AWS v/s Google v/s Azure: ¿Quién ganará la guerra de la nube?

En medio de esta pandemia, lo que nos permite una flexibilidad sin precedentes para hacer avances tecnológicos más rápidos es la disponibilidad de varios sistemas de computación en la nube competentes . Desde la entrega de servicios informáticos bajo demanda para aplicaciones, procesamiento y almacenamiento, ahora es el momento de hacer el mejor uso de los proveedores de nube pública. Además, con una fácil escalabilidad, tampoco hay restricciones geográficas.

Los sistemas de aprendizaje automático pueden ser compatibles indefinidamente con ellos, ya que son de código abierto y están al alcance ahora más que nunca con una mayor asequibilidad para las empresas. De hecho, los proveedores de nube pública son cada vez más útiles para crear modelos de aprendizaje automático. Entonces, la pregunta que surge para nosotros es: ¿cuáles son las posibilidades de usarlos también para el despliegue?

¿Qué entendemos por despliegue?

La construcción de modelos es muy parecida al proceso de diseño de cualquier producto. Desde la ideación y la preparación de datos hasta la creación de prototipos y las pruebas. La implementación es básicamente el punto procesable de todo el proceso, lo que significa que usamos el modelo ya entrenado y ponemos sus predicciones a disposición de los usuarios u otros sistemas de manera automatizada, reproducible y auditable.

Si bien muchos proveedores de la nube han creado pilas de ML personalizadas y dedicadas, existen servicios de servidor en las instalaciones y Heroku, que proporciona un entorno listo y seguro que le permite implementar más rápido. Sin embargo, existen desafíos que los proveedores de la nube enfrentan colectivamente.

¿Cuáles son los retos?

• ¡La implementación es difícil!

Contrariamente a la creencia general, no solo está implementando código, también está, en esencia, implementando datos que se mueven entre varios departamentos, en varios formatos, que cambian a medida que cambia el modelo, y hay un montón de variables en movimiento en el sistema. que puede ser vulnerable a eso.

• No hay homogeneidad

Las aplicaciones de ML de extremo a extremo a menudo están llenas de componentes escritos en diferentes lenguajes de programación. La elección de un lenguaje de programación depende del caso de uso y se puede usar Python, R, Scala o cualquier otro lenguaje para construir diferentes modelos.

• Las implementaciones de ML no son monolíticas

Las implementaciones de modelos de aprendizaje automático no son necesariamente soluciones independientes. Por lo general, están incorporados o integrados en varias aplicaciones comerciales.

• Puntos débiles de prueba y validación

Los cambios de datos dan como resultado un proceso de evolución de los modelos para los cuales mejoran los métodos o cambian las dependencias del software. Cada vez que se produce un cambio de este tipo, es necesario volver a validar el rendimiento del modelo.

• Complejidad de las estrategias de liberación

Según el caso de uso, los modelos ML deben actualizarse con más frecuencia que las aplicaciones de software normales.

• Problemas de seguridad de datos

Dado que los datos son un recurso vulnerable, la naturaleza de código abierto de los proveedores de la nube sorprende. Muchas empresas del sector bancario han estado preocupadas por el uso de la nube debido a problemas de seguridad de datos.

Los tres mejores contendientes

AWS, Google Cloud y Microsoft Azure, que son los tres principales contendientes en el mercado de la nube, se pueden comparar en algunos parámetros importantes para tomar la mejor decisión.

Fuente

AWS

Según el informe del Cuadrante Mágico de Gartner, AWS ocupa el puesto más alto en términos de visión y capacidad de ejecución. Lo que lo hace así es el enfoque de AWS que realmente democratiza la IA mediante la entrega de herramientas y servicios que permiten a todos los desarrolladores, incluso a aquellos que no tienen experiencia previa en ML. Incluso es atractivo para las pequeñas empresas, ya que el precio se basa en el uso, no en una tarifa general. Además, hay mucho espacio para la flexibilidad, la personalización y la compatibilidad con integraciones de terceros.

Fuente

Nube de Google

Google se compromete a hacer que la IA sea accesible para todos. Google ha abierto sus herramientas de AI/ML y los ingenieros han estado publicando activamente sus investigaciones para que todos puedan acceder. La ciberseguridad es un área crítica en la que Google está empleando AI/ML para resolver problemas comerciales.

Chronicle, una subsidiaria de Alphabet (la empresa matriz de Google), está lista para aprovechar la experiencia en inteligencia artificial/aprendizaje automático de Google y brindar un poder de cómputo casi ilimitado para desarrollar una solución de análisis de seguridad de clase mundial. Se puede integrar fácilmente con otros servicios de Google. Un descuento de ahorro realmente enorme que ofrece Google Cloud son los SUD o descuentos por uso sostenido. Estos son descuentos automáticos que proporciona Google Cloud Platform por el período de tiempo que uno usa la plataforma.

Fuente

microsoft azure

Como nube pública, los servicios de Microsoft Azure se aseguran de que ningún usuario tenga que comprar ningún hardware o software para usarlo. Azure Machine Learning se puede usar para cualquier tipo de aprendizaje automático, desde ML clásico hasta aprendizaje profundo, supervisado y no supervisado. La mayoría de los idiomas son compatibles, incluido el código Python o R o las opciones de código cero/código bajo. Su mayor punto a favor es su velocidad con un tiempo de inactividad garantizado de menos de 4,38 horas al año.

Fuente

Estudio comparativo: AWS, Google Cloud y Microsoft Azure

Veamos qué tan bien se desempeñan en los siguientes cuatro parámetros.

• Conveniencia de uso y curva de aprendizaje

La diferencia en el progreso entre estas empresas se puede medir por el nivel de inversión y su fracaso/éxito en la adquisición de conocimientos. Una curva de aprendizaje empinada provoca una desaceleración en la adopción de la industria y es directamente proporcional a la comodidad que imparte a la experiencia del usuario.

Fuente

• Adopción de la industria

Como puede ver a continuación, AWS prácticamente se ha apoderado de la participación de mercado cuando se trata de medir su adopción por parte de varias pequeñas y grandes empresas. Ayuda que fue uno de los primeros en ingresar a este mercado. Las estadísticas de uso son una indicación de la facilidad con la que se pueden utilizar, así como la rapidez con la que permiten a los usuarios llegar a la etapa de implementación y una prueba de su coherencia.

Fuente

Cuantos más clientes consideren cuál de las nubes usar, más posibilidades tendrán de buscarla en Google para comprender sus ofertas. Según Google Analytics, se muestra evidentemente que la popularidad en términos de búsqueda de Google para los servicios web de Amazon ha sido consistentemente alta. Cuanto más se busca, más probable es que sea ampliamente utilizado.

Una empresa tiene la opción de utilizar varios proveedores de nube para que la implementación del producto sea lo más fluida posible. Además, para evitar el 'bloqueo de proveedores', las organizaciones están utilizando diferentes proveedores de nube para resolver sus problemas comerciales con la mayor flexibilidad posible. El reciente RightScale 2019 State of the Cloud muestra que el 84 % del tamaño de su muestra ha adoptado una estrategia de nubes múltiples.

Fuente

• Infraestructura en la nube

Los principales proveedores de nube pública ofrecen servicios basados ​​en servidores multiusuario que se comparten. La capacidad requerida para calcular y manejar cambios impredecibles es enorme y existe la necesidad de optimizar la demanda de los usuarios en diferentes servidores. Aunque la popularidad de los modelos sin servidor está aumentando, todavía hay una gran densidad de trabajo que debe procesarse.

Fuente

Según Stack Overflow, una popular comunidad de desarrolladores aquí, podemos medir la proporción de uso de los tres sistemas en la nube a través de su análisis de patrones en función del porcentaje de preguntas que reciben en un mes.

Fuente

• Precios

El menor costo permite que las empresas emergentes también adopten servicios en la nube. Todos los procesos para una puesta en marcha tienen que construirse desde cero. Lo que la computación en la nube pública puede hacer por ellos es fenomenal en el sentido de que el capital requerido para invertir en el precio se puede administrar hasta que encuentren un inversor a largo plazo. La calidad del proyecto puede permanecer intacta. Para cada uno de los escenarios a continuación, puede observar el precio bajo demanda por hora y luego el precio por hora por GB de RAM para cada uno.

Fuente

¿Cómo pueden ayudar las nubes?

Los principales sistemas de computación en la nube como AWS, GCP, Heroku, Azure e IBM brindan un refugio seguro para todos los aspirantes a datos y empresas con financiamiento limitado que deseen explorar modelos de aprendizaje automático e implementarlos de manera eficiente. Estos sistemas son baratos de operar.

¡Al pagar unos pocos dólares por hora en promedio, puede manejar su propia aplicación de aprendizaje automático casi al instante! Las nubes públicas también proporcionan almacenamiento de datos económico. Puede aprovechar verdaderas bases de datos o sistemas de almacenamiento como entrada de los datos en las aplicaciones habilitadas para el aprendizaje automático.

Todos proporcionan kits de desarrollo de software (SDK) e interfaces de programas de aplicaciones (API) que permiten integrar la funcionalidad de aprendizaje automático directamente en las aplicaciones y son compatibles con la mayoría de los lenguajes de programación. El valor real de la tecnología de aprendizaje automático es el uso desde dentro de las aplicaciones, porque los tipos de predicciones que se realizan se centran más en las operaciones y transacciones.

Sin embargo, sería una buena estrategia para las empresas considerar tanto la implementación local como la nube, ya que las nubes pueden costar un poco en la fase de experimentación. Las nubes también tienen sus propias herramientas creadas además de las herramientas de código abierto como Kubernetes, Dockers, Tf, etc. Kubernetes, al ser un producto popular de Google, es un sistema de código abierto para automatizar la implementación, escalado y administración de aplicaciones, pero funcionaría mejor en GCP que en otras plataformas de proveedores. Sobre todo, será fundamental saber qué herramientas se están equipados para utilizar con el fin de elegir el mejor servicio en la nube para uno mismo.

Fuentes:

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/implementar-modelo-de-aprendizaje-máquina.html

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

https://www.business2community.com/cloud-computing/aws-vs-google-cloud-vs-azure-cuál-es-el-mejor-para-su-negocio-02180217

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

https://vianalabs.com/aws-vs-azure-vs-google-cloud-cuál-es-mejor-para-mi/

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%20tres.

https://www.flexera.com/blog/cloud/aws-vs-azure-vs-google-cloud-pricing-instancias-de-computación/

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