AWS v / s Google v / s Azure：誰がクラウド戦争に勝ちますか？

公開: 2020-08-23

このパンデミックの真っ只中で、より迅速な技術進歩を実現する上で前例のない柔軟性を可能にしているのは、さまざまな有能なクラウドコンピューティングシステムの可用性です。 アプリケーション、処理、ストレージ向けのオンデマンドコンピューティングサービスの提供から、今こそパブリッククラウドプロバイダーを最大限に活用するときです。 さらに、スケーラビリティが容易なため、地理的な制限もありません。

機械学習システムはオープンソースであり、ビジネスの手頃な価格でこれまで以上に手の届く範囲にあるため、無期限にサポートできます。 実際、パブリッククラウドプロバイダーは、機械学習モデルの構築にますます役立ちます。 それで、私たちに生じる問題は、展開にもそれらを使用する可能性は何ですか？

目次

展開とはどういう意味ですか？

モデル構築は、製品を設計するプロセスと非常によく似ています。 アイデアとデータの準備からプロトタイピングとテストまで。 展開は基本的にプロセス全体の実行可能なポイントです。つまり、すでにトレーニングされたモデルを使用し、自動化された再現可能で監査可能な方法で、ユーザーまたは他のシステムがその予測を利用できるようにします。

多くのクラウドプロバイダーがカスタマイズされた専用のMLスタックを作成していますが、オンプレミスのサーバーサービスとHerokuがあり、より迅速にデプロイできる、準備ができて安全な環境を提供します。 ただし、クラウドプロバイダーが集合的に直面する課題があります。

課題は何ですか？

  • 展開は難しいです！

一般的な信念に反して、コードをデプロイするだけでなく、本質的には、さまざまな部門間をさまざまな形式で移動し、モデルの変更に応じて変化するデータをデプロイします。また、システムには大量の移動変数があります。それはそれに対して脆弱である可能性があります。

  • 均質性はありません

エンドツーエンドのMLアプリケーションは、多くの場合、さまざまなプログラミング言語で記述されたコンポーネントでいっぱいです。 プログラミング言語の選択はユースケースに依存し、Python、R、Scala、またはその他の言語を使用してさまざまなモデルを構築できます。

  • MLの展開はモノリシックではありません

機械学習モデルのデプロイは、必ずしも自己完結型のソリューションではありません。 これらは通常、さまざまなビジネスアプリケーションに組み込まれるか統合されます。

  • テストと検証の問題点

データの変更により、メソッドが改善されたり、ソフトウェアの依存関係が変更されたりするモデルの進化プロセスが発生します。 このような変更が発生するたびに、モデルのパフォーマンスを再検証する必要があります。

  • リリース戦略の複雑さ

ユースケースによっては、MLモデルを通常のソフトウェアアプリケーションよりも頻繁に更新する必要があります。

  • データセキュリティの問題

データは脆弱なリソースであるため、クラウドプロバイダーのオープンソースの性質は眉をひそめます。 多くの銀行セクターの企業は、データセキュリティの問題のためにクラウドの使用に不安を感じています。

上位3つの候補

クラウド市場のトップ3の候補であるAWS、Google Cloud、Microsoft Azureは、いくつかの重要なパラメーターで比較して、最良の選択を行うことができます。

ソース

AWS

GartnerのMagicQuadrantレポートによると、AWSはビジョンと実行能力の両方の点で最高にランク付けされています。 その理由は、MLの経験がない開発者も含め、すべての開発者を可能にするツールとサービスを提供することでAIを真に民主化するというAWSのアプローチです。 価格は包括的料金ではなく使用量に基づいているため、中小企業にとっても魅力的です。 さらに、サードパーティの統合に対する柔軟性、カスタマイズ、およびサポートの余地がたくさんあります。

ソース

Google Cloud

Googleは、すべての人がAIにアクセスできるようにすることに取り組んでいます。 GoogleはAI/MLツールをオープンソーシングしており、エンジニアは誰もがアクセスできるように積極的に調査を行っています。 サイバーセキュリティは、Googleがビジネス上の問題を解決するためにAI/MLを採用している重要な分野です。

Alphabet（Googleの親会社）の子会社であるChronicleはすべて、GoogleのAI / MLの専門知識を活用し、ほぼ無限のコンピューティング能力を提供して、世界クラスのセキュリティ分析ソリューションを開発する準備が整っています。 他のGoogleサービスと簡単に統合できます。 Google Cloudが提供する非常に大きなコスト削減割引は、SUDまたはSustainedUse割引です。 これらは、GoogleCloudPlatformがプラットフォームを使用している期間に提供する自動割引です。

ソース

Microsoft Azure

パブリッククラウドとして、Microsoft Azureサービスは、ユーザーがそれを使用するためにハードウェアやソフトウェアを購入する必要がないことを確認します。 Azure Machine Learningは、古典的なMLからディープラーニング、監視付き、監視なしまで、あらゆる種類の機械学習に使用できます。 PythonまたはRコード、またはゼロコード/ローコードオプションを含むほとんどの言語がサポートされています。 最大のプラスポイントは、年間4.38時間未満のダウンタイムが保証された速度です。

ソース

比較研究：AWS、Google Cloud、Microsoft Azure

次の4つのパラメータでどれだけうまく機能するか見てみましょう。

  • 使用の利便性と学習曲線

これらの企業間の進捗の違いは、投資のレベルと知識を得ることの失敗/成功によって測定することができます。 急な学習曲線は、業界での採用を遅らせ、ユーザーエクスペリエンスに与える利便性に正比例します。

ソース

  • 業界での採用

以下に示すように、AWSは、さまざまな中小企業および大企業による採用の測定に関して、市場シェアをほぼ引き継いでいます。 それはそれがこの市場に参入した最初のものの1つであったことを助けます。 使用統計は、それらがどれだけ簡単に使用できるか、およびユーザーがどれだけ迅速に展開段階に到達できるかを示し、一貫性を証明します。

ソース

どのクラウドを使用するかを検討する顧客が増えるほど、Googleでクラウドを検索して提供内容を理解する可能性が高くなります。 グーグルアナリティクスによると、アマゾンウェブサービスのグーグル検索の観点からの人気が一貫して高いことが明らかに示されています。 検索すればするほど、広く使われる可能性が高くなります。

企業は、複数のクラウドプロバイダーを使用して、製品の展開を可能な限りスムーズにすることを選択できます。 また、「ベンダーロックイン」を回避するために、組織はさまざまなクラウドプロバイダーを使用して、ビジネス上の問題を可能な限り柔軟に解決しています。 最近のRightScale2019State of the Cloudは、サンプルサイズの84％がマルチクラウド戦略を採用していることを示しています。

ソース

  • クラウドインフラストラクチャ

主要なパブリッククラウドプロバイダーは、共有されるマルチテナントサーバーに基づくサービスを提供しています。 予測できない変更を計算して処理するために必要な容量は膨大であり、さまざまなサーバー間でユーザーの需要を最適化する必要があります。 サーバーレスモデルの人気は高まっていますが、処理が必要な作業は依然として高密度です。

ソース

ここで人気のある開発者コミュニティであるStackOverflowによると、1か月に受け取る質問の割合に基づいてパターンを分析することで、3つのクラウドシステムの使用率を測定できます。

ソース

  • 価格設定

低コストにより、新興企業もクラウドサービスを採用できます。 スタートアップのすべてのプロセスは、最初から構築する必要があります。 パブリッククラウドコンピューティングが彼らのためにできることは、彼らが長期投資家を見つけるまで価格設定に投資するために必要な資本を管理できるという意味で驚異的です。 プロジェクトの品質は妥協することなく維持できます。 以下の各シナリオでは、1時間ごとのオンデマンド価格を確認してから、それぞれのRAM1GBあたりの1時間ごとの料金を確認できます。

ソース

雲はどのように役立ちますか？

AWS、GCP、Heroku、Azure、IBMクラウドなどの主要なクラウドコンピューティングシステムは、機械学習モデルを探索して効率的に展開したいすべてのデータ志望者や限られた資金を持つ企業に安全な避難所を提供しています。 これらのシステムは安価に運用できます。

平均して1時間に数ドル支払うことで、ほぼ瞬時に独自の機械学習アプリケーションを運転できます。 パブリッククラウドは、安価なデータストレージも提供します。 機械学習対応アプリケーションへのデータの入力として、真のデータベースまたはストレージシステムを活用できます。

これらはすべて、ソフトウェア開発キット（SDK）とアプリケーションプログラムインターフェイス（API）を提供し、機械学習機能をアプリケーションに直接組み込むことができ、ほとんどのプログラミング言語をサポートします。 機械学習テクノロジーの真の価値は、アプリケーション内からの使用です。これは、行われる予測のタイプが、より多くの操作とトランザクションに焦点を合わせているためです。

ただし、クラウドは実験段階で少しコストがかかる可能性があるため、企業がオンプレミスとクラウドの両方を検討することは良い戦略です。 クラウドには、Kubernetes、Dockers、Tfなどのオープンソースツールの上に作成された独自のツールもあります。人気のあるGoogle製品であるKubernetesは、アプリケーションのデプロイ、スケーリング、管理を自動化するためのオープンソースシステムですが、 GCPでは、他のプロバイダープラットフォームよりも優れたパフォーマンスを発揮します。 何よりも、自分に最適なクラウドサービスを選択するには、どのツールを使用できるかを知ることが重要になります。

出典：

https://searchcloudcomputing.techtarget.com/definition/cloud-infrastructure#:~:text=Cloud%20infrastructure%20refers%20to%20the,of%20a%20cloud%20computing%20model。

https://www.leadingedgetech.co.uk/it-services/it-consultancy-services/cloud-computing/what-are-the-types-of-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-which-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、 market％20share％20of％20all％20three。

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

サイバーセキュリティの未来は何ですか？

サイバーセキュリティにはさまざまな未来があります。 1つの可能性は、攻撃者がシステムの欠陥を悪用する新しい方法を開発し続け、防御を維持することを困難にすることです。 その結果、サイバー犯罪と主要なデータ侵害が増加します。 もう1つの可能性は、国民国家や他のプレイヤーがサイバー攻撃を戦争の武器として利用するにつれて、サイバー戦争がより蔓延することです。 3番目の可能性は、企業がサイバーセキュリティに対してより包括的なアプローチを取り、脆弱性が悪用される前に特定して軽減することに焦点を当てることです。 同様に、人工知能と機械学習は、企業が脅威を迅速に特定して対応するのに役立つため、サイバーセキュリティへの応用が増える可能性があります。

サイバーセキュリティの制限は何ですか？

組織は、ネットワーク上で何が起こっているかについての制限された視点しか見ることができません。これは、サイバーセキュリティにおける重要な課題です。 悪意のあるアクティビティは、標準のセキュリティテクノロジーからは見えない秘密のトンネルやパスを介して発生する可能性があるため、これが当てはまります。 もう1つの問題は、組織が直面する脅威について歪んだ見方をしていることが多いことです。 これは、サイバーセキュリティの状況が常に変化しており、新しい脅威が絶えず出現しているためです。 3番目の問題は、企業のサイバーセキュリティ保護がしばしば不十分であるということです。 これは、多くの企業が完全なセキュリティソリューションを実装する手段を欠いているという事実によるものです。

デジタルフォレンジックの用途は何ですか？

コンピューティングデバイスまたはストレージメディアからデジタル証拠を抽出する手法は、デジタルフォレンジックとして知られています。 犯罪のデジタルアーティファクトは、証拠を調べることによって識別され、文書化されます。 これは、コンピュータ犯罪の調査、訴訟手続きでの証拠の提供、コンピュータネットワークの攻撃からの保護、ハッキングの発生の調査、損傷または破損したハードドライブからのデータの回復などに使用できます。 また、行方不明になったPCに何が起こったのかを把握するためにも使用できます。 今日の環境では、デジタルフォレンジックはさまざまな状況で使用される重要な手段です。