AWS เทียบกับ Google เทียบกับ Azure: ใครจะเป็นผู้ชนะใน Cloud War

ท่ามกลางการระบาดใหญ่นี้ สิ่งที่ทำให้เรามีความยืดหยุ่นอย่างไม่เคยมีมาก่อนในการทำให้ความก้าวหน้าทางเทคโนโลยีเร็วขึ้นคือ ความพร้อมใช้งานของระบบคลาวด์คอมพิวติ้งที่มีความสามารถ ต่างๆ จากการนำเสนอบริการการประมวลผลแบบออนดีมานด์สำหรับแอปพลิเคชัน การประมวลผล และการจัดเก็บ ตอนนี้เป็นเวลาที่จะใช้ประโยชน์จากผู้ให้บริการคลาวด์สาธารณะให้เกิดประโยชน์สูงสุด ยิ่งไปกว่านั้น ด้วยความสามารถในการขยายขนาดที่ง่ายดาย ไม่มีข้อจำกัดทางภูมิศาสตร์

ระบบแมชชีนเลิร์นนิงสามารถสนับสนุนได้อย่างไม่มีกำหนด เนื่องจากเป็นระบบโอเพนซอร์ซและเข้าถึงได้ในปัจจุบันมากกว่าที่เคยด้วยราคาที่จ่ายได้มากขึ้นสำหรับธุรกิจ อันที่จริง ผู้ให้บริการคลาวด์สาธารณะมีประโยชน์มากขึ้นในการสร้างโมเดลการเรียนรู้ของเครื่อง ดังนั้น คำถามที่เกิดขึ้นสำหรับเราคือ – อะไรคือความเป็นไปได้สำหรับการใช้งานเหล่านี้เช่นกัน?

เราหมายถึงอะไรโดยการปรับใช้

การสร้างแบบจำลองนั้นเหมือนกับกระบวนการออกแบบผลิตภัณฑ์ใดๆ ตั้งแต่แนวคิดและการเตรียมข้อมูลไปจนถึงการสร้างต้นแบบและการทดสอบ โดยทั่วไปแล้ว การปรับใช้เป็นจุดที่สามารถดำเนินการได้ของกระบวนการทั้งหมด ซึ่งหมายความว่าเราใช้แบบจำลองที่ได้รับการฝึกอบรมมาแล้ว และทำให้การคาดการณ์พร้อมใช้งานสำหรับผู้ใช้หรือระบบอื่นๆ ในลักษณะอัตโนมัติ ทำซ้ำได้ และตรวจสอบได้

แม้ว่าผู้ให้บริการระบบคลาวด์จำนวนมากได้สร้างสแต็ค ML แบบกำหนดเองและเฉพาะแล้ว แต่ก็ยังมีบริการเซิร์ฟเวอร์ในสถานที่และ Heroku ซึ่งจัดเตรียมสภาพแวดล้อมที่พร้อมและปลอดภัยที่ช่วยให้คุณปรับใช้ได้เร็วขึ้น อย่างไรก็ตาม มีความท้าทายที่ผู้ให้บริการระบบคลาวด์ต้องเผชิญร่วมกัน

ความท้าทายคืออะไร?

• การปรับใช้เป็นเรื่องยาก!

ตรงกันข้ามกับความเชื่อทั่วไป คุณไม่เพียงแต่ปรับใช้โค้ดเท่านั้น แต่คุณยังอยู่ในสาระสำคัญของการนำข้อมูลที่ย้ายไปมาระหว่างแผนกต่างๆ ในรูปแบบต่างๆ ที่เปลี่ยนไปตามการเปลี่ยนแปลงของโมเดล และมีตัวแปรเคลื่อนที่จำนวนมากในระบบ ที่สามารถเปราะบางได้

• ไม่มีความเป็นเนื้อเดียวกัน

แอปพลิเคชัน ML แบบ end-to-end มักเต็มไปด้วยส่วนประกอบที่เขียนในภาษาการเขียนโปรแกรมต่างๆ ทางเลือกของภาษาการเขียนโปรแกรมขึ้นอยู่กับกรณีการใช้งาน และ Python, R, Scala หรือภาษาอื่นๆ สามารถใช้สร้างโมเดลต่างๆ ได้

• การปรับใช้ ML ไม่ใช่เสาหิน

การปรับใช้โมเดลแมชชีนเลิร์นนิงไม่จำเป็นต้องมีโซลูชันในตัวเองเสมอไป โดยทั่วไปจะฝังหรือรวมเข้ากับแอปพลิเคชันทางธุรกิจต่างๆ

• การทดสอบและตรวจสอบจุดปวด

การเปลี่ยนแปลงข้อมูลส่งผลให้เกิดกระบวนการวิวัฒนาการสำหรับแบบจำลองซึ่งวิธีการปรับปรุงหรือการเปลี่ยนแปลงการพึ่งพาซอฟต์แวร์ ทุกครั้งที่มีการเปลี่ยนแปลงดังกล่าว จะต้องตรวจสอบประสิทธิภาพของแบบจำลองอีกครั้ง

• ความซับซ้อนของกลยุทธ์การเปิดตัว

จำเป็นต้องอัปเดตรุ่น ML บ่อยกว่าแอปพลิเคชันซอฟต์แวร์ทั่วไป ทั้งนี้ขึ้นอยู่กับกรณีการใช้งาน

• ปัญหาความปลอดภัยของข้อมูล

เนื่องจากข้อมูลเป็นทรัพยากรที่มีช่องโหว่ ลักษณะโอเพนซอร์ซของผู้ให้บริการคลาวด์จึงทำให้ต้องเลิกคิ้ว บริษัทในภาคการธนาคารจำนวนมากวิตกกังวลเกี่ยวกับการใช้ระบบคลาวด์เนื่องจากปัญหาด้านความปลอดภัยของข้อมูล

ผู้เข้าแข่งขัน 3 อันดับแรก

AWS, Google Cloud และ Microsoft Azure ซึ่งเป็นคู่แข่งสำคัญ 3 อันดับแรกในตลาดระบบคลาวด์ สามารถนำมาเปรียบเทียบกับพารามิเตอร์สำคัญสองสามตัวเพื่อสร้างทางเลือกที่ดีที่สุด

แหล่งที่มา

AWS

จากรายงาน Magic Quadrant ของ Gartner พบว่า AWS ได้รับการจัดอันดับสูงสุดทั้งในด้านวิสัยทัศน์และความสามารถในการดำเนินการ สิ่งที่ทำให้เป็นเช่นนั้นคือแนวทางของ AWS ที่ทำให้ AI เป็นประชาธิปไตยอย่างแท้จริงด้วยการนำเสนอเครื่องมือและบริการที่เปิดใช้งานนักพัฒนาทุกคน แม้กระทั่งผู้ที่ไม่มีประสบการณ์เกี่ยวกับ ML มาก่อน มันยังน่าสนใจสำหรับธุรกิจขนาดเล็กอีกด้วย เนื่องจากราคานั้นอิงจากการใช้งานไม่ใช่ค่าธรรมเนียมแบบครอบคลุม นอกจากนี้ยังมีพื้นที่มากมายสำหรับความยืดหยุ่น การปรับแต่ง และการสนับสนุนสำหรับการรวมระบบของบุคคลที่สาม

แหล่งที่มา

Google Cloud

Google มุ่งมั่นที่จะทำให้ทุกคนสามารถเข้าถึง AI Google ได้เปิดแหล่งที่มาของเครื่องมือ AI/ML และวิศวกรได้ทำการค้นคว้าอย่างจริงจังเพื่อให้ทุกคนเข้าถึงได้ การรักษาความปลอดภัยทางไซเบอร์เป็นส่วนสำคัญที่ Google ใช้ AI/ML เพื่อแก้ปัญหาทางธุรกิจ

Chronicle ซึ่งเป็นบริษัทในเครือของ Alphabet (บริษัทแม่ของ Google) พร้อมที่จะใช้ประโยชน์จากความเชี่ยวชาญด้าน AI/ML ของ Google และมอบพลังประมวลผลที่แทบจะไร้ขีดจำกัดเพื่อพัฒนาโซลูชันการวิเคราะห์ความปลอดภัยระดับโลก สามารถรวมเข้ากับบริการอื่นๆ ของ Google ได้อย่างง่ายดาย ส่วนลดที่ประหยัดต้นทุนอย่างมากที่ Google Cloud เสนอคือ SUD หรือส่วนลดการใช้งานอย่างยั่งยืน นี่คือส่วนลดอัตโนมัติที่ Google Cloud Platform มอบให้ในช่วงเวลาหนึ่งที่ใช้แพลตฟอร์ม

แหล่งที่มา

Microsoft Azure

ในฐานะที่เป็นคลาวด์สาธารณะ บริการของ Microsoft Azure ช่วยให้มั่นใจว่าผู้ใช้ไม่ต้องซื้อฮาร์ดแวร์หรือซอฟต์แวร์เพื่อใช้งาน Azure Machine Learning สามารถใช้ได้กับการเรียนรู้ของเครื่องทุกประเภท ตั้งแต่ ML แบบคลาสสิกไปจนถึงการเรียนรู้เชิงลึก มีการควบคุมดูแล และไม่มีการควบคุมดูแล ภาษาส่วนใหญ่ได้รับการสนับสนุน รวมทั้งรหัส Python หรือ R หรือตัวเลือกรหัสศูนย์/รหัสต่ำ จุดบวกที่ใหญ่ที่สุดคือความเร็วพร้อมรับประกันเวลาหยุดทำงานน้อยกว่า 4.38 ชั่วโมงต่อปี

แหล่งที่มา

การศึกษาเปรียบเทียบ: AWS, Google Cloud และ Microsoft Azure

เรามาดูกันว่าพวกเขาทำงานได้ดีเพียงใดในพารามิเตอร์สี่ตัวต่อไปนี้

• ความสะดวกในการใช้งานและเส้นโค้งการเรียนรู้

ความแตกต่างของความคืบหน้าระหว่างบริษัทเหล่านี้สามารถวัดได้จากระดับการลงทุนและความล้มเหลว/ความสำเร็จในการรับความรู้ เส้นโค้ง การ เรียนรู้ที่สูงชันทำให้การยอมรับในอุตสาหกรรมชะลอตัวและเป็นสัดส่วนโดยตรงกับความสะดวกที่มอบให้กับประสบการณ์ของผู้ใช้

แหล่งที่มา

• การยอมรับในอุตสาหกรรม

ดังที่คุณเห็นด้านล่าง AWS ได้เข้ายึดครองส่วนแบ่งการตลาดเมื่อต้องวัดการนำไปใช้โดยธุรกิจขนาดเล็กและขนาดใหญ่ต่างๆ ช่วยให้เป็นหนึ่งในกลุ่มแรกที่เข้าสู่ตลาดนี้ สถิติการใช้งานเป็นเครื่องบ่งชี้ว่าสามารถใช้งานได้ง่ายเพียงใด รวมถึงช่วยให้ผู้ใช้เข้าถึงขั้นตอนการปรับใช้ได้เร็วเพียงใด และเป็นการพิสูจน์ความสอดคล้อง

แหล่งที่มา

ยิ่งลูกค้าพิจารณาว่าควรใช้คลาวด์ใดมากเท่าใด ก็ยิ่งมีความเป็นไปได้มากขึ้นที่พวกเขาค้นหาบน Google เพื่อทำความเข้าใจข้อเสนอของตน จากข้อมูลของ Google Analytics เห็นได้ชัดว่าความนิยมในแง่ของการค้นหา Google สำหรับบริการเว็บของ Amazon นั้นสูงอย่างต่อเนื่อง ยิ่งมีการค้นหามากเท่าใดก็ยิ่งมีโอกาสถูกใช้อย่างกว้างขวางมากขึ้นเท่านั้น

องค์กรมีตัวเลือกในการใช้ผู้ให้บริการระบบคลาวด์หลายรายเพื่อทำให้การปรับใช้ผลิตภัณฑ์เป็นไปอย่างราบรื่นที่สุด นอกจากนี้ เพื่อหลีกเลี่ยง 'การล็อคอินของผู้ขาย' องค์กรต่างๆ กำลังใช้ผู้ให้บริการระบบคลาวด์ที่แตกต่างกันเพื่อแก้ปัญหาทางธุรกิจของตนด้วยความยืดหยุ่นมากที่สุด RightScale 2019 State of the Cloud ล่าสุดแสดงให้เห็นว่า 84% ของขนาดตัวอย่างได้นำกลยุทธ์มัลติคลาวด์มาใช้

แหล่งที่มา

• โครงสร้างพื้นฐานระบบคลาวด์

ผู้ให้บริการคลาวด์สาธารณะรายใหญ่เสนอบริการตามเซิร์ฟเวอร์หลายผู้เช่าที่ใช้ร่วมกัน ความจุที่จำเป็นในการคำนวณและจัดการกับการเปลี่ยนแปลงที่คาดเดาไม่ได้นั้นมีมากมายมหาศาล และจำเป็นต้องปรับความต้องการของผู้ใช้ให้เหมาะสมในเซิร์ฟเวอร์ต่างๆ แม้ว่าความนิยมของโมเดลแบบไร้เซิร์ฟเวอร์จะเพิ่มขึ้น แต่ก็ยังมีงานที่ต้องดำเนินการเป็นจำนวนมาก

แหล่งที่มา

ตาม Stack Overflow ชุมชนยอดนิยมของนักพัฒนาที่นี่ เราสามารถวัดส่วนแบ่งการใช้งานของระบบคลาวด์สามระบบผ่านการวิเคราะห์รูปแบบตามเปอร์เซ็นต์ของคำถามที่พวกเขาได้รับในหนึ่งเดือน

แหล่งที่มา

• ราคา

ต้นทุนที่ต่ำลงทำให้สตาร์ทอัพสามารถใช้บริการคลาวด์ได้เช่นกัน กระบวนการทั้งหมดสำหรับการเริ่มต้นธุรกิจต้องสร้างขึ้นใหม่ทั้งหมด คลาวด์คอมพิวติ้งสาธารณะทำอะไรให้พวกเขาได้เป็นปรากฎการณ์ในแง่ที่ว่าเงินทุนที่จำเป็นสำหรับการลงทุนในด้านราคาสามารถจัดการได้จนกว่าจะพบนักลงทุนระยะยาว คุณภาพของโครงการยังคงแน่วแน่ สำหรับแต่ละสถานการณ์ด้านล่าง คุณสามารถสังเกตราคาแบบออนดีมานด์รายชั่วโมง และจากนั้นราคารายชั่วโมงต่อ GB ของ RAM แต่ละรายการ

แหล่งที่มา

เมฆช่วยได้อย่างไร?

ระบบคลาวด์คอมพิวติ้งที่สำคัญ เช่น AWS, GCP, Heroku, Azure และ IBM cloud เป็นที่หลบภัยสำหรับผู้ต้องการข้อมูลและบริษัทที่มีเงินทุนจำกัด ซึ่งต้องการสำรวจโมเดลการเรียนรู้ของเครื่องและปรับใช้อย่างมีประสิทธิภาพ ระบบเหล่านี้มีราคาถูกในการใช้งาน

ด้วยการจ่ายเงินเฉลี่ยไม่กี่ดอลลาร์ต่อชั่วโมง คุณสามารถขับเคลื่อนแอปพลิเคชันการเรียนรู้ด้วยเครื่องของคุณเองได้แทบจะในทันที! คลาวด์สาธารณะยังให้การจัดเก็บข้อมูลราคาถูก คุณสามารถใช้ประโยชน์จากฐานข้อมูลจริงหรือระบบจัดเก็บข้อมูลเป็นอินพุตของข้อมูลลงในแอปพลิเคชันที่เปิดใช้งานการเรียนรู้ของเครื่อง

พวกเขาทั้งหมดมีชุดพัฒนาซอฟต์แวร์ (SDK) และอินเทอร์เฟซโปรแกรมแอปพลิเคชัน (API) ที่อนุญาตให้ฝังฟังก์ชันการเรียนรู้ของเครื่องลงในแอปพลิเคชันได้โดยตรง และสนับสนุนภาษาการเขียนโปรแกรมส่วนใหญ่ คุณค่าที่แท้จริงของเทคโนโลยีแมชชีนเลิร์นนิงคือการใช้งานจากภายในแอปพลิเคชัน เนื่องจากประเภทของการคาดการณ์ที่ทำขึ้นนั้นเน้นการดำเนินการและการทำธุรกรรมมากกว่า

อย่างไรก็ตาม จะเป็นกลยุทธ์ที่ดีสำหรับบริษัทต่างๆ ที่จะต้องพิจารณาทั้งในสถานที่และบนคลาวด์ เนื่องจากระบบคลาวด์อาจมีค่าใช้จ่ายเล็กน้อยในขั้นตอนการทดลอง เมฆยังมีเครื่องมือของตัวเองที่สร้างขึ้นบนเครื่องมือโอเพนซอร์สเช่น Kubernetes, Dockers, Tf เป็นต้น Kubernetes ซึ่งเป็นผลิตภัณฑ์ยอดนิยมของ Google เป็น ระบบโอเพ่นซอร์สสำหรับการปรับใช้อัตโนมัติ ปรับขนาด และการจัดการแอปพลิเคชัน แต่มัน จะทำงานได้ดีบน GCP มากกว่าบนแพลตฟอร์มของผู้ให้บริการรายอื่น เหนือสิ่งอื่นใด สิ่งสำคัญคือต้องรู้ว่าเครื่องมือใดติดตั้งไว้เพื่อใช้ในการเลือกบริการคลาวด์ที่ดีที่สุดสำหรับตนเอง

ที่มา:

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, ตลาด%20หุ้น%20of%20ทั้งหมด%20สาม.

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