono addestrati su grandi quantità di dati di formazione. Le soluzioni di archiviazione in cloud forniscono archivi scalabili e accessibili per questi set di dati, da ImageNet a raccolte personalizzate per compiti specifici come il rilevamento di oggetti.
- Distribuzione scalabile del modello: Una volta addestrato, il modello può essere distribuito nel cloud per l'inferenza in tempo reale. La natura elastica del cloud consente alle applicazioni di scalare automaticamente per gestire le fluttuazioni della domanda, un principio fondamentale di MLOps. Per saperne di più sulle diverse opzioni di distribuzione dei modelli, consultare la nostra documentazione.
Applicazioni del mondo reale
- L'intelligenza artificiale nel settore automobilistico: Le aziende che sviluppano veicoli autonomi raccolgono petabyte di dati di guida. Utilizzano cluster di GPU basati su cloud per addestrare e convalidare modelli di percezione in grado di identificare pedoni, veicoli e segnali stradali, un processo dettagliato nella nostra pagina dedicata alle soluzioni di AI nel settore automobilistico.
- L'intelligenza artificiale nell'assistenza sanitaria: Un ospedale di ricerca potrebbe utilizzare un ambiente cloud sicuro e conforme alla normativa HIPAA per addestrare un modello diagnostico per l'analisi delle immagini mediche. Mettendo insieme dati anonimizzati, possono costruire un modello robusto utilizzando un framework come PyTorch per rilevare le anomalie nelle radiografie o nelle risonanze magnetiche, ottenendo diagnosi più rapide e precise per migliorare l'IA nella sanità.
Il cloud computing vs. Concetti correlati
- Informatica senza server: Il serverless computing è un modello di esecuzione all'interno del cloud computing, non un'alternativa ad esso. Mentre il cloud computing più ampio può comportare la gestione di server virtuali (IaaS), il serverless astrae da ogni gestione dei server. L'utente si limita a fornire il codice (sotto forma di funzioni) e il cloud provider mette automaticamente a disposizione le risorse per eseguirlo, scalando da zero a volumi massicci a seconda delle necessità.
- Edge Computing: L 'edge computing prevede l'elaborazione dei dati a livello locale su dispositivi ai "margini" della rete, vicino all'origine dei dati. È l'opposto del modello centralizzato del cloud computing. Tuttavia, spesso vengono utilizzati insieme in un approccio ibrido. Ad esempio, un dispositivo Edge AI come un NVIDIA Jetson può eseguire il rilevamento iniziale degli oggetti e quindi inviare solo i metadati rilevanti al cloud per l'archiviazione a lungo termine, l'aggregazione o l'analisi più intensiva. Questo approccio combina la bassa latenza dell'edge con l'enorme potenza del cloud. Ulteriori approfondimenti sono disponibili sul nostro blog dedicato alla distribuzione di applicazioni su dispositivi edge.
IT
EN
ZH
KO
JA
RU
DE
FR
ES
PT
TR
VI
AR
.webp)
