Публикация научных работ

05.00.00 Технические науки

ОБЗОР СОВРЕМЕННЫХ ОБЛАЧНЫХ ПЛАТФОРМ ДЛЯ ЦЕЛЕЙ МАШИННОГО ОБУЧЕНИЯ

Ангапов В.Д.

Ангапов Василий Данилович – старший системный архитектор,

Digita IQ, г. Москва

Аннотация: в данной статье проведен сравнительный анализ платформ для машинного обучения, таких как Amazon Web Services (AWS), Microsoft Azure, Google Cloud Platform (GCP), Yandex DataSphere и ML Space. Рассмотрены критерии, относящиеся к работе с машинным /бучением, такие как инструменты и сервисы, интеграция, гибкость и масштабируемость, безопасность и совместная работа. Выяснено, что каждая платформа предлагает свой уникальный набор инструментов и сервисов для разработки моделей машинного обучения. AWS, Azure и GCP обладают широкими возможностями интеграции с другими сервисами, в то время как ML Space предоставляет специализированные решения и инструменты для полного цикла разработки.

Ключевые слова: облачная платформа, машинное обучение, искусственный интеллект, полный цикл разработки, обучение модели.

OVERVIEW OF MODERN CLOUD PLATFORMS FOR MACHINE LEARNING PURPOSES

Angapov V.D.

Angapov Vasily Danilovich – senior system architect,

DIGITAL IQ, MOSCOW

Abstract: this article compares machine learning platforms such as Amazon Web Services (AWS), Microsoft Azure, Google Cloud Platform (GCP), Yandex DataSphere, and ML Space. Considered criteria related to working with machine learning, such as tools and services, integration, flexibility and scalability, security and collaboration. It was found that each platform offers its own unique set of tools and services for developing machine-learning models. AWS, Azure, and GCP provide rich integrations with other services, while ML Space provide specialized solutions and tools for the full development cycle.

Keywords: cloud platform, machine learning, artificial intelligence, full development cycle, model training.

Список литературы / References

1. Бостром Ник Искусственный интеллект. Этапы. Угрозы. Стратегии. — Манн, Иванов и Фербер (МИФ), 2014. — 760 с.
2. Гудфеллоу Ян, Курвилль Аарон, Бенджио Иошуа. Глубокое обучение. — ДМК Пресс, 2017. — 654 с.
3. Джулли А., Пал С. Библиотека Keras – инструмент глубокого обучения. Реализация нейронных сетей с помощью библиотек Theano и TensorFlow. – ДМК Пресс, 2017. – 296 с.
4. Николенко С., Кадурин А., Архангельская Е. В. Глубокое обучение. Погружение в мир нейронных сетей. — Питер, 2018. — 481 с.
5. Франсуа Шолле Глубокое обучение на R. — Питер, 2018. — 400 с.
6. Aurelien Geron Hands-On Machine Learning with Scikit-Learn and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems. — O'Reilly Media, 2017. — 572 p.
7. Eric Topol Deep Medicine: How Artificial Intelligence Can Make Healthcare Human Again. — Basic Books, 2019. — 400 p.
8. Martin Ford Architects of Intelligence: The truth about AI from the people building it. — Packt Publishingб — 554 p.
9. Aws [Электронный ресурс] AWS Amazon. Режим доступа: https://aws.amazon.com/ru/ Дата обращения (05.07.2023)
10. Yandex Cloud [Электронный ресурс] Yandex DataSphere. Режим доступа: https://cloud.yandex.ru/services/datasphere Дата обращения (05.07.2023)
11. ML Space [Электронный ресурс] ML Space. Режим доступа: https://cloud.ru/ru/aicloud/mlspace Дата обращения (05.07.2023)
12. Microsoft [Электронный ресурс] Что такое служба «Машинное обучение Microsoft Azure»? Режим доступа: https://learn.microsoft.com/ru-ru/azure/machine-learning/overview-what-is-azure-machine-learning?view=azureml-api-2 Дата обращения (05.07.2023)
13. Google Cloud [Электронный ресурс] AI and machine learning products. Режим доступа: https://cloud.google.com/products/ai Дата обращения (05.07.2023)
14. Aws [Электронный ресурс] Amazon SageMaker. [Электронный ресурс]. Режим доступа: https://aws.amazon.com/ru/sagemaker/ Дата обращения (14.07.2023).
15. Aws [Электронный ресурс] Amazon EC [Электронный ресурс]. Режим доступа: https://aws.amazon.com/ru/ec2/ Дата обращения (14.07.2023).
16. Aws [Электронный ресурс] Amazon S3 [Электронный ресурс]. Режим доступа: https://aws.amazon.com/ru/s3/ Дата обращения (14.07.2023).
17. Microsoft [Электронный ресурс]. Режим доступа: https://azure.microsoft.com/en-us/products/machine-learning/ Дата обращения (14.07.2023).
18. Microsoft [Электронный ресурс]. Режим доступа: https://azure.microsoft.com/en-us/products/databricks Дата обращения (14.07.2023).
19. Microsoft [Электронный ресурс]. Режим доступа: https://azure.microsoft.com/en-us/products/cognitive-services/ Дата обращения (14.07.2023).
20. Google Cloud [Электронный ресурс]. Режим доступа: https://cloud.google.com/ai-platform/docs/technical-overview/ Дата обращения (14.07.2023).
21. Google Cloud [Электронный ресурс]. Режим доступа: https://cloud.google.com/automl/ Дата обращения (14.07.2023).
22. Google Cloud [Электронный ресурс]. Режим доступа: https://colab.google/ Дата обращения (14.07.2023).

Ссылка для цитирования данной статьи

		Тип лицензии на данную статью – CC BY 4.0. Это значит, что Вы можете свободно цитировать данную статью на любом носителе и в любом формате при указании авторства.
Ангапов В.Д.ОБЗОР СОВРЕМЕННЫХ ОБЛАЧНЫХ ПЛАТФОРМ ДЛЯ ЦЕЛЕЙ МАШИННОГО ОБУЧЕНИЯ//  Проблемы современной науки и образования  №7 (185)2023. - С.{см. журнал}.

Поделитесь данной статьей, повысьте свой научный статус в социальных сетях