Cookie 设置
点击 "接受所有 Cookie"，即表示您同意在您的设备上存储 Cookie，以增强网站导航、分析网站使用情况并协助我们的营销工作。更多信息
云计算是一种变革性技术，允许用户通过互联网访问和利用计算资源，而不是依赖本地服务器或个人设备。这种模式提供了对可配置计算资源（包括服务器、存储、数据库、网络、软件、分析和智能）共享池的按需访问。对于熟悉基本机器学习（ML）概念的人来说，云计算提供了一种可扩展且灵活的基础设施，可显著增强人工智能和 ML 模型的开发、训练和部署。
云计算建立在几个关键概念之上，使其具有灵活性和可扩展性。虚拟化是一项基础技术，它允许在单个物理服务器上运行多个虚拟机（VM），从而最大限度地提高资源利用率。这些虚拟机可以根据需求快速调配和增减，提供动态工作负载所需的灵活性。另一个核心概念是分布式计算，即在多台相互连接的计算机上划分和处理任务，从而提高处理速度和效率。
云服务通常分为三大类：
云计算在人工智能（AI）和机器学习领域发挥着至关重要的作用。利用云资源可以有效管理训练复杂的 ML 模型所需的大量数据和计算能力。例如，训练数据可存储在云存储服务中，而强大的GPU和TPU可用于加速模型训练。这种能力尤其有利于深度学习（DL）应用，因为这种应用通常涉及大型数据集和计算密集型神经网络（NN）。
假设一家公司需要使用数百万张图像来训练图像识别模型。利用云计算，该公司可以将图像数据集存储在云存储中，如亚马逊 S3 或Google 云存储。然后，他们可以利用配备强大 GPU 的云虚拟机来训练卷积神经网络 (CNN)模型。这种设置允许并行处理数据，与使用本地硬件相比，大大缩短了训练时间。模型训练完成后，就可以部署到云上进行实时推理，从而提供可扩展、可访问的图像识别服务。
一家公司可能希望通过实施人工智能驱动的聊天机器人来加强客户支持。利用基于云的自然语言处理（NLP）服务，公司可以建立并训练一个聊天机器人，它能理解并回复客户的询问。训练过程涉及将大量客户互动数据集输入模型，而这些数据集可利用云资源进行有效管理和处理。Google Cloud AI Platform 和 Amazon SageMaker 等云平台提供专门用于构建、训练和部署 NLP 模型的工具和服务。经过训练的聊天机器人可以部署在云平台上，确保高可用性和可扩展性，以处理不同数量的客户互动。
云计算提供广泛的资源和可扩展性，但有时也会被拿来与边缘计算进行比较，后者涉及在更靠近源的地方处理数据。边缘计算在智能手机或物联网设备等边缘设备上执行计算，而不是将数据发送到集中式云服务器，从而减少了延迟和带宽使用。这对于自动驾驶汽车或实时视频分析等需要实时推理的应用尤其有用。不过，与云计算相比，边缘计算在计算能力和存储方面存在局限性。例如，训练复杂的模型（如Ultralytics YOLO ）可能仍然需要云计算的强大资源，而推理可以在边缘进行，以获得更快的响应时间。
模型部署是机器学习生命周期中的关键一步，而云计算在这方面具有多项优势。云平台提供各种部署选项，包括无服务器计算、容器化（如 Docker、Kubernetes）和托管服务。通过这些选项，可以轻松扩展、负载平衡和监控已部署的模型。Ultralytics 例如，HUB 通过提供用户友好的界面和与云资源的无缝集成，简化了YOLO 模型的培训和部署。探索Ultralytics HUB，了解无代码 ML 解决方案，以生成、训练和部署模型。通过 Ultralytics HUB，用户可以利用云基础设施高效地管理他们的人工智能和 ML 项目，从开发到部署。
通过利用云计算，企业可以释放其人工智能和 ML 计划的全部潜力，推动创新并将效率和可扩展性提升到新的水平。
.png)