AWS v/s Google v/s Azure: Cine va câștiga Războiul Cloud?

În mijlocul acestei pandemii, ceea ce ne permite o flexibilitate fără precedent în a face progrese tehnologice mai rapide este disponibilitatea diferitelor sisteme de cloud computing competente . De la furnizarea de servicii de calcul la cerere pentru aplicații, procesare și stocare, acum este momentul să folosiți cât mai bine furnizorii publici de cloud. În plus, cu scalabilitate ușoară nu există nici restricții geografice.

Sistemele de învățare automată pot fi susținute pe termen nelimitat de către aceștia, deoarece sunt open-source și la îndemână acum mai mult ca oricând, cu o accesibilitate sporită pentru companii. De fapt, furnizorii de cloud public sunt din ce în ce mai de ajutor în construirea modelelor de învățare automată. Deci, întrebarea care ne apare este: care sunt posibilitățile de utilizare a acestora și pentru implementare?

Ce înțelegem prin desfășurare?

Construirea modelelor seamănă foarte mult cu procesul de proiectare a oricărui produs. De la idee și pregătirea datelor până la prototipare și testare. Implementarea este practic punctul acționabil al întregului proces, ceea ce înseamnă că folosim modelul deja antrenat și punem predicțiile acestuia la dispoziția utilizatorilor sau a altor sisteme într-o manieră automatizată, reproductibilă și auditabilă.

În timp ce mulți furnizori de servicii cloud au creat stive ML personalizate și dedicate, există servicii de server on-premise și Heroku, care oferă un mediu pregătit și sigur care vă permite să implementați mai rapid. Cu toate acestea, există provocări cu care se confruntă furnizorii de cloud în mod colectiv.

Care sunt provocările?

• Implementarea este grea!

Contrar credinței generale, nu doar implementați cod, ci și, în esență, implementați date care se deplasează între diferite departamente, în diferite formate, care se schimbă pe măsură ce modelul se schimbă și există o mulțime de variabile mobile în sistem. care poate fi vulnerabil la asta.

• Nu există omogenitate

Aplicațiile ML end-to-end sunt adesea pline de componente scrise în diferite limbaje de programare. Alegerea unui limbaj de programare depinde de cazul de utilizare și Python, R, Scala sau orice alt limbaj poate fi folosit pentru a construi modele diferite.

• Implementările ML nu sunt monolitice

Implementările modelelor de învățare automată nu sunt neapărat soluții autonome. Ele sunt în mod obișnuit încorporate sau integrate în diverse aplicații de afaceri.

• Puncte dure de testare și validare

Modificările datelor au ca rezultat un proces de evoluție pentru modelele pentru care metodele se îmbunătățesc sau se modifică dependențele de software. De fiecare dată când apare o astfel de schimbare, performanța modelului trebuie revalidată.

• Complexitatea strategiilor de eliberare

În funcție de caz de utilizare, modelele ML trebuie actualizate mai frecvent decât aplicațiile software obișnuite.

• Probleme de securitate a datelor

Data fiind o resursă vulnerabilă, natura open-source a furnizorilor de cloud ridică unele sprâncene. Multe companii din sectorul bancar s-au îngrijorat de utilizarea cloud-ului din cauza problemelor de securitate a datelor.

Primii trei concurenți

AWS, Google Cloud și Microsoft Azure, care sunt primii trei concurenți de pe piața cloud, pot fi comparate pe câțiva parametri importanți pentru a face cea mai bună alegere.

Sursă

AWS

Conform raportului Magic Quadrant al Gartner, AWS este clasat pe cel mai înalt rang atât în ​​ceea ce privește viziunea, cât și capacitatea de a executa. Ceea ce îl face astfel este abordarea AWS, care democratizează cu adevărat inteligența artificială prin furnizarea de instrumente și servicii care permit tuturor dezvoltatorilor, chiar și celor care nu au experiență anterioară în ML. Este chiar atractiv pentru întreprinderile mici, deoarece prețul se bazează pe utilizare, nu pe o taxă generală. În plus, există mult spațiu pentru flexibilitate, personalizare și suport pentru integrări terțe.

Sursă

Google Cloud

Google se angajează să facă AI accesibilă tuturor. Google și-a aprovizionat instrumentele AI/ML, iar inginerii și-au depus în mod activ cercetările pentru ca toată lumea să le poată accesa. Securitatea cibernetică este un domeniu critic în care Google folosește AI/ML pentru a rezolva problemele de afaceri.

Chronicle, o subsidiară a Alphabet (compania-mamă a Google), este pregătită să valorifice expertiza Google AI/ML și să ofere o putere de calcul aproape nelimitată pentru a dezvolta o soluție de analiză de securitate de clasă mondială. Poate fi integrat cu ușurință cu alte servicii Google. O reducere foarte mare de economisire a costurilor pe care o oferă Google Cloud sunt SUD-urile sau reducerile pentru utilizare susținută. Acestea sunt reduceri automate pe care Google Cloud Platform le oferă pentru perioada de timp în care se utilizează platforma.

Sursă

Microsoft Azure

Ca cloud public, serviciile Microsoft Azure se asigură că niciun utilizator nu trebuie să cumpere hardware sau software pentru a-l folosi. Azure Machine Learning poate fi folosit pentru orice tip de învățare automată, de la ML clasic la învățare profundă, supravegheată și nesupravegheată. Cele mai multe limbi sunt acceptate, inclusiv codul Python sau R sau opțiunile zero-code/low-code. Cel mai mare avantaj este viteza sa, cu un timp de nefuncționare garantat de mai puțin de 4,38 ore pe an.

Sursă

Studiu comparativ: AWS, Google Cloud și Microsoft Azure

Să vedem cât de bine se comportă pe următorii patru parametri.

• Comoditatea utilizării și curba de învățare

Diferența de progres între aceste companii poate fi măsurată prin nivelul investițiilor și eșecul/succesul lor în dobândirea de cunoștințe. O curbă abruptă de învățare duce la o încetinire a adoptării în industrie și este direct proporțională cu confortul pe care o oferă experienței utilizatorului.

Sursă

• Adoptarea în industrie

După cum puteți vedea mai jos, AWS a preluat destul de mult cota de piață atunci când vine vorba de măsurarea adoptării acestora de către diverse întreprinderi mici și mari. Ajută faptul că a fost unul dintre primii care au intrat pe această piață. Statisticile de utilizare sunt o indicație a cât de ușor pot fi utilizate, precum și cât de repede permit utilizatorilor să ajungă la etapa de implementare și o dovadă a consecvenței lor.

Sursă

Cu cât clienții se gândesc mai mult pe care dintre nori să folosească, cu atât este mai mare posibilitatea ca ei să-l caute pe Google pentru a-și înțelege ofertele. Potrivit Google Analytics, este evident că popularitatea în ceea ce privește căutarea Google pentru serviciile Amazon Web a fost constant ridicată. Cu cât este căutat mai mult, cu atât este mai probabil să fie utilizat pe scară largă.

O întreprindere are de ales să folosească mai mulți furnizori de cloud pentru a face implementarea produsului cât mai ușor posibil. De asemenea, pentru a evita „blocarea furnizorilor”, organizațiile folosesc diferiți furnizori de cloud pentru a-și rezolva problemele de afaceri cu cât mai multă flexibilitate posibil. Recentul RightScale 2019 State of the Cloud arată că 84% din dimensiunea eșantionului lor a adoptat o strategie multi-cloud.

Sursă

• Infrastructura cloud

Principalii furnizori publici de cloud oferă servicii bazate pe servere multi-chiriași care sunt partajate. Capacitatea necesară pentru a calcula și gestiona schimbări imprevizibile este uriașă și este nevoie de optimizarea cererii utilizatorilor pe diferite servere. Deși popularitatea modelelor fără server este în creștere, există încă o densitate mare a lucrărilor care trebuie procesate.

Sursă

Potrivit Stack Overflow, o comunitate populară de dezvoltatori de aici, putem evalua ponderea de utilizare a celor trei sisteme cloud prin analiza modelelor pe baza procentului de întrebări pe care le primesc într-o lună.

Sursă

• Prețuri

Costul mai mic permite start-up-urilor să adopte și servicii cloud. Toate procesele pentru un start-up trebuie să fie construite de la zero. Ceea ce poate face cloud computingul public pentru ei este fenomenal, în sensul că capitalul necesar pentru a investi în stabilirea prețurilor poate fi gestionat până când vor găsi un investitor pe termen lung. Calitatea proiectului poate rămâne fără compromisuri. Pentru fiecare dintre scenariile de mai jos, puteți observa prețul orar la cerere și apoi prețul orar pe GB de RAM pentru fiecare.

Sursă

Cum pot ajuta norii?

Sistemele majore de cloud computing precum AWS, GCP, Heroku, Azure și IBM cloud oferă un refugiu sigur pentru toți aspiranții de date și companiile cu finanțare limitată care doresc să exploreze modele de învățare automată și să le implementeze eficient. Aceste sisteme sunt ieftine de operat.

Plătind câțiva dolari pe oră, în medie, puteți conduce propria dvs. aplicație de învățare automată aproape instantaneu! Norii publici oferă, de asemenea, stocare de date ieftină. Puteți utiliza baze de date adevărate sau sisteme de stocare ca intrare a datelor în aplicațiile activate pentru învățarea automată.

Toate oferă kituri pentru dezvoltatori de software (SDK-uri) și interfețe de program de aplicații (API) care permit încorporarea funcționalității de învățare automată direct în aplicații și acceptă majoritatea limbajelor de programare. Valoarea reală a tehnologiei de învățare automată este utilizarea din interiorul aplicațiilor, deoarece tipurile de predicții care se fac sunt mai concentrate pe operațiuni și tranzacții.

Cu toate acestea, ar fi o strategie bună pentru companii să ia în considerare atât on-premise, cât și cloud, deoarece norii ar putea costa puțin în faza de experimentare. De asemenea, norii au propriile instrumente create pe lângă instrumentele open-source precum Kubernetes, Dockers, Tf etc. Kubernetes, fiind un produs popular Google, este un sistem open-source pentru automatizarea implementării, scalarea și gestionarea aplicațiilor, dar este ar funcționa mai bine pe GCP decât pe alte platforme de furnizori. Mai presus de toate, va fi esențial să știi ce instrumente este echipat să folosești pentru a alege cel mai bun serviciu cloud pentru tine.

Surse:

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