AWS v/s Google v/s Azure: chi vincerà la Cloud War?

Pubblicato: 2020-08-23

Nel mezzo di questa pandemia, ciò che ci consente una flessibilità senza precedenti nel fare progressi tecnologici più rapidi è la disponibilità di vari sistemi di cloud computing competenti . Dalla fornitura di servizi informatici on-demand per applicazioni, elaborazione e archiviazione, ora è il momento di utilizzare al meglio i provider di cloud pubblico. Inoltre, grazie alla facile scalabilità non ci sono nemmeno restrizioni geografiche.

I sistemi di Machine Learning possono essere supportati indefinitamente da loro in quanto sono open source e a portata di mano ora più che mai con una maggiore accessibilità per le aziende. In effetti, i provider di cloud pubblico sono sempre più utili nella creazione di modelli di Machine Learning. Quindi, la domanda che ci sorge è: quali sono le possibilità di utilizzarli anche per l'implementazione?

Sommario

Cosa intendiamo per schieramento?

La costruzione di modelli è molto simile al processo di progettazione di qualsiasi prodotto. Dall'ideazione e preparazione dei dati alla prototipazione e al test. La distribuzione è fondamentalmente il punto perseguibile dell'intero processo, il che significa che utilizziamo il modello già addestrato e rendiamo disponibili le sue previsioni agli utenti o ad altri sistemi in modo automatizzato, riproducibile e verificabile.

Mentre molti provider di servizi cloud hanno creato stack ML personalizzati e dedicati, ci sono servizi server in sede e Heroku, che fornisce un ambiente pronto e sicuro che ti consente di implementare più rapidamente. Ci sono tuttavia delle sfide che i fornitori di servizi cloud devono affrontare collettivamente.

Quali sono le sfide?

  • La distribuzione è difficile!

Contrariamente alla credenza generale, non stai solo distribuendo codice, in pratica stai anche distribuendo dati che si spostano tra vari reparti, in vari formati, che cambiano al variare del modello e ci sono un sacco di variabili in movimento nel sistema che può essere vulnerabile a quello.

  • Non c'è omogeneità

Le applicazioni ML end-to-end sono spesso piene di componenti scritti in diversi linguaggi di programmazione. La scelta di un linguaggio di programmazione dipende dal caso d'uso e Python, R, Scala o qualsiasi altro linguaggio possono essere utilizzati per costruire modelli diversi.

  • Le distribuzioni ML non sono monolitiche

Le implementazioni del modello di apprendimento automatico non sono necessariamente soluzioni autonome. Sono comunemente incorporati o integrati in varie applicazioni aziendali.

  • Test e validazione punti deboli

Le modifiche ai dati determinano un processo di evoluzione per i modelli per i quali i metodi migliorano o le dipendenze del software cambiano. Ogni volta che si verifica una tale modifica, le prestazioni del modello devono essere riconvalidate.

  • Complessità delle strategie di rilascio

A seconda del caso d'uso, i modelli ML devono essere aggiornati più frequentemente rispetto alle normali applicazioni software.

  • Problemi di sicurezza dei dati

Dato che i dati sono una risorsa vulnerabile, la natura open source dei provider di servizi cloud solleva alcune sopracciglia. Molte società del settore bancario sono state preoccupate per l'utilizzo del cloud a causa di problemi di sicurezza dei dati.

I primi tre contendenti

AWS, Google Cloud e Microsoft Azure, che sono i primi tre contendenti nel mercato del cloud, possono essere confrontati su alcuni parametri importanti per fare la scelta migliore.

Fonte

AWS

Secondo il report Magic Quadrant di Gartner, AWS è al primo posto in termini di visione e capacità di esecuzione. Ciò che lo rende tale è l'approccio di AWS che democratizza davvero l'IA fornendo strumenti e servizi che consentono a tutti gli sviluppatori, anche a coloro che non hanno esperienza precedente di ML. È anche interessante per le piccole imprese in quanto il prezzo si basa sull'utilizzo e non su una tariffa generale. Inoltre c'è molto spazio per flessibilità, personalizzazione e supporto per integrazioni di terze parti.

Fonte

Google Cloud

Google si impegna a rendere l'IA accessibile a tutti. Google ha reso open source i suoi strumenti AI/ML e gli ingegneri hanno attivamente pubblicato le loro ricerche affinché tutti potessero accedervi. La sicurezza informatica è un'area critica in cui Google utilizza l'IA/ML per risolvere i problemi aziendali.

Chronicle, una sussidiaria di Alphabet (la società madre di Google), è pronta a sfruttare l'esperienza AI/ML di Google e fornire una potenza di calcolo quasi illimitata per sviluppare una soluzione di analisi della sicurezza di livello mondiale. Può essere facilmente integrato con altri servizi Google. Uno sconto davvero enorme offerto da Google Cloud sono i SUD o gli sconti per uso sostenuto. Si tratta di sconti automatici che Google Cloud Platform prevede per il periodo di utilizzo della piattaforma.

Fonte

Microsoft Azure

In quanto cloud pubblico, i servizi di Microsoft Azure assicurano che nessun utente debba acquistare hardware o software per utilizzarlo. Azure Machine Learning può essere usato per qualsiasi tipo di machine learning, dal classico ML al deep learning, supervisionato e non supervisionato. La maggior parte delle lingue è supportata, inclusi Python o R code o opzioni zero-code/low-code. Il suo più grande vantaggio è la sua velocità con un tempo di fermo garantito inferiore a 4,38 ore all'anno.

Fonte

Studio comparativo: AWS, Google Cloud e Microsoft Azure

Vediamo come si comportano bene sui seguenti quattro parametri.

  • Comodità d'uso e curva di apprendimento

La differenza di progresso tra queste aziende può essere misurata dal livello di investimento e dal loro fallimento/successo nell'acquisizione di conoscenze. Una curva di apprendimento ripida determina un rallentamento nell'adozione del settore ed è direttamente proporzionale alla comodità che conferisce all'esperienza dell'utente.

Fonte

  • Adozione nel settore

Come puoi vedere di seguito, AWS ha praticamente conquistato la quota di mercato quando si tratta di misurare la loro adozione da parte di varie piccole e grandi imprese. Aiuta il fatto che sia stato uno dei primi ad entrare in questo mercato. Le statistiche di utilizzo sono un'indicazione della facilità con cui possono essere utilizzate e della velocità con cui consentono agli utenti di raggiungere la fase di distribuzione e una prova della loro coerenza.

Fonte

Più clienti considerano quale cloud utilizzare, maggiore è la possibilità che lo cerchino su Google per comprendere le loro offerte. Secondo Google Analytics, è evidente che la popolarità in termini di ricerca su Google per i servizi Web di Amazon è stata costantemente elevata. Più viene cercato, più è probabile che venga ampiamente utilizzato.

Un'azienda può scegliere di utilizzare più provider cloud per rendere la distribuzione del prodotto il più agevole possibile. Inoltre, per evitare il "vincolo del fornitore", le organizzazioni utilizzano diversi fornitori di servizi cloud per risolvere i propri problemi aziendali con la massima flessibilità possibile. Il recente Stato del cloud di RightScale 2019 mostra che l'84% della dimensione del campione ha adottato una strategia multi-cloud.

Fonte

  • Infrastruttura cloud

I principali provider di cloud pubblico offrono servizi basati su server multi-tenant condivisi. La capacità richiesta per calcolare e gestire cambiamenti imprevedibili è enorme ed è necessario ottimizzare la domanda degli utenti su server diversi. Sebbene la popolarità dei modelli serverless sia in aumento, c'è ancora un'elevata densità di lavoro che deve essere elaborato.

Fonte

Secondo Stack Overflow, una popolare comunità di sviluppatori qui possiamo misurare la quota di utilizzo dei tre sistemi cloud attraverso l'analisi dei modelli in base alla percentuale di domande che ricevono in un mese.

Fonte

  • Prezzo

Il minor costo consente alle start-up anche di adottare servizi cloud. Tutti i processi per una start-up devono essere costruiti da zero. Ciò che il cloud computing pubblico può fare per loro è fenomenale, nel senso che il capitale necessario per investire nel prezzo può essere gestito fino a quando non trovano un investitore a lungo termine. La qualità del progetto può rimanere senza compromessi. Per ciascuno degli scenari seguenti, puoi osservare il prezzo orario su richiesta e quindi il prezzo orario per GB di RAM per ciascuno.

Fonte

In che modo le nuvole possono aiutare?

I principali sistemi di cloud computing come AWS, GCP, Heroku, Azure e IBM cloud stanno fornendo un rifugio sicuro per tutti gli aspiranti ai dati e le aziende con finanziamenti limitati che desiderano esplorare modelli di machine learning e distribuirli in modo efficiente. Questi sistemi sono economici da utilizzare.

Pagando in media pochi dollari all'ora puoi guidare la tua applicazione di apprendimento automatico quasi istantaneamente! I cloud pubblici forniscono anche un'archiviazione dei dati a basso costo. Puoi sfruttare veri database o sistemi di archiviazione come input dei dati nelle applicazioni abilitate per l'apprendimento automatico.

Tutti forniscono kit per sviluppatori software (SDK) e interfacce per programmi applicativi (API) che consentono di incorporare funzionalità di apprendimento automatico direttamente nelle applicazioni e supportano la maggior parte dei linguaggi di programmazione. Il vero valore della tecnologia di apprendimento automatico è l'uso dall'interno delle applicazioni, perché i tipi di previsioni fatte sono più focalizzate sulle operazioni e sulle transazioni.

Tuttavia, sarebbe una buona strategia per le aziende considerare sia on-premise che cloud, poiché i cloud potrebbero costare un po' in fase di sperimentazione. I cloud hanno anche i propri strumenti creati in aggiunta agli strumenti open source come Kubernetes, Dockers, Tf ecc. Kubernetes, essendo un popolare prodotto Google è un sistema open source per automatizzare la distribuzione, il ridimensionamento e la gestione delle applicazioni, ma funzionerebbe meglio su GCP che su altre piattaforme di provider. Soprattutto, sarà fondamentale sapere quali strumenti si è attrezzati per utilizzare per scegliere il miglior servizio cloud per se stessi.

Fonti:

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=Quando%20it%20comes%20to%20Google, mercato%20quota%20di%20tutto%20tre.

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

Qual è il futuro della sicurezza informatica?

La sicurezza informatica potrebbe avere una varietà di futuri. Un potenziale è che gli aggressori continueranno a sviluppare nuovi modi per sfruttare i difetti del sistema, rendendo difficile il mantenimento delle difese. Di conseguenza, aumenteranno la criminalità informatica e le principali violazioni dei dati. Un altro potenziale è che la guerra informatica diventerà più diffusa man mano che gli stati-nazione e altri giocatori utilizzano gli attacchi informatici come arma di guerra. Un terzo potenziale è che le aziende adotterebbero un approccio più completo alla sicurezza informatica, concentrandosi sull'identificazione e sulla mitigazione delle vulnerabilità prima che vengano sfruttate. Allo stesso modo, l'intelligenza artificiale e l'apprendimento automatico possono trovare più applicazioni nella sicurezza informatica, poiché queste tecnologie possono aiutare le aziende a identificare e rispondere prontamente alle minacce.

Quali sono i limiti della sicurezza informatica?

Le organizzazioni possono vedere solo una prospettiva ristretta di ciò che sta accadendo sulle loro reti, che è una sfida significativa nella sicurezza informatica. Poiché l'attività dannosa può verificarsi attraverso tunnel e percorsi nascosti non visibili alle tecnologie di sicurezza standard, questo è il caso. Un altro problema è che le organizzazioni hanno spesso una visione distorta delle minacce che devono affrontare. Ciò è dovuto al fatto che il panorama della sicurezza informatica è in continua evoluzione e nuove minacce appaiono continuamente. Il terzo problema è che la protezione della sicurezza informatica nelle imprese è spesso inadeguata. Ciò è dovuto al fatto che molte aziende non dispongono dei mezzi per implementare soluzioni di sicurezza complete.

Quali sono gli usi della digital forensics?

La tecnica di estrazione di prove digitali da un dispositivo informatico o un supporto di memorizzazione è nota come digital forensics. Gli artefatti digitali di un reato sono identificati e documentati attraverso l'esame delle prove. Questo può essere utilizzato per indagare su crimini informatici, fornire prove in procedimenti giudiziari, proteggere reti di computer da attacchi, indagare su eventi di hacking e recuperare dati da dischi rigidi danneggiati o corrotti, tra le altre cose. Può anche essere usato per capire cosa è successo a un PC che è scomparso. Nell'ambiente odierno, l'analisi forense digitale è uno strumento fondamentale che viene impiegato in un'ampia gamma di situazioni.