AWS v/s Google v/s Azure: 클라우드 전쟁의 승자는?

이 대유행의 한가운데서 우리에게 더 빠른 기술 발전을 위한 전례 없는 유연성을 허용하는 것은 다양한 유능한 클라우드 컴퓨팅 시스템의 가용성입니다 . 애플리케이션, 처리 및 저장을 위한 주문형 컴퓨팅 서비스를 제공하는 것부터 지금은 퍼블릭 클라우드 제공업체를 최대한 활용할 때입니다. 게다가 쉬운 확장성으로 지리적 제한도 없습니다.

머신 러닝 시스템은 오픈 소스이기 때문에 무한정 지원될 수 있으며 비즈니스를 위한 경제성이 그 어느 때보다 높아졌습니다. 실제로 퍼블릭 클라우드 제공업체는 머신 러닝 모델을 구축하는 데 점점 더 도움이 되고 있습니다. 따라서 우리에게 발생하는 질문은 – 배포에도 사용할 수 있는 가능성은 무엇입니까?

배포란 무엇을 의미합니까?

모델 구축은 모든 제품을 설계하는 과정과 매우 유사합니다. 아이디어 구상 및 데이터 준비에서 프로토타이핑 및 테스트까지. 배포는 기본적으로 전체 프로세스의 실행 가능한 지점입니다. 즉, 이미 훈련된 모델을 사용하고 자동화되고 재현 가능하며 감사 가능한 방식으로 사용자 또는 다른 시스템에서 예측을 사용할 수 있도록 합니다.

많은 클라우드 제공업체가 맞춤형 전용 ML 스택을 생성했지만 온프레미스 서버 서비스와 더 빠르게 배포할 수 있는 준비되고 안전한 환경을 제공하는 Heroku가 있습니다. 그러나 클라우드 공급자가 집합적으로 직면하는 과제가 있습니다.

도전 과제는 무엇입니까?

• 배포가 어렵습니다!

일반적인 믿음과는 달리, 코드를 배포할 뿐만 아니라 본질적으로 다양한 부서 간에 이동하는 데이터를 다양한 형식으로 배포하며, 이는 모델이 변경됨에 따라 변경되며 시스템에는 수많은 이동 변수가 있습니다. 그것에 취약할 수 있습니다.

• 동질성이 없다

종단 간 ML 애플리케이션은 종종 다양한 프로그래밍 언어로 작성된 구성 요소로 가득 차 있습니다. 프로그래밍 언어의 선택은 사용 사례에 따라 다르며 Python, R, Scala 또는 기타 언어를 사용하여 다양한 모델을 빌드할 수 있습니다.

• ML 배포는 모놀리식(monolithic)이 아닙니다.

머신 러닝 모델 배포가 반드시 독립적인 솔루션은 아닙니다. 일반적으로 다양한 비즈니스 애플리케이션에 내장되거나 통합됩니다.

• 테스트 및 검증의 문제점

데이터 변경으로 인해 방법이 개선되거나 소프트웨어 종속성이 변경되는 모델의 진화 프로세스가 발생합니다. 이러한 변경이 발생할 때마다 모델 성능을 다시 검증해야 합니다.

• 릴리스 전략의 복잡성

사용 사례에 따라 ML 모델은 일반 소프트웨어 애플리케이션보다 더 자주 업데이트해야 합니다.

• 데이터 보안 문제

데이터가 취약한 리소스이기 때문에 클라우드 공급자의 오픈 소스 특성은 약간의 눈살을 찌푸리게 합니다. 많은 은행 부문 기업이 데이터 보안 문제로 인해 클라우드 사용에 대해 우려하고 있습니다.

상위 3명의 경쟁자

클라우드 시장의 3대 경쟁자인 AWS, 구글 클라우드, 마이크로소프트 애저를 몇 가지 중요한 매개변수로 비교하여 최선의 선택을 할 수 있습니다.

원천

AWS

Gartner의 Magic Quadrant 보고서에 따르면 AWS는 비전과 실행 능력 모두에서 가장 높은 순위를 기록했습니다. 이를 가능하게 한 것은 ML에 대한 사전 경험이 없는 모든 개발자를 지원하는 도구와 서비스를 제공하여 AI를 진정으로 민주화한다는 AWS의 접근 방식입니다. 가격이 일괄 요금이 아닌 사용량을 기반으로 하기 때문에 소규모 기업에게도 매력적입니다. 또한 타사 통합에 대한 유연성, 사용자 지정 및 지원을 위한 많은 여지가 있습니다.

원천

구글 클라우드

Google은 모든 사람이 AI에 액세스할 수 있도록 최선을 다하고 있습니다. Google은 AI/ML 도구를 오픈소싱했으며 엔지니어는 모든 사람이 액세스할 수 있도록 연구 자료를 적극적으로 제공하고 있습니다. 사이버 보안은 Google이 비즈니스 문제를 해결하기 위해 AI/ML을 사용하는 중요한 영역입니다.

Alphabet(Google의 모회사)의 자회사인 Chronicle은 Google의 AI/ML 전문 지식을 활용하고 거의 무한에 가까운 컴퓨팅 성능을 제공하여 세계적 수준의 보안 분석 솔루션을 개발할 준비가 되어 있습니다. 다른 Google 서비스와 쉽게 통합할 수 있습니다. Google Cloud가 제공하는 엄청난 비용 절감 할인은 SUD 또는 지속 사용 할인입니다. Google Cloud Platform이 플랫폼을 사용하는 기간 동안 제공하는 자동 할인입니다.

원천

마이크로소프트 애저

공용 클라우드인 Microsoft Azure 서비스는 사용자가 사용하기 위해 하드웨어나 소프트웨어를 구입할 필요가 없도록 합니다. Azure Machine Learning은 클래식 ML에서 딥 러닝, 지도 및 비지도에 이르기까지 모든 종류의 기계 학습에 사용할 수 있습니다. Python 또는 R 코드 또는 제로 코드/로우 코드 옵션을 포함하여 대부분의 언어가 지원됩니다. 가장 큰 장점은 1년에 4.38시간 미만의 다운타임을 보장하는 속도입니다.

원천

비교 연구: AWS, Google Cloud 및 Microsoft Azure

다음 4가지 매개변수에 대해 얼마나 잘 수행하는지 봅시다.

• 사용 편의성 및 학습 곡선

이들 기업 간의 진척도 차이는 투자 수준과 지식 습득의 실패/성공으로 측정할 수 있습니다. 가파른 학습 곡선 은 업계 채택 속도를 늦추고 사용자 경험에 부여하는 편의성에 정비례합니다.

원천

• 산업 채택

아래에서 볼 수 있듯이 AWS는 다양한 중소기업의 채택을 측정할 때 시장 점유율을 거의 차지했습니다. 이 시장에 처음 진입한 기업 중 하나라는 사실이 도움이 됩니다. 사용 통계는 얼마나 쉽게 사용할 수 있는지, 얼마나 빨리 사용자가 배포 단계에 도달할 수 있는지와 일관성의 증거를 나타냅니다.

원천

고객이 어떤 클라우드를 사용할지 고려할수록 고객이 제공하는 서비스를 이해하기 위해 Google에서 검색할 가능성이 높아집니다. Google Analytics에 따르면 Amazon Web Services에 대한 Google 검색의 인기도가 지속적으로 높은 것으로 나타났습니다. 많이 검색할수록 널리 사용될 가능성이 높습니다.

기업은 제품 배포를 최대한 원활하게 하기 위해 여러 클라우드 공급자를 사용할 수 있습니다. 또한 '벤더 종속'을 피하기 위해 조직에서는 다양한 클라우드 제공업체를 사용하여 최대한 유연하게 비즈니스 문제를 해결하고 있습니다. 최근 RightScale 2019 클라우드 현황에 따르면 샘플 크기의 84%가 멀티 클라우드 전략을 채택했습니다.

원천

• 클라우드 인프라

주요 공용 클라우드 제공업체는 공유되는 다중 테넌트 서버를 기반으로 서비스를 제공합니다. 예측할 수 없는 변경 사항을 계산하고 처리하는 데 필요한 용량은 엄청나며 여러 서버에서 사용자 요구를 최적화해야 합니다. 서버리스 모델의 인기가 높아지고 있지만 처리해야 할 작업의 밀도는 여전히 높습니다.

원천

인기 있는 개발자 커뮤니티인 Stack Overflow에 따르면 한 달 동안 받는 질문의 비율을 기반으로 한 패턴 분석을 통해 세 가지 클라우드 시스템의 사용량 점유율을 측정할 수 있습니다.

원천

• 가격

비용이 저렴하면 스타트업도 클라우드 서비스를 채택할 수 있습니다. 창업을 위한 모든 프로세스는 처음부터 구축해야 합니다. 퍼블릭 클라우드 컴퓨팅이 그들에게 할 수 있는 일은 가격 책정에 투자하는 데 필요한 자본을 장기 투자자를 찾을 때까지 관리할 수 있다는 점에서 경이적입니다. 프로젝트의 품질은 손상되지 않은 상태로 유지될 수 있습니다. 아래의 각 시나리오에 대해 시간당 온디맨드 가격을 관찰한 다음 각각의 RAM GB당 시간당 가격을 관찰할 수 있습니다.

원천

구름이 어떻게 도움이 될까요?

AWS, GCP, Heroku, Azure 및 IBM 클라우드와 같은 주요 클라우드 컴퓨팅 시스템은 머신 러닝 모델을 탐색하고 효율적으로 배포하고자 하는 자금이 제한된 기업과 모든 데이터 지망자에게 안전한 피난처를 제공하고 있습니다. 이러한 시스템은 운영 비용이 저렴합니다.

시간당 평균 몇 달러를 지불하면 자신만의 머신 러닝 애플리케이션을 거의 즉시 구동할 수 있습니다! 퍼블릭 클라우드는 저렴한 데이터 스토리지도 제공합니다. 실제 데이터베이스 또는 스토리지 시스템을 기계 학습 지원 애플리케이션에 대한 데이터 입력으로 활용할 수 있습니다.

모두 소프트웨어 개발자 키트(SDK)와 응용 프로그램 인터페이스(API)를 제공하여 기계 학습 기능을 응용 프로그램에 직접 내장할 수 있으며 대부분의 프로그래밍 언어를 지원합니다. 머신 러닝 기술의 진정한 가치는 애플리케이션 내에서 사용하는 것입니다. 예측 유형이 더 많은 작업과 트랜잭션에 초점을 맞추기 때문입니다.

그러나 클라우드는 실험 단계에서 약간의 비용이 들 수 있으므로 기업이 온프레미스와 클라우드를 모두 고려하는 것이 좋은 전략이 될 것입니다. 클라우드는 또한 Kubernetes, Dockers, Tf 등과 같은 오픈 소스 도구 위에 생성된 자체 도구를 가지고 있습니다. 인기 있는 Google 제품인 Kubernetes 는 애플리케이션의 배포, 확장 및 관리를 자동화하기 위한 오픈 소스 시스템이지만, 다른 제공업체 플랫폼보다 GCP에서 더 잘 실행됩니다. 무엇보다 자신에게 가장 적합한 클라우드 서비스를 선택하기 위해 어떤 도구를 사용할 수 있는지 아는 것이 중요합니다.

출처:

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-what-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, 시장%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