Облачные вычисления

Откройте для себя мощь облачных вычислений для AI/ML! Эффективное масштабирование, ускоренное обучение моделей Ultralytics YOLO и беспрепятственное развертывание с минимальными затратами.

Облачные вычисления - это предоставление вычислительных услуг по требованию, включая серверы, хранилища, базы данных, сети, программное обеспечение, аналитику и интеллектуальные данные через Интернет ("облако"). Вместо того чтобы владеть и обслуживать собственную вычислительную инфраструктуру, организации могут получить доступ к этим услугам у облачных провайдеров, таких как Amazon Web Services (AWS), Google Cloud или Microsoft Azure. Такая модель позволяет быстрее внедрять инновации, использовать гибкие ресурсы и добиваться эффекта масштаба, что делает ее важной основой для современного искусственного интеллекта (ИИ) и машинного обучения (МЛ). Основная идея, согласно определению Национального института стандартов и технологий (NIST), заключается в обеспечении повсеместного, удобного, предоставляемого по требованию сетевого доступа к общему пулу настраиваемых вычислительных ресурсов.

Как работают облачные вычисления

Облачные провайдеры содержат глобальную сеть центров обработки данных с огромным количеством оборудования. Они предлагают услуги по различным моделям, наиболее распространенными из которых являются:

Инфраструктура как услуга (IaaS): Предоставляет основные вычислительные ресурсы, такие как виртуальные машины, хранилища и сети. Это дает пользователям максимальный контроль и идеально подходит для специализированных сред глубокого обучения.
Платформа как услуга (PaaS): Платформа, позволяющая клиентам разрабатывать, запускать и управлять приложениями без необходимости создавать и поддерживать инфраструктуру. Сюда входят управляемые базы данных и сервисы Kubernetes.
Программное обеспечение как услуга (SaaS): Предоставление программных приложений через Интернет по подписке. Ultralytics HUB - пример SaaS-платформы, предоставляющей инструменты для обучения и управления моделями компьютерного зрения.

Такая структура обеспечивает такие ключевые преимущества, как экономия средств, глобальная масштабируемость, высокая производительность и повышенная безопасность данных, которые регулируются в партнерстве с такими организациями, как Cloud Security Alliance (CSA).

Важность в области искусственного интеллекта и машинного обучения

Облако - основной двигатель развития ИИ сегодня. Для обучения продвинутых моделей, таких как Ultralytics YOLO, требуются огромные вычислительные мощности и данные, которые зачастую нецелесообразно размещать локально.

Основные области применения включают:

Обучение мощных моделей: Облако предоставляет доступ к высокопроизводительному оборудованию, такому как GPU и TPU, необходимому для распределенного обучения на больших наборах данных. Платформы, подобные Ultralytics HUB Cloud Training, используют эти возможности для ускорения разработки моделей.
Управление большими массивами данных: Модели ИИ обучаются на огромных объемах учебных данных. Облачные хранилища предоставляют масштабируемые и доступные репозитории для таких наборов данных, от ImageNet до пользовательских коллекций для специфических задач, таких как обнаружение объектов.
Масштабируемое развертывание моделей: После обучения модели ее можно развернуть в облаке для получения выводов в режиме реального времени. Эластичная природа облака позволяет приложениям автоматически масштабироваться в зависимости от колебаний спроса, что является основным принципом MLOps. Подробнее о различных вариантах развертывания моделей вы можете узнать из нашей документации.

Применение в реальном мире

ИИ в автомобилестроении: Компании, разрабатывающие автономные автомобили, собирают петабайты данных о вождении. Они используют облачные кластеры GPU для обучения и проверки моделей восприятия, которые могут идентифицировать пешеходов, транспортные средства и дорожные знаки. Этот процесс подробно описан на странице "Решения AI в автомобильной промышленности".
ИИ в здравоохранении: Исследовательская клиника может использовать безопасную облачную среду, соответствующую требованиям HIPAA, для обучения диагностической модели для анализа медицинских изображений. Объединив анонимные данные, они могут построить надежную модель с помощью фреймворка PyTorch для выявления аномалий на рентгеновских или магнитно-резонансных снимках, что позволит быстрее и точнее ставить диагнозы, повышая эффективность ИИ в здравоохранении.