AWS v/s Google v/s Azure: Quem vencerá a Guerra da Nuvem?

Em meio a essa pandemia, o que está nos permitindo uma flexibilidade sem precedentes para fazer avanços tecnológicos mais rápidos é a disponibilidade de vários sistemas competentes de computação em nuvem . Da entrega de serviços de computação sob demanda para aplicativos, processamento e armazenamento, agora é a hora de fazer o melhor uso dos provedores de nuvem pública. Além disso, com escalabilidade fácil, também não há restrições geográficas.

Os sistemas de aprendizado de máquina podem ser suportados indefinidamente por eles, pois são de código aberto e estão ao alcance agora mais do que nunca, com maior acessibilidade para as empresas. Na verdade, os provedores de nuvem pública são cada vez mais úteis na construção de modelos de Machine Learning. Então, a pergunta que se coloca para nós é – quais são as possibilidades de usá-los também para implantação?

O que queremos dizer com implantação?

A construção de modelos é muito parecida com o processo de projetar qualquer produto. Desde a idealização e preparação de dados até a prototipagem e testes. A implantação é basicamente o ponto acionável de todo o processo, o que significa que utilizamos o modelo já treinado e disponibilizamos suas previsões para usuários ou outros sistemas de forma automatizada, reproduzível e auditável.

Embora muitos provedores de nuvem tenham criado pilhas de ML personalizadas e dedicadas, existem serviços de servidor no local e o Heroku, que fornece um ambiente pronto e seguro que permite implantar mais rapidamente. No entanto, existem desafios que os provedores de nuvem enfrentam coletivamente.

Quais são os desafios?

• A implantação é difícil!

Ao contrário da crença geral, você não está apenas implantando código, você também está, em essência, implantando dados que se movem entre vários departamentos, em vários formatos, que mudam conforme o modelo muda, e há uma tonelada de variáveis ​​em movimento no sistema que pode ser vulnerável a isso.

• Não há homogeneidade

Os aplicativos de ML de ponta a ponta geralmente estão cheios de componentes escritos em diferentes linguagens de programação. A escolha de uma linguagem de programação depende do caso de uso e Python, R, Scala ou qualquer outra linguagem pode ser usada para construir diferentes modelos.

• As implantações de ML não são monolíticas

As implantações do modelo de aprendizado de máquina não são necessariamente soluções independentes. Eles são comumente incorporados ou integrados em vários aplicativos de negócios.

• Pontos problemáticos de teste e validação

As alterações de dados resultam em um processo de evolução para modelos para os quais os métodos melhoram ou as dependências de software mudam. Toda vez que uma mudança desse tipo ocorre, o desempenho do modelo precisa ser revalidado.

• Complexidade das estratégias de liberação

Dependendo do caso de uso, os modelos de ML precisam ser atualizados com mais frequência do que os aplicativos de software comuns.

• Problemas de segurança de dados

Com os dados sendo um recurso vulnerável, a natureza de código aberto dos provedores de nuvem levanta algumas sobrancelhas. Muitas empresas do setor bancário estão apreensivas em usar a nuvem por causa de problemas de segurança de dados.

Os três principais concorrentes

AWS, Google Cloud e Microsoft Azure, que são os três principais concorrentes no mercado de nuvem, podem ser comparados em alguns parâmetros importantes para fazer a melhor escolha.

Fonte

AWS

De acordo com o relatório do Quadrante Mágico do Gartner, a AWS é a mais bem classificada em termos de visão e capacidade de execução. O que o torna assim é a abordagem da AWS que realmente democratiza a IA, fornecendo ferramentas e serviços que permitem a todos os desenvolvedores, mesmo aqueles que não têm experiência anterior em ML. É até atraente para pequenas empresas, pois o preço é baseado no uso e não em uma taxa geral. Além disso, há muito espaço para flexibilidade, personalização e suporte para integrações de terceiros.

Fonte

Google Cloud

O Google está comprometido em tornar a IA acessível a todos. O Google abriu o código de suas ferramentas de IA/ML e os engenheiros estão divulgando ativamente suas pesquisas para que todos possam acessar. A segurança cibernética é uma área crítica em que o Google está empregando IA/ML para resolver problemas de negócios.

A Chronicle, uma subsidiária da Alphabet (empresa controladora do Google), está pronta para aproveitar a experiência em IA/ML do Google e fornecer poder computacional quase ilimitado para desenvolver uma solução de análise de segurança de classe mundial. Ele pode ser facilmente integrado a outros serviços do Google. Um grande desconto de economia de custos que o Google Cloud oferece são os SUDs ou descontos por uso prolongado. São descontos automáticos que o Google Cloud Platform oferece pelo período de tempo em que se usa a plataforma.

Fonte

Microsoft Azure

Como uma nuvem pública, os serviços do Microsoft Azure garantem que nenhum usuário precise comprar hardware ou software para usá-lo. O Azure Machine Learning pode ser usado para qualquer tipo de aprendizado de máquina, do ML clássico ao aprendizado profundo, supervisionado e não supervisionado. A maioria das linguagens é suportada, incluindo código Python ou R ou opções de código zero/código baixo. Seu maior ponto positivo é sua velocidade com um tempo de inatividade garantido de menos de 4,38 horas por ano.

Fonte

Estudo comparativo: AWS, Google Cloud e Microsoft Azure

Vamos ver o desempenho deles nos quatro parâmetros a seguir.

• Conveniência de uso e curva de aprendizado

A diferença de andamento entre essas empresas pode ser medida pelo nível de investimento e seu fracasso/sucesso na aquisição de conhecimento. Uma curva de aprendizado acentuada diminui a adoção do setor e é diretamente proporcional à conveniência que confere à experiência do usuário.

Fonte

• Adoção da indústria

Como você pode ver abaixo, a AWS praticamente assumiu a participação de mercado quando se trata de medir sua adoção por várias pequenas e grandes empresas. Ajuda que tenha sido um dos primeiros a entrar neste mercado. As estatísticas de uso são uma indicação da facilidade com que podem ser usadas e da rapidez com que permitem que os usuários atinjam o estágio de implantação e uma prova de sua consistência.

Fonte

Quanto mais os clientes considerarem qual das nuvens usar, maior será a possibilidade de eles procurarem no Google para entender suas ofertas. De acordo com o Google Analytics, é evidente que a popularidade em termos de busca no Google por serviços da Amazon Web tem sido consistentemente alta. Quanto mais ele for pesquisado, maior a probabilidade de ser amplamente utilizado.

Uma empresa tem a opção de usar vários provedores de nuvem para tornar a implantação do produto o mais tranquila possível. Além disso, para evitar o 'bloqueio de fornecedor', as organizações estão usando diferentes provedores de nuvem para resolver seus problemas de negócios com o máximo de flexibilidade possível. O recente RightScale 2019 State of the Cloud mostra que 84% do tamanho da amostra adotaram a estratégia de várias nuvens.

Fonte

• Infraestrutura de nuvem

Os principais provedores de nuvem pública oferecem serviços baseados em servidores multilocatários que são compartilhados. A capacidade necessária para calcular e lidar com mudanças imprevisíveis é enorme e há a necessidade de otimizar a demanda do usuário em diferentes servidores. Embora a popularidade dos modelos sem servidor esteja aumentando, ainda há uma alta densidade de trabalho que precisa ser processado.

Fonte

De acordo com o Stack Overflow, uma comunidade popular de desenvolvedores aqui, podemos avaliar a participação de uso dos três sistemas em nuvem por meio da análise de padrões com base na porcentagem de perguntas que eles recebem em um mês.

Fonte

• Preços

O custo mais baixo permite que as startups também adotem serviços em nuvem. Todos os processos para uma start-up devem ser construídos do zero. O que a computação em nuvem pública pode fazer por eles é fenomenal no sentido de que o capital necessário para investir na precificação pode ser gerenciado até encontrar um investidor de longo prazo. A qualidade do projeto pode permanecer inalterada. Para cada um dos cenários abaixo, você pode observar o preço sob demanda por hora e, em seguida, o preço por hora por GB de RAM para cada um.

Fonte

Como as nuvens podem ajudar?

Os principais sistemas de computação em nuvem, como AWS, GCP, Heroku, Azure e IBM, estão fornecendo um refúgio seguro para todos os aspirantes a dados e empresas com financiamento limitado que desejam explorar modelos de aprendizado de máquina e implantá-los com eficiência. Esses sistemas são baratos para operar.

Pagando em média alguns dólares por hora, você pode conduzir seu próprio aplicativo de aprendizado de máquina quase instantaneamente! As nuvens públicas também fornecem armazenamento de dados barato. Você pode aproveitar bancos de dados ou sistemas de armazenamento verdadeiros como entrada dos dados nos aplicativos habilitados para aprendizado de máquina.

Todos eles fornecem kits de desenvolvimento de software (SDKs) e interfaces de programa de aplicativos (APIs) que permitem incorporar a funcionalidade de aprendizado de máquina diretamente nos aplicativos e oferecem suporte à maioria das linguagens de programação. O valor real da tecnologia de aprendizado de máquina é o uso de dentro dos aplicativos, porque os tipos de previsões feitas são mais focados em operações e transações.

No entanto, seria uma boa estratégia para as empresas considerar tanto o local quanto a nuvem, pois as nuvens podem custar um pouco na fase de experimentação. As nuvens também têm suas próprias ferramentas criadas em cima das ferramentas de código aberto como Kubernetes, Dockers, Tf etc. Kubernetes, sendo um produto popular do Google, é um sistema de código aberto para automatizar a implantação, dimensionamento e gerenciamento de aplicativos, mas funcionaria melhor no GCP do que em outras plataformas de provedores. Acima de tudo, será fundamental saber quais ferramentas você está equipado para usar para escolher o melhor serviço de nuvem para si mesmo.

Fontes:

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, market%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