Экономика Интернета вещей - уроки для поставщиков услуг и предприятий

Оуэн Роджерс из 451 Research

Многие организации переместили свою инфраструктуру в общедоступную облачную среду, и теперь многие используют облачные сервисы для управления Интернетом вещей.

Фактически, более двух третей предприятий используют периферийные и близкие к периферии вычислительные ресурсы для аналитики Интернета вещей, машинных и других данных Интернета вещей. Для размещения этих данных ведущие поставщики гипермасштабируемых облаков, такие как AWS , Google и Microsoft предлагать облачный IoT для корпоративного использования с оплатой по факту использования.

Ранее в этом году аналитики цифровой экономики и Интернета вещей компании 451 Research обнаружил снижение цен на Интернет вещей Azure примерно на 50%. Это существенное изменение заставило аналитиков задаться вопросом:«Был ли способ узнать, какая из гипермасштабируемых облачных платформ IoT (AWS, Google и Microsoft) была самой дешевой?»

По сути, команда хотела понять, какие параметры стоимости, такие как средний размер сообщения, количество сообщений и количество обновлений реестра, оказали наибольшее влияние на выбор самого дешевого поставщика. Но конечной целью команды было понять, какой провайдер в целом окажется самым дешевым.

Определив девять параметров ценообразования, которые могут оказать наибольшее влияние на стоимость, аналитики реализовали стратегию машинного обучения и построили симуляцию Python для автоматического сравнения моделей ценообразования в США для AWS, Google и Microsoft.

При размере выборки в 10 000 000 симуляций аналитик 451 Research пришел к выводу, что использование Azure и AWS в некоторых случаях является рентабельным (показано на диаграмме дерева решений). В целом Microsoft казалась дешевле при масштабировании, тогда как AWS сегодня дешевле в большинстве случаев корпоративного использования. Однако ни в одном из проведенных симуляций Google не оказался самым дешевым.

Их опыт попыток найти ответ на загадку экономики Интернета вещей привел к двум выводам. Во-первых, доступность машинного обучения как услуги дала им возможность совершать открытия, которых у нас просто не было раньше.

Однако, хотя большая часть сложности машинного обучения была абстрагирована, все же требовались глубокие знания, чтобы раскрыть сложности модели ценообразования, чтобы можно было использовать машинное обучение. Другими словами, для предприятий недостаточно иметь экспертов в области машинного обучения.

Эксперты в контексте данных необходимы, чтобы сделать машинное обучение жизнеспособным, что означает предоставление сотрудникам основы для этих методов, чтобы эти эксперты могли использовать преимущества инструментов и экспертов по машинному обучению. Вертикальная специализация играет большую роль.

Второй вывод заключался в том, что даже при упрощении модели ценообразования нюансы добавляют сложности, и их влияние часто остается неясным. Сегодня дело в том, что если предприятие хочет с уверенностью понимать свои счета за облачные вычисления, ему часто необходимо вручную рассчитать стоимость.

Это просто непрактично, и большинство потребителей облака не понимают, за что именно они платят. Это не служебное облако, похожее на электричество - это сложная головоломка, в которой немногие, если вообще есть, потребители облака на самом деле контролировать свои расходы.

Оба вывода предоставляют поставщикам услуг возможности:снизить сложность и использовать брокеров между платформами, чтобы сэкономить деньги и избавить своих клиентов от головной боли, а также включить и упростить доступ к службам машинного обучения, чтобы позволить неспециалистам воспользоваться преимуществами.

Автор этого блога - Оуэн Роджерс, директор по исследованиям отдела цифровой экономики