data engineering

Whitepaper: Machine Learning in der Cloud – AWS, Azure und GCP im Vergleich

Alexander Blaufuss Blog, Data Science

Management Summary

Die digitale Transformation ist für Unternehmen aller Branchen und Größen eine Herausforderung. Basierend auf aktuellen Umfragen, werden als größte Hindernisse einer erfolgreichen Digitalisierung die Anforderungen an Datenschutz und -sicherheit sowie fehlende IT-Kompetenzen in Unternehmen identifiziert.  Damit Unternehmen in einem digitalen, software- und datengetriebenen Zeitalter weiter erfolgreich sein können, müssen die notwendigen technischen Voraussetzungen etabliert werden. Als wichtiger Baustein hierbei wird die Anwendung von Cloud Technologie gesehen. Eine Migration von IT-Infrastrukturen oder Anwendungen in die Cloud ist ein wichtiger Schritt, um die digitale Wettbewerbsfähigkeit von Organisationen weiter sicherzustellen.

Machine Learning in der Cloud

Welche Möglichkeiten sich für Unternehmen nach einer erfolgreichen Migration in die Cloud eröffnen können, wird beispielsweise deutlich durch das breite Angebot von Machine-Learning-as-a-Service Lösungen (MLaaS). Standardisierte Services, wie bspw. automatisierte Video- und Bilderkennung oder Übersetzung von Sprache zu Text (und vice versa), reduzieren erheblich das erforderliche Fachwissen zur Anwendung von Machine Learning oder KI. Die zuvor hohe Einstiegsbarriere, um mittels Machine Learning eine Hebelwirkung für zentrale Geschäftsbereiche zu bewirken, wird durch das Angebot aller Cloud Service Provider in diesem Bereich in den kommenden Jahren weiter rapide sinken. Dies ermöglicht es auch Unternehmen, die bisher keine dedizierten Ressourcen im Bereich KI aufgebaut haben, die Chancen zu nutzen, die sich durch die Anwendung von KI für eigene Produkte, Services und Prozesse ergeben.

Use Cases vs Know-How
Abbildung 1: Use Cases vs. Know-How

Provider für Cloud-Computing

Die drei größten Provider für Cloud-Computing, Amazon Web Services (AWS), Microsoft Azure (Azure) und Google Cloud Platform (GCP), unterscheiden sich hinsichtlich ihrer Machine Learning Services nur in Teilbereichen. AWS setzt, nicht zuletzt aufgrund der Marktposition, auf ein sehr breites Angebot von eigenen ML-Services. Diese können durch verschiedenste Module von Drittanbietern ergänzt werden. Microsoft Azure gilt als sicherer Partner für Unternehmen, die auch schon in der Vergangenheit auf Produkte von Microsoft gesetzt haben. GCP kann sich durch ein Angebot an spezialisierten Produkten im Bereich Deep Learning von der Konkurrenz abgrenzen.

Was erwartet Sie in unserem Whitepaper „Machine Learning in der Cloud“?

Für die Anwendung von Machine Learning Verfahren ist die Verfügbarkeit von lokalen Rechenzentren und der dazugehörigen Infrastruktur nicht mehr zwangsläufig erforderlich. In diesem Whitepaper beleuchten wir, mit welchen Angeboten die drei größten Provider für Cloud-Computing, AWS, Azure und GCP, die Hürden für erfolgreiche ML-Projekte herabsetzen. Mit einem Fokus auf die erforderlichen ML- und IT-Kompetenzen, werden wir uns einen Überblick über die Angebote verschaffen und abschließend die Unterschiede zwischen den Cloud-Providern hervorheben.

Über den Autor
Alexander Blaufuss

Alexander Blaufuss

I am a data scientist at STATWORX. Fascinated by the world of data, I am interested in Deep Learning, communicating the insights gained from data and the techniques for visualizing data. If you have any questions about my Blog or Data Science in general, you are welcome to contact me via Email or LinkedIn.

ABOUT US


STATWORX
is a consulting company for data science, statistics, machine learning and artificial intelligence located in Frankfurt, Zurich and Vienna. Sign up for our NEWSLETTER and receive reads and treats from the world of data science and AI. If you have questions or suggestions, please write us an e-mail addressed to blog(at)statworx.com.