Computação em nuvem

Como funciona a computação em nuvem

Os fornecedores de serviços em nuvem mantêm uma rede global de centros de dados com grandes quantidades de hardware. Oferecem serviços através de diferentes modelos, sendo os mais comuns:

• Infraestrutura como serviço (IaaS): Fornece recursos de computação fundamentais, como máquinas virtuais, armazenamento e rede. Isto dá aos utilizadores o máximo controlo e é ideal para ambientes personalizados de aprendizagem profunda.
• Plataforma como um serviço (PaaS): Oferece uma plataforma que permite aos clientes desenvolver, executar e gerir aplicações sem a complexidade de construir e manter a infraestrutura. Isso inclui bancos de dados gerenciados e serviços Kubernetes.
• Software como um serviço (SaaS): Fornece aplicações de software através da Internet com base numa subscrição. O Ultralytics HUB é um exemplo de uma plataforma SaaS que fornece ferramentas para treinar e gerir modelos de visão por computador.

Esta estrutura permite benefícios importantes como a poupança de custos, a escalabilidade global, o elevado desempenho e a segurança de dados melhorada, que são geridos em parceria com organizações como a Cloud Security Alliance (CSA).

Importância da IA e da aprendizagem automática

A nuvem é o principal motor de desenvolvimento da IA atualmente. O treino de modelos avançados, como o Ultralytics YOLO, requer um poder computacional e dados imensos, que muitas vezes não é possível alojar localmente.

As principais utilizações incluem:

• Treinamento de modelos poderosos: A nuvem fornece acesso a hardware de alto desempenho, como GPUs e TPUs, necessário para o treinamento distribuído em grandes conjuntos de dados. Plataformas como o Ultralytics HUB Cloud Training aproveitam isso para acelerar o desenvolvimento de modelos.
• Gerir grandes conjuntos de dados: Os modelos de IA são treinados com grandes quantidades de dados de treino. As soluções de armazenamento na nuvem fornecem repositórios escaláveis e acessíveis para estes conjuntos de dados, desde o ImageNet a colecções personalizadas para tarefas específicas, como a deteção de objectos.
• Implantação escalável de modelos: Assim que um modelo é treinado, ele pode ser implantado na nuvem para inferência em tempo real. A natureza elástica da nuvem permite que os aplicativos sejam dimensionados automaticamente para lidar com a demanda flutuante, um princípio fundamental do MLOps. Pode saber mais sobre as diferentes opções de implementação de modelos na nossa documentação.

Aplicações no mundo real

1. IA no sector automóvel: As empresas que desenvolvem veículos autónomos recolhem petabytes de dados de condução. Elas usam clusters de GPU baseados em nuvem para treinar e validar modelos de perceção que podem identificar pedestres, veículos e sinais de trânsito, um processo detalhado em nossa página de soluções de IA no setor automotivo.
2. IA nos cuidados de saúde: Um hospital de investigação pode utilizar um ambiente de nuvem seguro e compatível com HIPAA para treinar um modelo de diagnóstico para análise de imagens médicas. Ao reunir dados anónimos, podem construir um modelo robusto utilizando uma estrutura como o PyTorch para detetar anomalias em raios X ou ressonâncias magnéticas, conduzindo a diagnósticos mais rápidos e precisos para uma melhor IA nos cuidados de saúde.

Computação em nuvem Vs. Conceitos relacionados

• Computação sem servidor: A computação sem servidor é um modelo de execução dentro da computação em nuvem, não uma alternativa a ela. Enquanto a computação em nuvem mais ampla pode envolver o gerenciamento de servidores virtuais (IaaS), a computação sem servidor abstrai todo o gerenciamento de servidores. Basta fornecer o código (como funções), e o provedor de nuvem provisiona automaticamente os recursos para executá-lo, escalonando de zero a grandes volumes, conforme necessário.
• Computação periférica: A computação de borda envolve o processamento de dados localmente em dispositivos na "borda" da rede, perto da fonte de dados. Isto é o oposto do modelo centralizado da computação em nuvem. No entanto, são frequentemente utilizados em conjunto numa abordagem híbrida. Por exemplo, um dispositivo Edge AI, como um NVIDIA Jetson, pode efetuar a deteção inicial de objectos e, em seguida, enviar apenas metadados relevantes para a cloud para armazenamento a longo prazo, agregação ou análise mais intensiva. Essa abordagem combina a baixa latência do edge com o enorme poder do cloud. Pode encontrar mais informações no nosso blogue sobre a implementação de aplicações em dispositivos edge.