无服务器计算

了解无服务器架构

在无服务器计算中，应用程序被分解成各个独立的功能，由特定事件触发。这些事件包括 HTTP 请求、数据变化、系统事件，甚至是计划触发。当函数被触发时，云提供商会立即分配必要的计算资源来执行代码，然后在函数不再运行时自动缩减资源。这种按需、事件驱动的执行方式与传统的基于服务器的架构形成鲜明对比，后者无论应用需求如何，服务器都会持续运行，从而导致潜在的资源浪费和运营复杂性的增加。无服务器架构是云计算的关键组成部分，为部署和管理应用程序提供了一种更灵活、更高效的方式。

人工智能和 ML 的优势

无服务器计算为人工智能和 ML 工作负载提供了显著优势，这些负载通常涉及计算密集型任务和波动需求。

• 可扩展性：无服务器平台可根据需求自动扩展资源。这对于可能出现使用高峰的 ML 应用程序来说至关重要，例如在对象检测API 的高峰时段或批量处理大型数据集期间。
• 成本效益：您只需为代码实际运行时消耗的计算时间付费。对于可能有一段时间不活动或使用量不固定的人工智能/ML 项目来说，这种 "即用即付 "模式比维护始终在线的服务器更具成本效益。
• 减少运营开销：开发人员从服务器管理任务中解放出来，可以专注于模型开发、超参数调整和功能工程。这种简化的工作流程加快了开发周期，减轻了与基础设施管理相关的运营负担。
• 部署更快：无服务器功能可以快速、轻松地部署，从而实现人工智能/ML 项目的快速迭代和实验。与Ultralytics HUB 等平台的集成进一步简化了无服务器环境中模型的部署。Ultralytics YOLO无服务器环境中模型的部署。

人工智能/移动语言的实际应用

各种人工智能/人工智能应用正在利用无服务器计算：

• 实时推理 API：将 ML 模型作为无服务器功能部署，可以创建可扩展且具有成本效益的模型服务端点。例如，使用 Ultralytics YOLOv8构建的图像分类模型可以作为无服务器 API 部署，以便对上传的图像进行实时预测。这非常适合需要即时分析的应用，如医疗图像分析或制造业的自动质量控制。
• 数据预处理管道：无服务器功能非常适合构建事件驱动的数据管道。想象一下，在一个系统中，新数据不断被收集，可能来自传感器或用户上传的数据。在将数据用于模型训练或分析之前，可以触发无服务器函数来自动预处理这些数据--对其进行清理、转换和增强。这在农业计算机视觉等场景中尤为有用，因为在这些场景中，需要先处理图像数据，然后再训练作物监测模型。 Ultralytics YOLOv5在这种情况下，需要先处理图像数据，然后再训练用于作物监测的模型。

无服务器计算与边缘计算

无服务器计算侧重于基于云的执行，而边缘计算则使计算和数据存储更接近数据源，通常是在物理设备或本地服务器上。边缘计算有利于需要超低延迟和离线处理的应用，例如自动驾驶汽车或人工智能驱动的安全摄像头中的实时物体检测。无服务器计算和边缘计算并不相互排斥，可以结合在混合架构中，由边缘设备执行初始数据处理，无服务器功能处理更复杂的云端任务。

流行的无服务器平台包括AWS Lambda、Google Cloud Functions 和Azure Functions。这些平台提供了高效构建和部署无服务器人工智能/ML 应用程序所需的基础设施和工具。