AWS vs Google vs Azure：誰將贏得云戰爭？

在這場大流行中，使我們能夠以前所未有的靈活性更快地取得技術進步的是各種稱職的雲計算系統的可用性。 從為應用程序、處理和存儲提供按需計算服務，現在是充分利用公共雲提供商的時候了。 更重要的是，由於易於擴展，也沒有地域限制。

機器學習系統可以無限期地得到他們的支持，因為它們是開源的，並且現在比以往任何時候都更觸手可及，並且企業的負擔能力有所提高。 事實上，公共雲提供商在構建機器學習模型方面越來越有幫助。 所以，出現在我們面前的問題是——將它們用於部署的可能性是什麼？

我們所說的部署是什麼意思？

模型構建非常類似於設計任何產品的過程。 從構思和數據準備到原型設計和測試。 部署基本上是整個過程的可操作點，這意味著我們使用已經訓練好的模型，並以自動化、可重複和可審計的方式將其預測提供給用戶或其他系統。

雖然許多雲提供商已經創建了定制和專用的 ML 堆棧，但也有本地服務器服務和 Heroku，它提供了一個現成且安全的環境，讓您可以更快地進行部署。 然而，雲提供商共同面臨著挑戰​​。

有哪些挑戰？

• 部署難！

與普遍看法相反，您不僅在部署代碼，而且本質上還在部署在各個部門之間以各種格式移動的數據，這些數據隨著模型的變化而變化，並且系統中有大量的移動變量這可能很容易受到影響。

• 沒有同質性

端到端 ML 應用程序通常充滿用不同編程語言編寫的組件。 編程語言的選擇取決於用例，Python、R、Scala 或任何其他語言都可用於構建不同的模型。

• ML 部署不是單一的

機器學習模型部署不一定是獨立的解決方案。 它們通常嵌入或集成到各種業務應用程序中。

• 測試和驗證痛點

數據更改會導致模型的演化過程，其中方法改進或軟件依賴關係發生變化。 每次發生此類更改時，都需要重新驗證模型性能。

• 發布策略的複雜性

根據用例，ML 模型需要比常規軟件應用程序更頻繁地更新。

• 數據安全問題

由於數據是一種易受攻擊的資源，雲提供商的開源性質確實引起了一些人的注意。 由於數據安全問題，許多銀行業公司一直對使用雲感到擔憂。

前三名的競爭者

AWS、Google Cloud 和 Microsoft Azure 作為雲市場的前三名競爭者，可以在幾個重要參數上進行比較，以做出最佳選擇。

資源

AWS

根據 Gartner 的魔力像限報告，AWS 在願景和執行能力方面均名列前茅。 之所以如此，是因為 AWS 的方法是，它通過提供工具和服務來真正實現人工智能的民主化，這些工具和服務能夠支持所有開發人員，甚至是那些之前沒有 ML 經驗的開發人員。 它甚至對小型企業很有吸引力，因為定價是基於使用量而不是一攬子費用。 此外，還有很大的靈活性、定制和支持第三方集成的空間。

資源

谷歌云

谷歌致力於讓所有人都能使用人工智能。 谷歌一直在開源其 AI/ML 工具，工程師們一直在積極推出他們的研究供所有人訪問。 網絡安全是谷歌利用 AI/ML 解決業務問題的關鍵領域。

Chronicle 是 Alphabet（谷歌的母公司）的子公司，它將充分利用谷歌的 AI/ML 專業知識並提供近乎無限的計算能力來開發世界級的安全分析解決方案。 它可以輕鬆地與其他 Google 服務集成。 Google Cloud 提供的一個真正巨大的節省成本的折扣是 SUD 或持續使用折扣。 這些是 Google Cloud Platform 在用戶使用該平台期間提供的自動折扣。

資源

微軟天青

作為公共雲，Microsoft Azure 服務確保用戶無需購買任何硬件或軟件即可使用它。 Azure 機器學習可用於任何類型的機器學習，從經典 ML 到深度學習、監督和非監督。 支持大多數語言，包括 Python 或 R 代碼或零代碼/低代碼選項。 它最大的優點是它的速度，每年保證的停機時間少於 4.38 小時。

資源

比較研究：AWS、谷歌云和微軟 Azure

讓我們看看它們在以下四個參數上的表現如何。

• 使用方便和學習曲線

這些公司之間的進步差異可以通過投資水平和他們在獲取知識方面的失敗/成功來衡量。 陡峭的學習曲線會導致行業採用速度放緩，並且與它賦予用戶體驗的便利性成正比。

資源

• 行業採用

正如您在下面看到的，在衡量各種小型和大型企業的採用情況時，AWS 幾乎佔據了市場份額。 它是最早進入這個市場的公司之一，這很有幫助。 使用情況統計表明它們的使用容易程度以及它們允許用戶達到部署階段的速度以及它們的一致性證明。

資源

客戶越多考慮使用哪種雲，他們就越有可能在 Google 上搜索以了解他們的產品。 根據谷歌分析，這顯然表明谷歌搜索亞馬遜網絡服務的受歡迎程度一直很高。 它被搜索得越多，它被廣泛使用的可能性就越大。

企業確實可以選擇使用多個雲提供商來使產品部署盡可能順利。 同樣為了避免“供應商鎖定”，組織正在使用不同的雲提供商來盡可能靈活地解決他們的業務問題。 最近的 RightScale 2019 雲狀態顯示，他們 84% 的樣本量採用了多雲策略。

資源

• 雲基礎設施

主要的公共雲提供商提供基於共享的多租戶服務器的服務。 計算和處理不可預測的變化所需的容量是巨大的，並且需要跨不同服務器優化用戶需求。 儘管無服務器模型的普及率正在上升，但仍有高密度的工作需要處理。

資源

根據 Stack Overflow，這裡是一個受歡迎的開發者社區，我們可以通過他們根據一個月內收到的問題百分比分析模式來衡量三個雲系統的使用份額。

資源

• 價錢

較低的成本使初創企業也能夠採用雲服務。 初創公司的所有流程都必須從頭開始構建。 公共雲計算可以為他們做的事情是驚人的，因為可以管理投資定價所需的資金，直到他們找到長期投資者。 項目的質量可以保持不打折扣。 對於以下每種情況，您可以觀察每小時按需價格，然後是每 GB RAM 的每小時價格。

資源

云如何提供幫助？

AWS、GCP、Heroku、Azure 和 IBM 雲等主要雲計算系統為所有希望探索機器學習模型並有效部署它們的數據渴望者和資金有限的公司提供了一個安全的避風港。 這些系統運行起來很便宜。

通過平均每小時支付幾美元，您幾乎可以立即驅動自己的機器學習應用程序！ 公共雲還提供廉價的數據存儲。 您可以利用真正的數據庫或存儲系統將數據輸入到支持機器學習的應用程序中。

它們都提供軟件開發工具包 (SDK) 和應用程序接口 (API)，允許將機器學習功能直接嵌入到應用程序中，並且它們支持大多數編程語言。 機器學習技術的真正價值在於在應用程序中的使用，因為所做出的預測類型更側重於操作和事務。

但是，對於公司來說，同時考慮內部部署和雲將是一個很好的策略，因為雲在試驗階段可能會花費一些。 雲還擁有在 Kubernetes、Docker、Tf 等開源工具之上創建的自己的工具。Kubernetes 作為一種流行的 Google 產品，是一個用於自動部署、擴展和管理應用程序的開源系統，但它在 GCP 上會比在其他提供商平台上運行得更好。 最重要的是，了解一個人可以使用哪些工具以選擇最適合自己的雲服務至關重要。

資料來源：

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