Koneoppiminen pilvipalveluna
Merimaa, Sesilia (2021)
Merimaa, Sesilia
2021
All rights reserved. This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:amk-202103183555
https://urn.fi/URN:NBN:fi:amk-202103183555
Tiivistelmä
Pilvipalvelut ja koneoppiminen ovat viimevuosien aikana kasvattaneet valtavasti suosiotaan. Opinnäytetyössäni tutkittiin, miten koneoppiminen voidaan toteuttaa pilvipalveluna.
Työni teoriaosuudessa kerrottiin pilvipalveluista ja koneoppimisesta käsitteenä ja niiden keskeisimmistä ominaisuuksista. Lisäksi työssäni esiteltiin koneoppimisen käytön mahdollistavia yleisimmin käytössä olevia välineitä. Käytännönosuudessa työssäni selvitettiin tunnettujen pilvipalvelujen tarjoajien ratkaisut koneoppimiseen pilvipalveluna. Siinä käytiin läpi kunkin pilvipalveluntarjoajan vaatimat vaiheet ympäristön käyttöönotosta valmiin opetetun koneoppimismallin aikaansaamiseksi.
Tutkimuksen lopputuloksena saatiin selville, että vertailtavat pilvipalveluntarjoajat ovat perusominaisuuksiltaan hyvin samankaltaisia. Eroavaisuuksia löytyy kuitenkin kustannuksista, tarjottavien palvelujen määrästä ja niiden käytännöllisyydestä. Vertailluista alustoista ainoastaan Google Cloud tarjoaa ilmaisen vaihtoehdon koneoppimiselle. Microsoft Azure tarjoaa mielipiteitä jakavan täysin koodittoman tavan suorittaa koneoppimista. Amazon Web Services tarjoaa laajimman valikoiman koneoppimispalveluita, mutta suurimmasta osasta saatu hyöty ei käytännössä kuitenkaan ylitä muiden pilvipalveluntarjoajien ratkaisuilla saatua hyötyä. Cloud services and machine learning have grown enormously in popularity in recent years. My Bachelor’s thesis investigated how machine learning can be implemented as a cloud service.
The theoretical part of my work was about cloud services and machine learning as a concept and their key features. In addition, my work introduced the most commonly used tools for machine learning. In the practical part of my work, the solutions of well-known cloud service providers for machine learning as a cloud service were investigated. It included the steps required by each cloud provider to deploy the environment to achieve a ready taught machine learning model.
As a result of the study, it was found that the compared cloud service providers have very similar basic features. However, there are differences in costs, in the amount and the practicality of different services. Of the comparisons, only Google Cloud offers a free alternative to machine learning. Microsoft Azure provides a completely code-free way to perform machine learning that shares opinions. Amazon Web Services offers the widest range of machine learning services, but the practical benefits of most do not outweigh the benefits of other cloud provider’s solutions.
Työni teoriaosuudessa kerrottiin pilvipalveluista ja koneoppimisesta käsitteenä ja niiden keskeisimmistä ominaisuuksista. Lisäksi työssäni esiteltiin koneoppimisen käytön mahdollistavia yleisimmin käytössä olevia välineitä. Käytännönosuudessa työssäni selvitettiin tunnettujen pilvipalvelujen tarjoajien ratkaisut koneoppimiseen pilvipalveluna. Siinä käytiin läpi kunkin pilvipalveluntarjoajan vaatimat vaiheet ympäristön käyttöönotosta valmiin opetetun koneoppimismallin aikaansaamiseksi.
Tutkimuksen lopputuloksena saatiin selville, että vertailtavat pilvipalveluntarjoajat ovat perusominaisuuksiltaan hyvin samankaltaisia. Eroavaisuuksia löytyy kuitenkin kustannuksista, tarjottavien palvelujen määrästä ja niiden käytännöllisyydestä. Vertailluista alustoista ainoastaan Google Cloud tarjoaa ilmaisen vaihtoehdon koneoppimiselle. Microsoft Azure tarjoaa mielipiteitä jakavan täysin koodittoman tavan suorittaa koneoppimista. Amazon Web Services tarjoaa laajimman valikoiman koneoppimispalveluita, mutta suurimmasta osasta saatu hyöty ei käytännössä kuitenkaan ylitä muiden pilvipalveluntarjoajien ratkaisuilla saatua hyötyä.
The theoretical part of my work was about cloud services and machine learning as a concept and their key features. In addition, my work introduced the most commonly used tools for machine learning. In the practical part of my work, the solutions of well-known cloud service providers for machine learning as a cloud service were investigated. It included the steps required by each cloud provider to deploy the environment to achieve a ready taught machine learning model.
As a result of the study, it was found that the compared cloud service providers have very similar basic features. However, there are differences in costs, in the amount and the practicality of different services. Of the comparisons, only Google Cloud offers a free alternative to machine learning. Microsoft Azure provides a completely code-free way to perform machine learning that shares opinions. Amazon Web Services offers the widest range of machine learning services, but the practical benefits of most do not outweigh the benefits of other cloud provider’s solutions.