AWS vs. Google vs. Azure: Wer wird den Cloud War gewinnen?

Veröffentlicht: 2020-08-23

Was uns inmitten dieser Pandemie eine beispiellose Flexibilität bei schnelleren technologischen Fortschritten ermöglicht, ist die Verfügbarkeit verschiedener kompetenter Cloud-Computing-Systeme . Von der Bereitstellung von On-Demand-Computing-Services für Anwendungen, Verarbeitung und Speicherung ist es jetzt an der Zeit, öffentliche Cloud-Anbieter optimal zu nutzen. Darüber hinaus gibt es dank der einfachen Skalierbarkeit auch keine geografischen Einschränkungen.

Systeme für maschinelles Lernen können von ihnen auf unbestimmte Zeit unterstützt werden, da sie Open-Source sind und jetzt mehr denn je erreichbar sind, da sie für Unternehmen erschwinglicher sind. Tatsächlich sind öffentliche Cloud-Anbieter beim Erstellen von Modellen für maschinelles Lernen zunehmend hilfreich. Daher stellt sich für uns die Frage: Welche Möglichkeiten gibt es, sie auch für den Einsatz zu nutzen?

Inhaltsverzeichnis

Was verstehen wir unter Bereitstellung?

Der Modellbau ist dem Prozess des Entwerfens eines Produkts sehr ähnlich. Von der Ideenfindung und Datenvorbereitung bis hin zum Prototyping und Testen. Die Bereitstellung ist im Grunde der umsetzbare Punkt des gesamten Prozesses, was bedeutet, dass wir das bereits trainierte Modell verwenden und seine Vorhersagen den Benutzern oder anderen Systemen automatisiert, reproduzierbar und überprüfbar zur Verfügung stellen.

Während viele Cloud-Anbieter angepasste und dedizierte ML-Stacks erstellt haben, gibt es lokale Serverdienste und Heroku, das eine fertige und sichere Umgebung bietet, die eine schnellere Bereitstellung ermöglicht. Es gibt jedoch Herausforderungen, denen Cloud-Anbieter gemeinsam gegenüberstehen.

Was sind die Herausforderungen?

  • Der Einsatz ist schwierig!

Entgegen der allgemeinen Meinung stellen Sie nicht nur Code bereit, sondern im Wesentlichen auch Daten, die sich zwischen verschiedenen Abteilungen in verschiedenen Formaten bewegen, die sich ändern, wenn sich das Modell ändert, und es gibt eine Menge beweglicher Variablen im System das kann dafür anfällig sein.

  • Es gibt keine Homogenität

End-to-End-ML-Anwendungen sind oft voll von Komponenten, die in verschiedenen Programmiersprachen geschrieben sind. Die Wahl einer Programmiersprache hängt vom Anwendungsfall ab und Python, R, Scala oder jede andere Sprache kann verwendet werden, um verschiedene Modelle zu erstellen.

  • ML-Bereitstellungen sind nicht monolithisch

Bereitstellungen von Modellen für maschinelles Lernen sind nicht unbedingt eigenständige Lösungen. Sie sind üblicherweise in verschiedene Geschäftsanwendungen eingebettet oder integriert.

  • Schmerzpunkte beim Testen und Validieren

Datenänderungen führen zu einem Evolutionsprozess für Modelle, für die sich Methoden verbessern oder Softwareabhängigkeiten sich ändern. Jedes Mal, wenn eine solche Änderung auftritt, muss die Modellleistung neu validiert werden.

  • Komplexität von Freisetzungsstrategien

Je nach Anwendungsfall müssen ML-Modelle häufiger aktualisiert werden als normale Softwareanwendungen.

  • Fragen der Datensicherheit

Da Daten eine anfällige Ressource sind, sorgt die Open-Source-Natur von Cloud-Anbietern für Aufsehen. Viele Unternehmen des Banksektors haben aufgrund von Datensicherheitsproblemen Bedenken, die Cloud zu nutzen.

Die drei besten Anwärter

AWS, Google Cloud und Microsoft Azure, die drei Top-Konkurrenten auf dem Cloud-Markt, können anhand einiger wichtiger Parameter verglichen werden, um die beste Wahl zu treffen.

Quelle

AWS

Laut dem Magic Quadrant-Bericht von Gartner wird AWS sowohl in Bezug auf die Vision als auch auf die Umsetzungsfähigkeit am besten eingestuft. Was es so macht, ist der Ansatz von AWS, die KI wirklich zu demokratisieren, indem es Tools und Dienste bereitstellt, die alle Entwickler unterstützen, selbst diejenigen, die keine Erfahrung mit ML haben. Es ist sogar für kleine Unternehmen attraktiv, da die Preisgestaltung auf der Nutzung und nicht auf einer Pauschalgebühr basiert. Darüber hinaus gibt es viel Raum für Flexibilität, Anpassung und Unterstützung für Integrationen von Drittanbietern.

Quelle

Google-Cloud

Google setzt sich dafür ein, KI für alle zugänglich zu machen. Google hat seine KI/ML-Tools öffentlich zugänglich gemacht und Ingenieure haben ihre Forschungsergebnisse aktiv für alle zugänglich gemacht. Cybersicherheit ist ein kritischer Bereich, in dem Google KI/ML einsetzt, um Geschäftsprobleme zu lösen.

Chronicle, eine Tochtergesellschaft von Alphabet (der Muttergesellschaft von Google), ist bereit, Googles KI/ML-Expertise zu nutzen und nahezu unbegrenzte Rechenleistung bereitzustellen, um eine erstklassige Sicherheitsanalyselösung zu entwickeln. Es kann einfach mit anderen Google-Diensten integriert werden. Ein wirklich großer Kostensparrabatt, den Google Cloud anbietet, sind SUDs oder Rabatte für kontinuierliche Nutzung. Dies sind automatische Rabatte, die Google Cloud Platform für den Zeitraum der Nutzung der Plattform gewährt.

Quelle

Microsoft Azure

Als Public Cloud sorgen die Microsoft Azure-Dienste dafür, dass kein Nutzer Hard- oder Software kaufen muss, um sie nutzen zu können. Azure Machine Learning kann für jede Art von maschinellem Lernen verwendet werden, von klassischem ML bis hin zu Deep Learning, überwacht und nicht überwacht. Die meisten Sprachen werden unterstützt, einschließlich Python- oder R-Code oder Zero-Code-/Low-Code-Optionen. Sein größter Pluspunkt ist seine Geschwindigkeit mit einer garantierten Ausfallzeit von weniger als 4,38 Stunden pro Jahr.

Quelle

Vergleichsstudie: AWS, Google Cloud und Microsoft Azure

Mal sehen, wie gut sie bei den folgenden vier Parametern abschneiden.

  • Benutzerfreundlichkeit und Lernkurve

Der Fortschrittsunterschied zwischen diesen Unternehmen kann anhand der Höhe der Investitionen und ihres Misserfolgs/Erfolgs beim Erwerb von Wissen gemessen werden. Eine steile Lernkurve führt zu einer Verlangsamung der Akzeptanz in der Branche und ist direkt proportional zum Komfort, den sie der Benutzererfahrung verleiht.

Quelle

  • Übernahme durch die Industrie

Wie Sie unten sehen können, hat AWS den Marktanteil ziemlich übernommen, wenn es darum geht, ihre Akzeptanz durch verschiedene kleine und große Unternehmen zu messen. Es hilft, dass es einer der ersten war, der in diesen Markt eingetreten ist. Die Nutzungsstatistiken sind ein Hinweis darauf, wie einfach sie verwendet werden können, wie schnell sie Benutzern ermöglichen, die Bereitstellungsphase zu erreichen, und ein Beweis für ihre Konsistenz.

Quelle

Je mehr Kunden überlegen, welche der Clouds sie verwenden sollen, desto mehr Möglichkeiten haben sie, bei Google danach zu suchen, um ihre Angebote zu verstehen. Laut Google Analytics zeigt sich offensichtlich, dass die Popularität in Bezug auf die Google-Suche für Amazon-Webdienste konstant hoch ist. Je mehr danach gesucht wird, desto wahrscheinlicher ist es, dass es weit verbreitet ist.

Ein Unternehmen hat die Wahl, mehrere Cloud-Anbieter zu verwenden, um die Produktbereitstellung so reibungslos wie möglich zu gestalten. Auch um „Vendor Lock-in“ zu vermeiden, nutzen Unternehmen verschiedene Cloud-Anbieter, um ihre Geschäftsprobleme mit größtmöglicher Flexibilität zu lösen. Der jüngste RightScale 2019 State of the Cloud zeigt, dass 84 % ihrer Stichprobengröße eine Multi-Cloud-Strategie eingeführt haben.

Quelle

  • Cloud-Infrastruktur

Große öffentliche Cloud-Anbieter bieten Dienste auf der Grundlage von gemeinsam genutzten Multi-Tenant-Servern an. Die zur Berechnung und Handhabung unvorhersehbarer Änderungen erforderliche Kapazität ist enorm, und es besteht die Notwendigkeit, die Benutzeranforderungen über verschiedene Server hinweg zu optimieren. Obwohl die Popularität von Serverless-Modellen steigt, gibt es immer noch eine hohe Arbeitsdichte, die bearbeitet werden muss.

Quelle

Laut Stack Overflow, einer beliebten Entwickler-Community hier, können wir den Anteil der Nutzung der drei Cloud-Systeme durch ihre Analyse von Mustern basierend auf dem Prozentsatz der Fragen, die sie in einem Monat erhalten, messen.

Quelle

  • Preisgestaltung

Niedrigere Kosten ermöglichen Start-ups auch die Einführung von Cloud-Diensten. Alle Prozesse für ein Start-up müssen von Grund auf neu aufgebaut werden. Was Public Cloud Computing für sie tun kann, ist insofern phänomenal, als das für die Investition in die Preisgestaltung erforderliche Kapital verwaltet werden kann, bis sie einen langfristigen Investor finden. Die Qualität des Projekts kann kompromisslos bleiben. Für jedes der folgenden Szenarien können Sie den stündlichen On-Demand-Preis und dann jeweils den stündlichen Preis pro GB RAM beobachten.

Quelle

Wie können Wolken helfen?

Große Cloud-Computing-Systeme wie AWS, GCP, Heroku, Azure und IBM Cloud bieten einen sicheren Hafen für alle Datenaspiranten und Unternehmen mit begrenzten finanziellen Mitteln, die Modelle für maschinelles Lernen erforschen und effizient einsetzen möchten. Diese Systeme sind günstig im Betrieb.

Wenn Sie durchschnittlich ein paar Dollar pro Stunde bezahlen, können Sie Ihre eigene Anwendung für maschinelles Lernen fast sofort betreiben! Öffentliche Clouds bieten auch eine günstige Datenspeicherung. Sie können echte Datenbanken oder Speichersysteme als Eingabe der Daten in die Machine-Learning-fähigen Anwendungen nutzen.

Sie alle bieten Softwareentwickler-Kits (SDKs) und Anwendungsprogrammschnittstellen (APIs), die es ermöglichen, maschinelle Lernfunktionen direkt in Anwendungen einzubetten, und sie unterstützen die meisten Programmiersprachen. Der wahre Wert der maschinellen Lerntechnologie liegt in der Verwendung innerhalb von Anwendungen, da die Arten von Vorhersagen, die getroffen werden, eher betriebs- und transaktionsorientiert sind.

Es wäre jedoch eine gute Strategie für Unternehmen, sowohl On-Premise als auch Cloud in Betracht zu ziehen, da Clouds in der Experimentierphase etwas kosten können. Die Clouds haben auch ihre eigenen Tools, die zusätzlich zu den Open-Source-Tools wie Kubernetes, Dockers, Tf usw. erstellt wurden. Kubernetes, ein beliebtes Google-Produkt, ist ein Open-Source-System zur Automatisierung der Bereitstellung, Skalierung und Verwaltung von Anwendungen, aber es auf der GCP besser laufen würde als auf anderen Anbieterplattformen. Vor allem wird es entscheidend sein zu wissen, mit welchen Tools man gerüstet ist, um den besten Cloud-Service für sich selbst auszuwählen.

Quellen:

https://searchcloudcomputing.techtarget.com/definition/cloud-infrastructure#:~:text=Cloud%20infrastructure%20verweist%20auf%20das%20a%20cloud-%20computing%20-Modell.

https://www.leadingedgetech.co.uk/it-services/it-consultancy-services/cloud-computing/was-sind-die-arten-von-cloud-computing/

https://www.networkworld.com/article/3015121/think-you-can-skip-over-the-cloud-learning-curve-think-again.html

https://cio.economictimes.indiatimes.com/news/strategy-and-management/the-learning-curve-effect-why-cios-need-to-look-beyond-the-cloud-economies-of-scale/ 71813724

https://docs.microsoft.com/en-us/azure/machine-learning/overview-what-is-azure-ml

https://www.kdnuggets.com/2014/11/microsoft-azure-machine-learning.html

https://sada.com/blog/google-cloud/gcp-vs-aws-why-gcp-better-option-2019/

https://www.forbes.com/sites/moorinsights/2020/03/04/surprise-aws-leads-in-cloud-ai-services-ranking/#6f1ca29b5ff7

https://www.kdnuggets.com/2020/02/deploy-machine-learning-model.html

https://www.cbronline.com/news/aws-vs-azure-vs-gcp

https://www.business2community.com/cloud-computing/aws-vs-google-cloud-vs-azure-what-one-is-the-best-for-your-business-02180217

https://kinsta.com/blog/google-cloud-vs-aws/

https://vianalabs.com/aws-vs-azure-vs-google-cloud-which-is-best-for-me/

https://www.altexsoft.com/blog/datascience/comparing-machine-learning-as-a-service-amazon-microsoft-azure-google-cloud-ai-ibm-watson/

https://medium.com/@jaychapel/google-cloud-platform-vs-aws-is-the-answer-obvious-maybe-not-c85623f7d86e#:~:text=When%20it%20comes%20to%20Google, Markt%20Anteil%20von%20all%20drei.

https://www.flexera.com/blog/cloud/aws-vs-azure-vs-google-cloud-pricing-compute-instances/

https://www.cloudhealthtech.com/blog/aws-vs-azure-vs-google

Wie sieht die Zukunft der Cybersicherheit aus?

Cybersicherheit könnte eine Vielzahl von Zukünften haben. Ein Potenzial besteht darin, dass Angreifer weiterhin neue Wege entwickeln werden, um Systemfehler auszunutzen, was es der Verteidigung erschwert, aufrecht zu bleiben. Infolgedessen werden Cyberkriminalität und größere Datenschutzverletzungen zunehmen. Ein weiteres Potenzial besteht darin, dass die Cyberkriegsführung immer häufiger wird, da Nationalstaaten und andere Akteure Cyberangriffe als Kriegswaffe einsetzen. Ein drittes Potenzial besteht darin, dass Unternehmen einen umfassenderen Ansatz für die Cybersicherheit verfolgen und sich darauf konzentrieren, Schwachstellen zu identifizieren und zu mindern, bevor sie ausgenutzt werden. In ähnlicher Weise könnten künstliche Intelligenz und maschinelles Lernen mehr Anwendung in der Cybersicherheit finden, da diese Technologien Unternehmen dabei unterstützen können, Bedrohungen umgehend zu erkennen und darauf zu reagieren.

Wo liegen die Grenzen der Cybersicherheit?

Organisationen können nur eingeschränkt sehen, was in ihren Netzwerken passiert, was eine große Herausforderung in der Cybersicherheit darstellt. Da böswillige Aktivitäten durch verdeckte Tunnel und Pfade erfolgen können, die für Standardsicherheitstechnologien nicht sichtbar sind, ist dies der Fall. Ein weiteres Problem ist, dass Organisationen häufig eine verzerrte Sicht auf die Bedrohungen haben, denen sie ausgesetzt sind. Dies liegt daran, dass sich die Cybersicherheitslandschaft ständig verändert und ständig neue Bedrohungen auftauchen. Der dritte Punkt ist, dass der Cybersicherheitsschutz in Unternehmen häufig unzureichend ist. Dies liegt daran, dass vielen Unternehmen die Mittel fehlen, um vollständige Sicherheitslösungen zu implementieren.

Wozu dient die digitale Forensik?

Die Technik des Extrahierens digitaler Beweise von einem Computergerät oder einem Speichermedium wird als digitale Forensik bezeichnet. Die digitalen Artefakte eines Verbrechens werden durch Beweisaufnahme identifiziert und dokumentiert. Damit können unter anderem Computerkriminalität untersucht, Beweise in Gerichtsverfahren erbracht, Computernetzwerke vor Angriffen geschützt, Hacking-Vorfälle untersucht und Daten von beschädigten oder beschädigten Festplatten wiederhergestellt werden. Es kann auch verwendet werden, um herauszufinden, was mit einem verloren gegangenen PC passiert ist. Im heutigen Umfeld ist die digitale Forensik ein entscheidendes Instrument, das in einer Vielzahl von Situationen eingesetzt wird.