Google Cloud AI Launch désigne la période en 2018 où Google a élargi sa plateforme de cloud computing avec une suite de services d'intelligence artificielle et d'apprentissage automatique, s'appuyant sur ses offres cloud antérieures. Ces services ont été conçus pour rendre les capacités avancées d'IA accessibles aux développeurs et aux entreprises via la plateforme Google Cloud, qui fonctionne sur la même infrastructure utilisée pour les produits internes de Google tels que Google Search et Gmail. Ce lancement a marqué une étape significative dans la commercialisation des outils d'IA, avec des services comme Cloud AutoML et Cloud TPU devenant disponibles à un public plus large.
Google Cloud, initialement annoncé en avril 2008 avec le lancement d'App Engine, avait évolué d'ici 2018 en une plateforme complète offrant l'infrastructure comme service, la plateforme comme service, et le calcul sans serveur. Les ajouts axés sur l'IA en 2018 faisaient partie d'une stratégie plus large pour intégrer les capacités de Machine learning et d'Artificial intelligence dans le cloud, positionnant Google contre des concurrents comme Amazon Web Services et Microsoft Azure. Ces services tiraient parti de la recherche interne de Google en Deep learning et en modèles de Neural network, y compris des contributions de Google DeepMind.
Services Cloud AI
Le lancement de 2018 a introduit plusieurs services clés sous l'égide de Cloud AI. Cloud AutoML, qui était en version bêta à partir de septembre 2018, permettait aux utilisateurs d'entraîner et de déployer des modèles d'apprentissage automatique personnalisés sans expertise approfondie. Cloud TPU fournissait des accélérateurs spécialisés pour entraîner des modèles, accélérant considérablement les charges de travail de Deep learning. Le Cloud Machine Learning Engine offrait un service géré pour construire et entraîner des modèles utilisant des frameworks courants comme TensorFlow.
D'autres services incluaient Dialogflow Enterprise pour construire des interfaces conversationnelles, Cloud Natural Language pour l'analyse de texte, et Cloud Speech-to-Text et Cloud Text-to-Speech pour le traitement audio. Le Cloud Vision API et Cloud Video Intelligence permettaient l'analyse d'images et de vidéos, tandis que le Cloud Translation API soutenait la traduction dynamique à travers des milliers de paires de langues. Ces outils étaient construits sur les modèles d'apprentissage profond de Google, rendant les techniques avancées d'IA disponibles comme services cloud évolutifs.
Infrastructure et Calcul
Les services d'IA étaient soutenus par l'infrastructure plus large de Google Cloud, qui comprenait des produits de calcul, de stockage, et de mise en réseau. Compute Engine offrait des machines virtuelles exécutant Linux ou Microsoft Windows, tandis qu'App Engine fournissait une plateforme comme service pour déployer des applications dans des langages tels que Java, Python, et Go. Google Kubernetes Engine (GKE) gérait des charges de travail conteneurisées basées sur Kubernetes, et Cloud Functions permettait le calcul sans serveur piloté par événements\.
Pour le stockage, Cloud Storage gérait des données non structurées avec mise en cache périphérique, et Cloud SQL fournissait des bases de données gérées basées sur MySQL, PostgreSQL, et Microsoft SQL Server. Cloud Spanner offrait une base de données relationnelle évolutive horizontalement, et Cloud Bigtable servait de service NoSQL géré. Ces composants formaient la fondation sur laquelle les modèles d'IA pouvaient être entraînés et déployés à grande échelle\.
Big Data et Analytique
Les charges de travail d'IA nécessitent souvent un traitement de données robuste, et Google Cloud fournissait plusieurs outils de big data\. BigQuery servait de entrepôt de données évolutif pour l'analytique, tandis que Cloud Dataflow, basé sur Apache Beam, gérait le traitement de flux et de lots. Dataproc soutenait les travaux Apache Hadoop et Apache Spark, et Cloud Pub/Sub gérait l'ingestion d'événements via des files de messages. Ces services permettaient aux organisations de préparer et d'analyser les grands ensembles de données nécessaires pour un apprentissage automatique efficace\.
Gestion et Sécurité
Pour soutenir l'adoption par les entreprises, Google Cloud incluait des outils de gestion tels que la Cloud Console, une interface web pour la gestion des ressources, et Cloud Shell pour un accès en ligne de commande basé sur navigateur\. La suite Operations, anciennement Stackdriver, fournissait la surveillance et la journalisation\. Les fonctionnalités de sécurité incluaient Cloud IAM pour le contrôle d'accès basé sur les rôles, Cloud Identity pour l'authentification unique, et Cloud Key Management Service pour la gestion des clés de chiffrement\. Ces outils aidaient à garantir que les services d'IA pouvaient être déployés dans un environnement contrôlé et sécurisé\.
Impact et Héritage
Le lancement d'IA de 2018 a aidé à établir Google Cloud comme un acteur majeur dans le marché de l'IA cloud, concurrençant les offres de Amazon Web Services et de Microsoft Azure. En fournissant des outils accessibles comme Cloud AutoML et du matériel haute performance comme Cloud TPU, Google a permis à une gamme plus large d'organisations d'adopter les technologies de Machine learning et de Generative AI\. Les services ont posé les fondations pour des développements ultérieurs dans les architectures de Large language model et de Transformer (architecture), qui deviendraient centrales pour les applications d'IA dans les années suivantes\. À partir de 2022, les documents officiels de Google se référaient à Google Cloud comme le nouveau nom de Google Cloud Platform, reflétant la portée élargie de la plateforme au-delà de l'infrastructure pour inclure l'IA et d'autres services\.