AWS v/s Google v/s Azure: kto wygra Cloud War?

W środku tej pandemii to, co pozwala nam na niespotykaną elastyczność w dokonywaniu szybszych postępów technologicznych, to dostępność różnych kompetentnych systemów przetwarzania w chmurze . Począwszy od dostarczania usług obliczeniowych na żądanie dla aplikacji, przetwarzania i przechowywania, teraz nadszedł czas, aby jak najlepiej wykorzystać dostawców chmury publicznej. Co więcej, dzięki łatwej skalowalności nie ma również ograniczeń geograficznych.

Systemy uczenia maszynowego mogą być przez nie wspierane w nieskończoność, ponieważ są one oparte na otwartym kodzie źródłowym i są teraz bardziej niż kiedykolwiek dostępne i bardziej przystępne cenowo dla firm. W rzeczywistości dostawcy chmury publicznej są coraz bardziej pomocni w budowaniu modeli uczenia maszynowego. Nasuwa się więc pytanie – jakie są możliwości wykorzystania ich również do wdrożenia?

Co rozumiemy przez wdrożenie?

Budowanie modeli bardzo przypomina proces projektowania dowolnego produktu. Od pomysłu i przygotowania danych po prototypowanie i testowanie. Wdrożenie jest w zasadzie punktem działania całego procesu, co oznacza, że ​​wykorzystujemy już wyszkolony model i udostępniamy jego predykcje użytkownikom lub innym systemom w sposób zautomatyzowany, odtwarzalny i możliwy do audytu.

Podczas gdy wielu dostawców usług w chmurze stworzyło niestandardowe i dedykowane stosy ML, istnieją lokalne usługi serwerowe i Heroku, które zapewniają gotowe i bezpieczne środowisko, które umożliwia szybsze wdrażanie. Istnieją jednak wyzwania, przed którymi stoją wspólnie dostawcy usług w chmurze.

Jakie są wyzwania?

• Wdrożenie jest trudne!

Wbrew powszechnemu przekonaniu nie tylko wdrażasz kod, ale w istocie wdrażasz dane, które przemieszczają się między różnymi działami, w różnych formatach, które zmieniają się wraz ze zmianą modelu, a w systemie jest mnóstwo zmiennych zmiennych które mogą być na to podatne.

• Nie ma jednorodności

Kompleksowe aplikacje ML są często pełne komponentów napisanych w różnych językach programowania. Wybór języka programowania zależy od przypadku użycia, a Python, R, Scala lub dowolny inny język może być używany do budowania różnych modeli.

• Wdrożenia ML nie są monolityczne

Wdrożenia modelu uczenia maszynowego niekoniecznie są samodzielnymi rozwiązaniami. Są one powszechnie osadzone lub zintegrowane z różnymi aplikacjami biznesowymi.

• Testowanie i walidacja punktów bólu

Zmiany danych powodują proces ewolucji modeli, dla których poprawiają się metody lub zmieniają się zależności oprogramowania. Za każdym razem, gdy taka zmiana nastąpi, wydajność modelu musi zostać ponownie zweryfikowana.

• Złożoność strategii wydawniczych

W zależności od przypadku użycia modele ML muszą być aktualizowane częściej niż zwykłe aplikacje.

• Kwestie bezpieczeństwa danych

Ponieważ dane są zasobem podatnym na ataki, otwartość dostawców usług w chmurze budzi pewne wątpliwości. Wiele firm z sektora bankowego obawia się korzystania z chmury z powodu problemów z bezpieczeństwem danych.

Trzech najlepszych pretendentów

AWS, Google Cloud i Microsoft Azure, które są trzema czołowymi konkurentami na rynku chmury, można porównać pod kątem kilku ważnych parametrów, aby dokonać najlepszego wyboru.

Źródło

AWS

Według raportu Magic Quadrant firmy Gartner, AWS zajmuje najwyższą pozycję zarówno pod względem wizji, jak i zdolności do wykonania. To, co sprawia, że ​​tak jest, to podejście AWS, które naprawdę demokratyzuje sztuczną inteligencję, dostarczając narzędzia i usługi, które umożliwiają wszystkim programistom, nawet tym, którzy nie mają wcześniejszego doświadczenia z ML. Jest atrakcyjna nawet dla małych firm, ponieważ ceny są oparte na zużyciu, a nie na ogólnej opłacie. Dodatkowo jest dużo miejsca na elastyczność, dostosowywanie i obsługę integracji z innymi firmami.

Źródło

Google Cloud

Google dokłada wszelkich starań, aby sztuczna inteligencja była dostępna dla wszystkich. Google udostępnia swoje narzędzia AI/ML, a inżynierowie aktywnie udostępniają swoje badania wszystkim użytkownikom. Cyberbezpieczeństwo to kluczowy obszar, w którym Google wykorzystuje sztuczną inteligencję/ML do rozwiązywania problemów biznesowych.

Chronicle, spółka zależna Alphabet (spółki macierzystej Google), jest nastawiona na wykorzystanie doświadczenia Google w zakresie AI/ML i zapewnienie niemal nieograniczonej mocy obliczeniowej w celu opracowania światowej klasy rozwiązania do analizy bezpieczeństwa. Można go łatwo zintegrować z innymi usługami Google. Naprawdę ogromny rabat, który oferuje Google Cloud, to SUD lub rabaty za długotrwałe użytkowanie. Są to automatyczne rabaty, które Google Cloud Platform zapewnia na czas korzystania z platformy.

Źródło

Microsoft Azure

Jako chmura publiczna, usługi Microsoft Azure zapewniają, że żaden użytkownik nie musi kupować żadnego sprzętu ani oprogramowania, aby z niej korzystać. Usługa Azure Machine Learning może być używana do dowolnego rodzaju uczenia maszynowego, od klasycznego uczenia maszynowego po uczenie głębokie, nadzorowane i nienadzorowane. Obsługiwana jest większość języków, w tym kod Python lub R lub opcje z zerowym kodem/niskim kodem. Jego największym plusem jest szybkość z gwarantowanym czasem przestoju poniżej 4,38 godziny rocznie.

Źródło

Badanie porównawcze: AWS, Google Cloud i Microsoft Azure

Zobaczmy, jak dobrze radzą sobie z następującymi czterema parametrami.

• Wygoda użytkowania i krzywa uczenia się

Różnicę w postępie pomiędzy tymi firmami można mierzyć poziomem inwestycji i ich niepowodzeniem/sukcesem w zdobywaniu wiedzy. Stroma krzywa uczenia się powoduje spowolnienie we wdrażaniu w branży i jest wprost proporcjonalna do wygody, jaką zapewnia użytkownikom.

Źródło

• Przyjęcie w branży

Jak widać poniżej, AWS praktycznie przejął udział w rynku, jeśli chodzi o mierzenie ich przyjęcia przez różne małe i duże firmy. Pomaga to, że jako jedna z pierwszych weszła na ten rynek. Statystyki użytkowania wskazują, jak łatwo można z nich korzystać, a także jak szybko pozwalają użytkownikom na dotarcie do etapu wdrożenia i są dowodem ich spójności.

Źródło

Im więcej klienci zastanawiają się, której chmury użyć, tym większa jest możliwość wyszukania jej w Google, aby zrozumieć swoją ofertę. Według Google Analytics widać wyraźnie, że popularność pod względem wyszukiwania w Google usług Amazon Web jest niezmiennie wysoka. Im częściej jest wyszukiwany, tym większe prawdopodobieństwo, że będzie powszechnie używany.

Przedsiębiorstwo ma możliwość skorzystania z usług wielu dostawców usług w chmurze, aby wdrożenie produktu przebiegało tak płynnie, jak to tylko możliwe. Ponadto, aby uniknąć uzależnienia od dostawcy, organizacje korzystają z usług różnych dostawców chmury, aby rozwiązywać swoje problemy biznesowe z możliwie największą elastycznością. Ostatnie badanie stanu chmury RightScale 2019 pokazuje, że 84% ich próby przyjęło strategię multi-cloud.

Źródło

• Infrastruktura chmury

Główni dostawcy chmury publicznej oferują usługi oparte na udostępnianych serwerach dla wielu dzierżawców. Wydajność wymagana do obliczeń i obsługi nieprzewidywalnych zmian jest ogromna i istnieje potrzeba optymalizacji zapotrzebowania użytkowników na różnych serwerach. Chociaż popularność modeli bezserwerowych rośnie, nadal istnieje duże zagęszczenie pracy, którą należy przetworzyć.

Źródło

Według Stack Overflow, popularnej społeczności programistów, możemy zmierzyć udział wykorzystania trzech systemów w chmurze poprzez ich analizę wzorców na podstawie odsetka pytań, które otrzymują w ciągu miesiąca.

Źródło

• cennik

Niższy koszt umożliwia start-upom również przyjęcie usług w chmurze. Wszystkie procesy dla start-upu muszą być budowane od podstaw. To, co może dla nich zrobić chmura publiczna, jest fenomenalne w tym sensie, że kapitałem wymaganym do zainwestowania w wycenę można zarządzać, dopóki nie znajdą inwestora długoterminowego. Jakość projektu może pozostać bezkompromisowa. Dla każdego z poniższych scenariuszy można obserwować cenę godzinową na żądanie, a następnie cenę godzinową za GB pamięci RAM dla każdego z nich.

Źródło

Jak chmury mogą pomóc?

Główne systemy przetwarzania w chmurze, takie jak AWS, GCP, Heroku, Azure i chmura IBM, zapewniają bezpieczną przystań dla wszystkich aspirujących do danych i firm z ograniczonymi funduszami, które chcą badać modele uczenia maszynowego i skutecznie je wdrażać. Systemy te są tanie w eksploatacji.

Płacąc średnio kilka dolarów za godzinę, możesz niemal natychmiast uruchomić własną aplikację do uczenia maszynowego! Chmury publiczne zapewniają również tanie przechowywanie danych. Możesz wykorzystać prawdziwe bazy danych lub systemy pamięci masowej jako dane wejściowe do aplikacji obsługujących uczenie maszynowe.

Wszystkie zapewniają zestawy dla programistów (SDK) i interfejsy aplikacji (API), które umożliwiają osadzenie funkcji uczenia maszynowego bezpośrednio w aplikacjach i obsługują większość języków programowania. Prawdziwą wartością technologii uczenia maszynowego jest wykorzystanie jej z poziomu aplikacji, ponieważ rodzaje prognoz są bardziej skoncentrowane na operacjach i transakcjach.

Jednak dobrą strategią dla firm byłoby rozważenie zarówno rozwiązań on-premise, jak i chmury, ponieważ chmury mogą trochę kosztować w fazie eksperymentów. Chmury mają również własne narzędzia stworzone na bazie narzędzi open-source, takich jak Kubernetes, Dockers, Tf itp. Kubernetes, będąc popularnym produktem Google, jest systemem open-source do automatyzacji wdrażania, skalowania i zarządzania aplikacjami, ale działałby lepiej na GCP niż na innych platformach dostawców. Przede wszystkim kluczowa będzie wiedza, z jakich narzędzi można korzystać, aby wybrać najlepszą dla siebie usługę w chmurze.

Źródła:

https://searchcloudcomputing.techtarget.com/definition/cloud-infrastructure#:~:text=Cloud%20infrastructure%20refres%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/myśl-możesz-pominąć-w-chmurze-krzywa-nauczania-pomyśl-znowu.html

https://cio.economictimes.indiatimes.com/news/strategy-and-management/the-learning-curve-effect-why-cios-need-to-look-beyond-the-cloud-conomies-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-który-jest-najlepszy-dla-mnie/

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, rynek%20udział%20z%20wszystkich%20trzech.

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