AWS v/s Google v/s Azure: Siapa yang akan memenangkan Perang Cloud?

Diterbitkan: 2020-08-23

Di tengah pandemi ini, apa yang membuat kita memiliki fleksibilitas yang belum pernah ada sebelumnya dalam membuat kemajuan teknologi yang lebih cepat adalah ketersediaan berbagai sistem komputasi awan yang kompeten . Dari memberikan layanan komputasi sesuai permintaan untuk aplikasi, pemrosesan, dan penyimpanan, sekaranglah saatnya untuk memanfaatkan penyedia cloud publik dengan sebaik-baiknya. Terlebih lagi, dengan skalabilitas yang mudah, tidak ada batasan geografis juga.

Sistem Machine Learning dapat didukung tanpa batas oleh mereka karena open-source dan dalam jangkauan sekarang lebih dari sebelumnya dengan peningkatan keterjangkauan untuk bisnis. Faktanya, penyedia cloud publik semakin membantu dalam membangun model Machine Learning. Jadi, pertanyaan yang muncul bagi kami adalah – apa kemungkinan untuk menggunakannya untuk penerapan juga?

Daftar isi

Apa yang kami maksud dengan penyebaran?

Pembuatan model sangat mirip dengan proses merancang produk apa pun. Dari pembuatan ide dan data hingga pembuatan prototipe dan pengujian. Deployment pada dasarnya adalah titik yang dapat ditindaklanjuti dari keseluruhan proses, yang berarti bahwa kami menggunakan model yang sudah terlatih dan membuat prediksinya tersedia untuk pengguna atau sistem lain secara otomatis, dapat direproduksi, dan dapat diaudit.

Sementara banyak penyedia cloud telah membuat tumpukan ML khusus dan khusus, ada layanan server lokal dan Heroku, yang menyediakan lingkungan yang siap dan aman yang memungkinkan Anda untuk menyebarkan lebih cepat. Namun, ada tantangan yang dihadapi penyedia cloud secara kolektif.

Apa saja tantangannya?

  • Penyebarannya sulit!

Berlawanan dengan kepercayaan umum, Anda tidak hanya menyebarkan kode, Anda juga, pada dasarnya menyebarkan data yang bergerak di antara berbagai departemen, dalam berbagai format, yang berubah saat model berubah, dan ada banyak variabel bergerak dalam sistem yang dapat rentan untuk itu.

  • Tidak ada homogenitas

Aplikasi ML ujung ke ujung seringkali penuh dengan komponen yang ditulis dalam bahasa pemrograman yang berbeda. Pilihan bahasa pemrograman tergantung pada kasus penggunaan dan Python, R, Scala, atau bahasa lain dapat digunakan untuk membangun model yang berbeda.

  • Penerapan ML tidak monolitik

Penerapan model pembelajaran mesin tidak selalu merupakan solusi mandiri. Mereka biasanya tertanam atau diintegrasikan ke dalam berbagai aplikasi bisnis.

  • Pengujian dan validasi poin nyeri

Perubahan data menghasilkan proses evolusi untuk model yang metodenya ditingkatkan atau dependensi perangkat lunaknya berubah. Setiap kali perubahan seperti itu terjadi, kinerja model perlu divalidasi ulang.

  • Kompleksitas strategi rilis

Bergantung pada kasus penggunaan, model ML perlu diperbarui lebih sering daripada aplikasi perangkat lunak biasa.

  • Masalah keamanan data

Dengan data menjadi sumber daya yang rentan, sifat open-source dari penyedia cloud memang membuat beberapa orang bertanya-tanya. Banyak perusahaan sektor perbankan khawatir menggunakan cloud karena masalah keamanan data.

Tiga pesaing teratas

AWS, Google Cloud dan Microsoft Azure yang merupakan tiga pesaing teratas di pasar cloud, dapat dibandingkan pada beberapa parameter penting untuk membuat pilihan terbaik.

Sumber

AWS

Menurut laporan Magic Quadrant Gartner, AWS berada di peringkat tertinggi dalam hal visi dan kemampuan untuk mengeksekusi. Apa yang membuatnya demikian adalah pendekatan AWS yang benar-benar mendemokratisasikan AI dengan menghadirkan alat dan layanan yang memungkinkan semua pengembang bahkan mereka yang tidak memiliki pengalaman ML sebelumnya. Ini bahkan menarik untuk usaha kecil karena penetapan harga didasarkan pada penggunaan bukan biaya menyeluruh. Selain itu, ada banyak ruang untuk fleksibilitas, penyesuaian, dan dukungan untuk integrasi pihak ketiga.

Sumber

Google Cloud

Google berkomitmen untuk membuat AI dapat diakses oleh semua orang. Google telah membuka sumber alat AI/ML-nya dan para insinyur telah secara aktif melakukan penelitian mereka untuk diakses semua orang. Keamanan siber adalah area kritis di mana Google menggunakan AI/ML untuk memecahkan masalah bisnis.

Chronicle, anak perusahaan dari Alphabet (perusahaan induk Google), siap untuk memanfaatkan keahlian AI/ML Google dan memberikan kekuatan komputasi yang hampir tak terbatas untuk mengembangkan solusi analitik keamanan kelas dunia. Itu dapat dengan mudah diintegrasikan dengan layanan Google lainnya. Diskon hemat biaya yang sangat besar yang ditawarkan Google Cloud adalah SUD atau Diskon Penggunaan Berkelanjutan. Ini adalah diskon otomatis yang disediakan Google Cloud Platform selama periode waktu seseorang menggunakan platform tersebut.

Sumber

Microsoft Azure

Sebagai cloud publik, layanan Microsoft Azure memastikan bahwa tidak ada pengguna yang harus membeli perangkat keras atau perangkat lunak apa pun untuk menggunakannya. Pembelajaran Mesin Azure dapat digunakan untuk semua jenis pembelajaran mesin, dari ML klasik hingga pembelajaran mendalam, terawasi, dan tanpa pengawasan. Sebagian besar bahasa didukung termasuk opsi kode Python atau R atau kode nol/kode rendah. Poin plus terbesarnya adalah kecepatannya dengan jaminan waktu henti kurang dari 4,38 jam setahun.

Sumber

Studi banding: AWS, Google Cloud dan Microsoft Azure

Mari kita lihat seberapa baik kinerjanya pada empat parameter berikut.

  • Kenyamanan penggunaan dan kurva belajar

Perbedaan kemajuan antara perusahaan-perusahaan ini dapat diukur dari tingkat investasi dan kegagalan/keberhasilan mereka dalam menimba ilmu. Kurva pembelajaran yang curam membuat adopsi industri melambat dan berbanding lurus dengan kenyamanan yang diberikannya pada pengalaman pengguna.

Sumber

  • Adopsi industri

Seperti yang Anda lihat di bawah, AWS telah cukup banyak mengambil alih pangsa pasar dalam hal mengukur adopsi mereka oleh berbagai bisnis kecil dan besar. Ini membantu bahwa itu adalah salah satu yang pertama memasuki pasar ini. Statistik penggunaan merupakan indikasi seberapa mudah mereka dapat digunakan serta seberapa cepat mereka memungkinkan pengguna untuk mencapai tahap penerapan dan bukti konsistensi mereka.

Sumber

Semakin banyak pelanggan mempertimbangkan cloud mana yang akan digunakan, semakin besar kemungkinan mereka menelusurinya di Google untuk memahami penawaran mereka. Menurut Google Analytics, terbukti bahwa popularitas dalam pencarian Google untuk layanan Web Amazon secara konsisten tinggi. Semakin banyak dicari, semakin besar kemungkinan untuk digunakan secara luas.

Perusahaan memang memiliki pilihan untuk menggunakan beberapa penyedia cloud untuk membuat penyebaran produk semulus mungkin. Juga untuk menghindari 'vendor lock-in', organisasi menggunakan penyedia cloud yang berbeda untuk menyelesaikan masalah bisnis mereka dengan fleksibilitas sebanyak mungkin. RightScale 2019 State of the Cloud baru-baru ini menunjukkan bahwa 84% dari ukuran sampel mereka telah mengadopsi strategi multi-cloud.

Sumber

  • Infrastruktur Cloud

Penyedia cloud publik utama menawarkan layanan berdasarkan server multi-penyewa yang dibagikan. Kapasitas yang dibutuhkan untuk menghitung dan menangani perubahan tak terduga sangat besar dan ada kebutuhan untuk mengoptimalkan permintaan pengguna di berbagai server. Meskipun popularitas model tanpa server meningkat, masih ada kepadatan pekerjaan yang tinggi yang perlu diproses.

Sumber

Menurut Stack Overflow, komunitas pengembang populer di sini, kami dapat mengukur pangsa penggunaan ketiga sistem cloud melalui analisis pola mereka berdasarkan persentase pertanyaan yang mereka terima dalam sebulan.

Sumber

  • harga

Biaya yang lebih rendah memungkinkan start-up juga untuk mengadopsi layanan cloud. Semua proses untuk start-up harus dibangun dari awal. Apa yang dapat dilakukan komputasi awan publik untuk mereka sangat fenomenal dalam arti bahwa modal yang dibutuhkan untuk berinvestasi dalam penetapan harga dapat dikelola sampai mereka menemukan investor jangka panjang. Kualitas proyek dapat tetap tanpa kompromi. Untuk setiap skenario di bawah ini, Anda dapat mengamati harga per jam sesuai permintaan dan kemudian harga per GB RAM untuk masing-masing skenario.

Sumber

Bagaimana awan bisa membantu?

Sistem komputasi awan besar seperti AWS, GCP, Heroku, Azure, dan awan IBM menyediakan tempat yang aman bagi semua calon data dan perusahaan dengan dana terbatas yang ingin menjelajahi model pembelajaran mesin dan menerapkannya secara efisien. Sistem ini murah untuk dioperasikan.

Dengan membayar rata-rata beberapa dolar per jam, Anda dapat menjalankan aplikasi pembelajaran mesin Anda sendiri hampir seketika! Awan publik juga menyediakan penyimpanan data yang murah. Anda dapat memanfaatkan database atau sistem penyimpanan yang sebenarnya sebagai input data ke dalam aplikasi yang mendukung pembelajaran mesin.

Semuanya menyediakan perangkat pengembang perangkat lunak (SDK) dan antarmuka program aplikasi (API) yang memungkinkan seseorang untuk menyematkan fungsionalitas pembelajaran mesin secara langsung ke dalam aplikasi dan mendukung sebagian besar bahasa pemrograman. Nilai sebenarnya dari teknologi pembelajaran mesin adalah penggunaan dari dalam aplikasi, karena jenis prediksi yang dibuat lebih fokus pada operasi dan transaksi.

Namun, ini akan menjadi strategi yang baik bagi perusahaan untuk mempertimbangkan baik di lokasi maupun di cloud, karena cloud mungkin memerlukan sedikit biaya dalam fase eksperimen. Awan juga memiliki alat mereka sendiri yang dibuat di atas alat sumber terbuka seperti Kubernetes, Dockers, Tf dll. Kubernetes, menjadi produk Google yang populer adalah sistem sumber terbuka untuk mengotomatiskan penyebaran, penskalaan, dan pengelolaan aplikasi, tetapi itu akan berjalan lebih baik di GCP daripada di platform penyedia lainnya. Di atas segalanya, penting untuk mengetahui alat mana yang dilengkapi untuk digunakan untuk memilih layanan cloud terbaik untuk diri sendiri.

Sumber:

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, pasar%20saham%20dari%20semua%20tiga.

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

Bagaimana masa depan keamanan siber?

Keamanan siber dapat memiliki beragam masa depan. Salah satu potensinya adalah penyerang akan terus mengembangkan cara baru untuk mengeksploitasi kelemahan sistem, sehingga menyulitkan pertahanan untuk tetap terjaga. Akibatnya, kejahatan dunia maya dan pelanggaran data besar akan meningkat. Potensi lainnya adalah bahwa perang siber akan menjadi lebih umum karena negara-bangsa dan pemain lain menggunakan serangan siber sebagai senjata perang. Potensi ketiga adalah bahwa perusahaan akan mengambil pendekatan yang lebih komprehensif terhadap keamanan siber, dengan fokus pada mengidentifikasi dan mengurangi kerentanan sebelum dieksploitasi. Demikian pula, kecerdasan buatan dan pembelajaran mesin dapat melihat lebih banyak aplikasi dalam keamanan siber, karena teknologi ini dapat membantu perusahaan dalam mengidentifikasi dan merespons ancaman dengan segera.

Apa batasan keamanan siber?

Organisasi hanya dapat melihat perspektif terbatas tentang apa yang terjadi di jaringan mereka, yang merupakan tantangan signifikan dalam keamanan siber. Karena aktivitas jahat dapat terjadi melalui terowongan dan jalur rahasia yang tidak terlihat oleh teknologi keamanan standar, inilah masalahnya. Masalah lain adalah bahwa organisasi sering memiliki pandangan yang menyimpang dari ancaman yang mereka hadapi. Hal ini disebabkan oleh fakta bahwa lanskap keamanan siber selalu berubah, dan ancaman baru terus bermunculan. Masalah ketiga adalah bahwa perlindungan keamanan siber di perusahaan seringkali tidak memadai. Hal ini disebabkan oleh fakta bahwa banyak bisnis tidak memiliki sarana untuk menerapkan solusi keamanan yang lengkap.

Apa kegunaan dari forensik digital?

Teknik penggalian bukti digital dari perangkat komputasi atau media penyimpanan dikenal sebagai forensik digital. Artefak digital dari kejahatan diidentifikasi dan didokumentasikan dengan memeriksa bukti. Ini dapat digunakan untuk menyelidiki kejahatan komputer, memberikan bukti dalam proses pengadilan, melindungi jaringan komputer dari serangan, menyelidiki kejadian peretasan, dan memulihkan data dari hard drive yang rusak atau rusak, antara lain. Ini juga dapat digunakan untuk mencari tahu apa yang terjadi pada PC yang hilang. Dalam lingkungan saat ini, forensik digital adalah instrumen penting yang digunakan dalam berbagai situasi.