2017年度の比較表を大公開
徹底比較:Amazon、Azure、Google、IBMの機械学習機能 現時点の勝者はいるか
クラウドベンダーの機械学習機能を巡る戦いが激しさを増している。本稿では主要クラウドベンダー4社が提供する機械学習機能の比較表を掲載する。最適なプラットフォームを決める際の参考にしてほしい。
データサイエンティストが機械学習モデルを構築し、運用するためのツールは多数存在する。だが適切なツールを選ぶには難しい判断が幾つも伴う。
下記の表では、Amazon Web Servicesの「Amazon Web Services」(AWS)、Microsoftの「Microsoft Azure」(Azure)、Googleの「Google Cloud Platform」(GCP)、IBMの「IBM Cloud」といった人気の高いクラウドサービスの機械学習機能を、機能や価格別に分類した。ただし、機械学習では多くのオープンソースソフトウェア(OSS)ツールや、掲載した以外のベンダーの製品も提供されているので注意が必要だ。本稿では機械学習のライフサイクル全体をサポートする商用クラウドサービスのみに注目した。機械学習のライフサイクルとは、データの取得からモデル開発、運用までを指す。
機械学習プラットフォーム市場は活気を帯びてきており、多くの主要ベンダーがシェアの獲得を目指している。調査会社Forresterの予測では、この市場は2021年まで年間成長率15%で拡大していくという。
2017年前半には複数のクラウドベンダーが自社のサービスを強化している。機械学習への着手を目的としたシンプルなクラウドプラットフォームが用意されるようになった。また、こうしたプラットフォームで開発するモデルは即座に運用環境に移行できるようにもなっている。
たが、こうした機械学習プラットフォームにはそれぞれ欠点もある。各プラットフォームにはベンダーに縛られるという大きなリスクがある。機械学習では、ユーザーのデータを広い範囲のクラウドプラットフォームに配置するよう求めるのが一般的だ。企業のデータを全てベンダー1社のクラウドに配置すると、他の作業に別のベンダーのサービスやOSSツールを使いづらくなる。
クラウドサービスの機械学習機能を比較
この表は、主要クラウドベンダーの機械学習機能の重要なポイントについて比較している。
| サービス名 | Amazon Machine Learning | Google Cloud Machine Learning | IBM Watson Machine Learning | Azure Machine Learning |
|---|---|---|---|---|
| 概要 | 大部分が自動化されたプラットフォーム。AWS内に格納されたデータに機械学習アルゴリズムを適用する | 最先端アルゴリズムへのアクセスをユーザーに提供する。こうしたアルゴリズムは検索をはじめとする業界最高峰のアプリケーションにGoogleが使用するものだ。ユーザーが独自のモデルを構築することもできる | REST APIコネクターを通じてモデルを運用環境に導入することを重視する | ユーザーが自身のデータに適用できる事前定義済みアルゴリズムを多数提供する。他のオプションに比べて自動化される部分が少ない |
| インタフェース | ・AWSマネジメントコンソール ・AWSコマンドラインインタフェース |
・gcloud ml-engineを使用してGoogleの「TensorFlow」プロセスを制御するコマンドラインインタフェース | ・IBMのグラフィカル分析ソフトウェア「SPSS」をフロントエンドとして使用可 ・ユーザーがサードパーティーのデータサイエンスアプリケーションでモデルを構築できるAPIコネクター |
・Microsoftの「Azure Machine Learning Studio」のドラッグアンドロップ環境 ・RとPythonのコーディング用パッケージ |
| アルゴリズムとモデリング手法 | ユーザーが組み込みのアルゴリズムを自身のデータに適用できる。以下に例を挙げる。 ・回帰分析 ・二項分類 ・多項分類 |
ユーザーが独自のモデルを最初から構築するか、以下の用途がサポートされた事前トレーニング済みのモデルを使用できる。 ・動画分析 ・画像分析 ・音声認識 ・テキスト分析 ・翻訳 |
ユーザーは、REST APIコネクターを利用し、任意の言語で独自のアルゴリズムを構築できる。またIBMの「Data Science Experience」ワークベンチプラットフォームを使って、OSSの「Apache Spark」のMLib(機械学習アルゴリズムのライブラリ)とリンクする計画がある。本稿執筆時点での実装状況はクローズドβ版だ | ユーザーは事前に作成されたアルゴリズムを自身のデータに適用できる。以下に例を挙げる。 ・スケーラブルブーストディシジョンツリー ・ベイシアンレコメンダーシステム ・ディープニューラルネットワーク ・ディシジョンジャングル ・分類 また、以下のアルゴリズムもサポートする。 ・多項分類と二項分類 ・回帰クラスタリング |
| 自動アルゴリズムの推奨有無 | ○ | ○ | × | × |
| データの配置場所の要件 | データは、Amazon Machine Learningサービスで使用する前に、AWSのストアに格納する必要がある | Googleの「Google Cloud Storage」にデータを格納し、この場所でモデルを準備する必要がある | データは、IBM Cloudに格納し、この場所でモデルを準備する必要がある | 小さなデータはAWSなどのサードパーティーからインポートできる。ただし、数GBを超えるデータセットはAzureに存在する必要がある |
| 価格 | ・データ分析とモデル構築は1時間当たり0.42ドル ・予測料金:バッチ予測は1000件当たり0.10ドルで、100の位以下の端数は切り上げる。リアルタイム予測は1件当たり0.0001ドルで、0.01ドル以下の端数は切り上げる。また、リザーブドキャパシティーについては、プロビジョニングされた10MBのメモリごとに、1時間当たり0.001ドルが課金される |
・モデルトレーニング:米国では、機械学習トレーニングユニット(コンピューティングリソースの尺度)ごとに1時間当たり0.49ドル。欧州とアジアでは0.54ドル ・予測料金:米国では、予測1000件当たり0.10ドルに加えて、1ノード時間当たり0.40ドル。欧州およびアジアでは0.11ドル/0.44ドル。 ・事前トレーニング済みモデルに対するAPI呼び出しの料金は、使用する機能に応じて大きく変わる |
・サービスインスタンス当たり10.00ドル(インスタンス当たり20モデルを実行) ・分析およびモデル構築については、計算時間当たり0.45ドル ・予測料金は、リアルタイム予測/バッチ予測1000件当たり0.50ドル ・無料バージョンでは、最大2モデルをサポートする単一のサービスインスタンス、1カ月当たり5000件の予測、5時間の計算時間が利用可能 |
・Azure Machine Learning Studioの月ごとのユーザー当たり9.99ドルに加え、Studio実行時間(コンピューティングリソースの尺度)当たり1.00ドルが掛かる ・開発用途と個人用途に、機能が制限された無料バージョンもある ・予測分析アプリケーションをWebサービスとしてデプロイできる。レベル別の価格は月当たり100ドル、1000ドル、1万ドルの3通り |
| 追記事項 | AWSに格納されたデータの追加料金は別途課金 | GCPのアカウントが必要 | 新しいモデルの作成にはIBMの「IBM SPSS Modeler」またはData Science Experienceが必要。また「IBM Bluemix」アカウントが必須 | 有料バージョンにはAzureアカウントが必要。無料バージョンは「Microsoftアカウント」のみで利用可能 |
| その他の考慮事項 | 自動データ変換ツールが付属している | ほとんど抽象化されていないためプログラマーが制御できる。だが技術に詳しくないユーザーは学習に時間がかかる可能性がある APIコネクトを通じて背後で機械学習を利用するアプリケーションを構築することを主な目的に調整されている |
視覚的なインタフェースによって、モデルの内部動作についてユーザーが得られる洞察が限定される可能性がある |
機械学習プラットフォームはまだ成熟していないため、最善のサービスを最終的に開発するベンダーを見分けるのは難しい。ユーザーは、いずれかのプラットフォームを採用して全データを提供する前に、各ベンダーの長所と短所を把握する必要がある。機械学習プラットフォームを巡る戦いは今も続いている。この戦いの中でプラットフォームを選別するのにこの比較表を活用していただきたい。
Copyright © ITmedia, Inc. All Rights Reserved.
この記事の著者
関連記事
新着ホワイトペーパー PR
-
プレミアムコンテンツ
[アイティメディア株式会社] AI活用を成功に導く「オブジェクトストレージ」 NAS/SANの限界を突破するには -
プレミアムコンテンツ
[アイティメディア株式会社] 「性能ならSSD」「大容量ならHDD」はもう古い? 変わるストレージの常識 -
プレミアムコンテンツ
[アイティメディア株式会社] 「オンプレミス回帰」がまさかの失敗に クラウドをやめずに安くする最適化手法 -
事例
[発注ナビ株式会社] AI活用を成功させる企業とそうでない企業の違いとは? -
製品レビュー
[発注ナビ株式会社] システム開発「はじめの一歩」 押さえておきたい基礎知識と失敗を防ぐ方法
こんなメディアも見られています
TechTargetジャパンに関連する情報をお探しであれば、こちらのメディアもお役に立てるかもしれません。
ベンダーコンテンツ PR
From Informa TechTarget
SpecialPR
アクセスランキング
-
1
「VMware vCenter」でゼロデイ悪用、PHPも修正――今朝の情シスニュース
-
2
SAP移行で1900億円の赤字 「ベンダー任せ」が招くERP崩壊と回避策
-
3
NVIDIA「一強体制」の終わりか データセンターを襲う“電力の壁”
-
4
なぜ「Claude Code」拡張は消しても危ないのか? Cursorで不正版配信
-
5
「AI時代の統合基盤・エンタープライズAI管理」に関するアンケート
-
6
半数がブルーカラー転向を視野に? ベテランエンジニアを追い込む“54歳の壁”
-
7
「nginx」のHTTP/2脆弱性(CVSS 9.2)、パッチ適用までの緊急チェックリスト
-
8
「仮想化基盤の更改とコスト最適化」に関するアンケート
-
9
「Active Directory」復旧で“詰む”企業が続出 ランサムウェアに備える4対策
-
10
Java SEに「Java4Shell」、WebLogicも修正――今朝の情シスニュース
ホワイトペーパーランキング PR
-
1
「IT史に名を残すシステム障害」8選
-
2
SCS評価制度時代の「SASE選定」ガイド
-
3
Microsoft 365 Copilotを安全&効果的に活用するために必要な「2つの準備」
-
4
パスワード管理だけで十分? 特権アクセスを脅かす暗号鍵の放置リスクとは
-
5
Microsoft 365のメールセキュリティ、3つの“死角”と追加で検討すべき対策とは
-
6
すぐ分かる「AWS WAF」ガイド:特徴・運用課題・メリットを解説
-
7
マンガで解説:情シスの負担を減らす「MDRサービスのインシデント対応」の中身
-
8
「Copilot Cowork」でこう変わる AIエージェント時代の新たな働き方とは
-
9
AI活用で激化する外部・内部リスク、取引先へ波及する脅威から守る対策とは?
-
10
「AIエージェント」は業務でどう役立つのか? 現場で進む活用例“10選”
TechTargetジャパン SNS
インフォメーション
注目情報をチェック
TechTargetジャパンをフォロー