Wirtschaft des IoT – Lektionen für Dienstanbieter und Unternehmen

Owen Rogers von 451 Research

Viele Unternehmen haben ihre Infrastruktur in eine öffentliche Cloud-Umgebung verlagert, und viele nutzen jetzt Cloud-Dienste, um das Internet der Dinge zu verwalten.

Tatsächlich verwenden mehr als zwei Drittel der Unternehmen Edge- und Near-Edge-Computing-Assets für IoT-Analysen, Maschinen- und andere IoT-Daten. Um diese Daten zu verarbeiten, haben führende Hyperscale-Cloud-Anbieter wie AWS , Google und Microsoft Cloud-IoT-Angebote für die Nutzung durch Unternehmen auf Pay-as-you-go-Basis verfügbar haben.

Anfang dieses Jahres haben die Analysten für Digital Economics und IoT von 451 Research  eine Senkung der IoT-Preise von Azure um etwa 50 % festgestellt. Diese wesentliche Änderung führte die Analysten zu der Frage:„Gibt es eine Möglichkeit, herauszufinden, welche der Hyperscaler-Cloud-IoT-Plattformen (AWS, Google und Microsoft) am günstigsten ist?“

Im Wesentlichen wollte das Team verstehen, welche Kostenparameter – wie die durchschnittliche Größe der Nachricht, die Anzahl der Nachrichten und die Anzahl der Registry-Updates – den größten Einfluss auf die Wahl des günstigsten Anbieters hatten. Das ultimative Ziel des Teams bestand jedoch darin, herauszufinden, welcher Anbieter insgesamt am wahrscheinlichsten am günstigsten ist.

Nachdem die Analysten neun Preisparameter identifiziert hatten, die den größten Einfluss auf die Kosten haben könnten, implementierten die Analysten eine Strategie für maschinelles Lernen und erstellten eine Python-Simulation, um die US-Preismodelle für AWS, Google und Microsoft automatisch zu vergleichen.

Bei einer Stichprobengröße von 10.000.000 Simulationen fanden 451 Research-Analysten, dass Azure und AWS unter bestimmten Umständen kosteneffizient sind (dargestellt im Entscheidungsbaumdiagramm). Microsoft schien im Allgemeinen billiger zu sein, während AWS heute in den meisten Anwendungsfällen in Unternehmen billiger ist. Google erwies sich jedoch in keiner der durchgeführten Simulationen als am günstigsten.

Ihre Erfahrung bei der Suche nach einer Antwort auf dieses Rätsel der IoT-Ökonomie führte zu zwei Schlussfolgerungen. Erstens bot ihnen die Zugänglichkeit von Machine Learning as a Service Möglichkeiten für Entdeckungen, die wir vorher einfach nicht hatten.

Obwohl ein Großteil der Komplexität des maschinellen Lernens abstrahiert wurde, war dennoch ein tiefes Wissen erforderlich, um die Komplexität des Preismodells zu entwirren, sodass maschinelles Lernen verwendet werden konnte. Mit anderen Worten, für Unternehmen reicht es nicht aus, Experten für maschinelles Lernen zu haben.

Experten im Kontext der Daten werden benötigt, um maschinelles Lernen praktikabel zu machen, was bedeutet, dass die Mitarbeiter diese Techniken kennen, damit diese Experten die Tools und die Experten für maschinelles Lernen nutzen können. Vertikale Spezialisierungen spielen eine große Rolle.

Die zweite Schlussfolgerung war, dass selbst bei einer Vereinfachung des Preismodells Nuancen die Komplexität erhöhen und ihre Auswirkungen oft unklar sind. Heutzutage ist es so, dass ein Unternehmen, wenn es seine Cloud-Rechnung sicher verstehen möchte, die Kosten oft manuell berechnen muss.

Dies ist einfach nicht praktikabel, und die meisten Cloud-Konsumenten wissen nicht genau, wofür sie bezahlen. Dies ist nicht die „wie Strom“-Utility-Cloud – dies ist ein komplexes Puzzle, bei dem nur wenige Cloud-Konsumenten wirklich ihre Ausgaben im Griff haben.

Beide Schlussfolgerungen bieten Serviceanbietern Chancen:Komplexität zu reduzieren und plattformübergreifend zu vermitteln, um Ihren Kunden Geld und Kopfschmerzen zu ersparen, und den Zugang zu maschinellen Lerndiensten zu ermöglichen und zu vereinfachen, damit auch Nicht-Experten davon profitieren können.

Der Autor dieses Blogs ist Owen Rogers, Forschungsdirektor – Digital Economics Unit