AWS contre Google contre Azure : qui va gagner la guerre du cloud ?

Publié: 2020-08-23

Au milieu de cette pandémie, ce qui nous permet une flexibilité sans précédent pour accélérer les progrès technologiques, c'est la disponibilité de divers systèmes de cloud computing compétents . De la fourniture de services informatiques à la demande pour les applications, le traitement et le stockage, il est maintenant temps de tirer le meilleur parti des fournisseurs de cloud public. De plus, avec une évolutivité facile, il n'y a pas non plus de restrictions géographiques.

Les systèmes d'apprentissage automatique peuvent être pris en charge indéfiniment par eux car ils sont open source et à portée de main maintenant plus que jamais avec une accessibilité accrue pour les entreprises. En fait, les fournisseurs de cloud public sont de plus en plus utiles pour créer des modèles d'apprentissage automatique. Alors, la question qui se pose à nous est la suivante : quelles sont les possibilités de les utiliser également pour le déploiement ?

Table des matières

Qu'entend-on par déploiement ?

La construction de modèles ressemble beaucoup au processus de conception de n'importe quel produit. De l'idéation et de la préparation des données au prototypage et aux tests. Le déploiement est essentiellement le point d'action de l'ensemble du processus, ce qui signifie que nous utilisons le modèle déjà formé et mettons ses prédictions à la disposition des utilisateurs ou d'autres systèmes de manière automatisée, reproductible et auditable.

Alors que de nombreux fournisseurs de cloud ont créé des piles ML personnalisées et dédiées, il existe des services de serveur sur site et Heroku, qui fournit un environnement prêt et sécurisé qui vous permet de déployer plus rapidement. Il existe cependant des défis auxquels les fournisseurs de cloud sont confrontés collectivement.

Quels sont les défis ?

  • Le déploiement est difficile !

Contrairement à la croyance générale, vous ne déployez pas seulement du code, vous déployez aussi, essentiellement, des données qui se déplacent entre différents départements, dans différents formats, qui changent à mesure que le modèle change, et il y a une tonne de variables mobiles dans le système qui peuvent être vulnérables à cela.

  • Il n'y a pas d'homogénéité

Les applications ML de bout en bout sont souvent pleines de composants écrits dans différents langages de programmation. Le choix d'un langage de programmation dépend du cas d'utilisation et Python, R, Scala ou tout autre langage peut être utilisé pour construire différents modèles.

  • Les déploiements ML ne sont pas monolithiques

Les déploiements de modèles d'apprentissage automatique ne sont pas nécessairement des solutions autonomes. Ils sont généralement embarqués ou intégrés dans diverses applications métier.

  • Problèmes de test et de validation

Les changements de données entraînent un processus d'évolution des modèles pour lesquels les méthodes s'améliorent ou les dépendances logicielles changent. Chaque fois qu'un tel changement se produit, les performances du modèle doivent être revalidées.

  • Complexité des stratégies de publication

Selon le cas d'utilisation, les modèles ML doivent être mis à jour plus fréquemment que les applications logicielles classiques.

  • Problèmes de sécurité des données

Les données étant une ressource vulnérable, la nature open source des fournisseurs de cloud soulève quelques sourcils. De nombreuses entreprises du secteur bancaire craignent d'utiliser le cloud en raison de problèmes de sécurité des données.

Les trois meilleurs prétendants

AWS, Google Cloud et Microsoft Azure qui sont les trois principaux concurrents sur le marché du cloud, peuvent être comparés sur quelques paramètres importants pour faire le meilleur choix.

La source

AWS

Selon le rapport Magic Quadrant de Gartner, AWS est le mieux classé en termes de vision et de capacité d'exécution. Ce qui fait qu'il en est ainsi, c'est l'approche d'AWS qui démocratise véritablement l'IA en fournissant des outils et des services qui permettent à tous les développeurs, même ceux qui n'ont aucune expérience préalable du ML. C'est même attrayant pour les petites entreprises car la tarification est basée sur l'utilisation et non sur des frais généraux. De plus, il y a beaucoup de place pour la flexibilité, la personnalisation et la prise en charge des intégrations tierces.

La source

Google Cloud

Google s'engage à rendre l'IA accessible à tous. Google a ouvert ses outils d'IA/ML et les ingénieurs ont activement mis leurs recherches à la disposition de tous. La cybersécurité est un domaine critique dans lequel Google utilise l'IA/ML pour résoudre les problèmes de l'entreprise.

Chronicle, une filiale d'Alphabet (la société mère de Google), est prête à tirer parti de l'expertise de Google en matière d'IA/ML et à fournir une puissance de calcul quasi illimitée pour développer une solution d'analyse de sécurité de classe mondiale. Il peut être facilement intégré à d'autres services Google. Une remise vraiment énorme sur les coûts que propose Google Cloud sont les SUD ou les remises pour une utilisation durable. Il s'agit de remises automatiques fournies par Google Cloud Platform pour la période d'utilisation de la plate-forme.

La source

Microsoft Azure

En tant que cloud public, les services Microsoft Azure garantissent qu'aucun utilisateur n'a à acheter de matériel ou de logiciel pour l'utiliser. Azure Machine Learning peut être utilisé pour tout type d'apprentissage automatique, du ML classique à l'apprentissage en profondeur, supervisé et non supervisé. La plupart des langages sont pris en charge, y compris le code Python ou R ou les options de code zéro/code faible. Son plus grand avantage est sa rapidité avec un temps d'arrêt garanti de moins de 4,38 heures par an.

La source

Etude comparative : AWS, Google Cloud et Microsoft Azure

Voyons comment ils fonctionnent sur les quatre paramètres suivants.

  • Commodité d'utilisation et courbe d'apprentissage

L'écart de progression entre ces entreprises peut être mesuré par le niveau d'investissement et leur échec/succès à acquérir des connaissances. Une courbe d'apprentissage abrupte ralentit l'adoption par l'industrie et est directement proportionnelle à la commodité qu'elle confère à l'expérience utilisateur.

La source

  • Adoption par l'industrie

Comme vous pouvez le voir ci-dessous, AWS a pratiquement pris le contrôle de la part de marché lorsqu'il s'agit de mesurer leur adoption par diverses petites et grandes entreprises. Cela aide qu'il ait été l'un des premiers à entrer sur ce marché. Les statistiques d'utilisation sont une indication de leur facilité d'utilisation ainsi que de la rapidité avec laquelle elles permettent aux utilisateurs d'atteindre l'étape de déploiement et une preuve de leur cohérence.

La source

Plus les clients réfléchissent au cloud à utiliser, plus ils ont de chances de le rechercher sur Google pour comprendre leurs offres. Selon Google Analytics, il est évident que la popularité en termes de recherche Google pour les services Web d'Amazon a été constamment élevée. Plus il est recherché, plus il est susceptible d'être largement utilisé.

Une entreprise a le choix d'utiliser plusieurs fournisseurs de cloud pour rendre le déploiement du produit aussi fluide que possible. De plus, pour éviter le « verrouillage du fournisseur », les organisations utilisent différents fournisseurs de cloud pour résoudre leurs problèmes commerciaux avec autant de flexibilité que possible. Le récent état du cloud RightScale 2019 montre que 84 % de la taille de leur échantillon ont adopté une stratégie multi-cloud.

La source

  • Infrastructure infonuagique

Les principaux fournisseurs de cloud public proposent des services basés sur des serveurs multi-locataires partagés. La capacité requise pour calculer et gérer les changements imprévisibles est énorme et il est nécessaire d'optimiser la demande des utilisateurs sur différents serveurs. Bien que la popularité des modèles sans serveur augmente, il reste encore une forte densité de travail à traiter.

La source

Selon Stack Overflow, une communauté populaire de développeurs ici, nous pouvons évaluer la part d'utilisation des trois systèmes cloud grâce à leur analyse des modèles en fonction du pourcentage de questions qu'ils reçoivent en un mois.

La source

  • Tarification

Un coût moindre permet aux start-ups d'adopter également des services cloud. Tous les processus d'une start-up doivent être construits à partir de zéro. Ce que le cloud computing public peut faire pour eux est phénoménal dans le sens où le capital nécessaire pour investir dans la tarification peut être géré jusqu'à ce qu'ils trouvent un investisseur à long terme. La qualité du projet peut rester sans compromis. Pour chacun des scénarios ci-dessous, vous pouvez observer le prix horaire à la demande, puis le prix horaire par Go de RAM pour chacun.

La source

Comment les nuages ​​peuvent-ils aider ?

Les principaux systèmes de cloud computing comme AWS, GCP, Heroku, Azure et IBM cloud offrent un refuge sûr à tous les aspirants aux données et aux entreprises disposant d'un financement limité qui souhaitent explorer des modèles d'apprentissage automatique et les déployer efficacement. Ces systèmes sont peu coûteux à exploiter.

En payant quelques dollars de l'heure en moyenne, vous pouvez piloter votre propre application d'apprentissage automatique presque instantanément ! Les clouds publics fournissent également un stockage de données bon marché. Vous pouvez tirer parti de véritables bases de données ou de systèmes de stockage en tant qu'entrée des données dans les applications compatibles avec l'apprentissage automatique.

Ils fournissent tous des kits de développement logiciel (SDK) et des interfaces de programme d'application (API) qui permettent d'intégrer des fonctionnalités d'apprentissage automatique directement dans les applications et ils prennent en charge la plupart des langages de programmation. La valeur réelle de la technologie d'apprentissage automatique est l'utilisation à partir des applications, car les types de prédictions qui sont faites sont davantage axés sur les opérations et les transactions.

Cependant, ce serait une bonne stratégie pour les entreprises d'envisager à la fois sur site et dans le cloud, car les clouds peuvent coûter un peu dans la phase d'expérimentation. Les clouds ont également leurs propres outils créés en plus des outils open source tels que Kubernetes, Dockers, Tf, etc. Kubernetes, étant un produit Google populaire, est un système open source permettant d'automatiser le déploiement, la mise à l'échelle et la gestion des applications, mais il fonctionnerait mieux sur GCP que sur d'autres plates-formes de fournisseur. Avant tout, il sera critique de savoir quels outils on est équipé pour utiliser afin de choisir le meilleur service cloud pour soi.

Sources:

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, marché%20part%20de%20tous%20trois.

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

Quel est l'avenir de la cybersécurité ?

La cybersécurité pourrait avoir divers avenirs. L'un des potentiels est que les attaquants continueront à développer de nouvelles façons d'exploiter les failles du système, ce qui rendra difficile le maintien des défenses. En conséquence, la cybercriminalité et les violations majeures de données vont augmenter. Un autre potentiel est que la cyberguerre deviendra plus répandue à mesure que les États-nations et d'autres acteurs utiliseront les cyberattaques comme arme de guerre. Un troisième potentiel est que les entreprises adopteraient une approche plus globale de la cybersécurité, en se concentrant sur l'identification et l'atténuation des vulnérabilités avant qu'elles ne soient exploitées. De même, l'intelligence artificielle et l'apprentissage automatique pourraient trouver plus d'applications dans la cybersécurité, car ces technologies peuvent aider les entreprises à identifier et à répondre rapidement aux menaces.

Quelles sont les limites de la cybersécurité ?

Les organisations ne peuvent voir qu'une perspective restreinte de ce qui se passe sur leurs réseaux, ce qui représente un défi important en matière de cybersécurité. Étant donné que des activités malveillantes peuvent se produire via des tunnels et des chemins cachés qui ne sont pas visibles pour les technologies de sécurité standard, c'est le cas. Un autre problème est que les organisations ont souvent une vision déformée des menaces auxquelles elles sont confrontées. Cela est dû au fait que le paysage de la cybersécurité est en constante évolution et que de nouvelles menaces apparaissent continuellement. Le troisième problème est que la protection de la cybersécurité dans les entreprises est souvent inadéquate. Cela est dû au fait que de nombreuses entreprises n'ont pas les moyens de mettre en œuvre des solutions de sécurité complètes.

Quelles sont les utilisations de la criminalistique numérique ?

La technique d'extraction de preuves numériques à partir d'un dispositif informatique ou d'un support de stockage est connue sous le nom de criminalistique numérique. Les artefacts numériques d'un crime sont identifiés et documentés en examinant les preuves. Cela peut être utilisé pour enquêter sur les crimes informatiques, fournir des preuves dans les procédures judiciaires, protéger les réseaux informatiques contre les attaques, enquêter sur les cas de piratage et récupérer des données à partir de disques durs endommagés ou corrompus, entre autres. Il peut également être utilisé pour comprendre ce qui est arrivé à un PC qui a disparu. Dans l'environnement actuel, la criminalistique numérique est un instrument essentiel utilisé dans un large éventail de situations.