KI-Services in der Cloud
Künstliche Intelligenz (KI) und maschinelles Lernen (ML) erfordern oft erhebliche Ressourcen und die Einrichtung einer geeigneten Infrastruktur kann komplex sein. In vielen Fällen kann es daher sinnvoll sein, in die Cloud zu gehen oder sogar KI als Service zu nutzen, ohne selbst etwas zu erstellen. Dieser Post soll einen kurzen Überblick über die KI-Services der drei größten Hyperscaler geben, nämlich Amazon Web Services (AWS), Microsoft Azure und Google Cloud Platform (GCP).
KI in der Cloud
Der Bedarf an KI-Lösungen wächst und somit auch die Herausforderung, große Mengen an Daten effizient zu verarbeiten. Aus diesem Grund nimmt die Bedeutung von Cloud-Technologien stetig zu. Durch den Umzug in die Cloud können Unternehmen von der Skalierbarkeit, Flexibilität und Leistungsfähigkeit profitieren, die für viele KI- und ML-Anwendungen erforderlich sind. Cloud-basierte KI- bzw. ML-Services eliminieren die Notwendigkeit, eigene Hardware-Ressourcen zu unterhalten oder komplexe Software zu installieren. Ein weiterer Faktor ist das dynamische Binden und Freigeben von Ressourcen, wodurch keine Server im Leerlauf sind. Die sind übrigens auch die Gründe, warum die Cloud für viele Unternehmen meistens günstiger ist.
AWS, Azure und GCP
In diesem Post schauen wir uns die drei führenden Anbieter von KI-Services in der Cloud an: Amazon Web Services (AWS), Microsoft Azure und Google Cloud Platform (GCP).
- AWS ist Pionier und Marktführer im Cloud Computing, und bietet viele verschiedene KI/ML-Services an.
- Microsoft Azure hat eine umfangreiche Sammlung von KI/ML-Services, die in das Microsoft-Ökosystem integriert sind.
- GCP bietet eine Reihe von benutzerfreundlichen KI/ML-Services, die gut im Google-Ökosystem integriert sind.
In den folgenden Abschnitten schauen wir uns einige Beispiel-Services dieser Cloud-Plattformen an.
KI-Services auf AWS
AWS ist Marktführer in Cloud Computing und hat eine große Auswahl an KI/ML-Services entwickelt.
- Amazon SageMaker: SageMaker ist ein vollständig verwalteter Service, der Entwickler:innen die Möglichkeit gibt, ML-Modelle schnell zu erstellen, zu trainieren und zu implementieren. Es nimmt einem viel mühselige Arbeit ab, die normalerweise mit dem Trainieren und Verwalten von ML-Modellen verbunden ist.
- Amazon Comprehend: Comprehend ist ein Natural Language Processing (NLP) Service, der maschinelles Lernen nutzt, um Dokumente zu analysieren und Insights zu generieren. Mit Comprehend kann man unter anderem Sentiment-Analysen durchführen, Key Phrases oder Sprachen identifizieren.
- Amazon Rekognition: Dies ist ein Computer Vision-Service, mit dem man Bilder und Videos analysieren kann, um Objekte, Personen, Gesichter, Text oder Verhalten zu erkennen. Mit Rekognition können auch unangemessene Inhalte (z.B. sexuell explizite Handlungen oder Gewalt) identifiziert werden.
- Amazon Forecast: Dies ist ein klassischer Prognose-Service für Zeitreihen, welcher Trends, saisonale Effekte oder Wetter berücksichtigen kann, um Vorhersagen für die Zukunft zu treffen.
- Amazon Polly: Polly ist ein Text-to-Speech-Service, den man verwendet, um Text in Sprache zu verwandeln. Er unterstützt mehrere Sprachen und Stimmen, und kann in verschiedene Anwendungen integriert werden.
- Amazon Lex: Lex ermöglicht die Entwicklung von interaktiven Chatbots (sprach- oder textbasiert), welche natürliche Sprache verstehen. Dies ist übrigens auch die Technologie, die für Alexa verwendet wird.
- AWS DeepLens: DeepLens ist eine programmierbare Videokamera für Deep Learning. Dadurch können ML-Modelle direkt auf einer Kamera implementiert werden, um direkt Daten zu analysieren.
- AWS DeepRacer: DeepRacer ist ein Miniatur-Rennwagen, mit dem man die Reinforcement Learning lernen kann. Modelle können in einer virtuellen Umgebung trainiert und anschließend in einem realen Wettbewerb getestet werden.
AWS hat noch viele weitere Services, z.B. Transcribe für Speech-to-Text, Translate für Übersetzungen, Personalize für Personalisierung oder Textract für die Extraktion von Daten aus Dokumenten. Wie man sieht, hat AWS viele KI-Services, die von allgemein (SageMaker) zu spezifisch (DeepLens) spannen.
KI-Services auf Azure
Azure ist die Cloud-Plattform von Microsoft und bietet ebenso eine Reihe an KI-Services. Wenn man im Microsoft-Ökosystem arbeitet, dann bietet es sich natürlich an, Azure-Services zu nutzen.
- Azure Machine Learning: Dies ist ein vollständig verwalteter Cloud-Service, analog zu SageMaker. Hier können ML-Modelle schnell und effizient erstellt und genutzt werden. Es gibt Werkzeuge für jeden Schritt des ML-Life Cycles und die Integration in anderen Azure-Services ist nahtlos.
- Azure Databricks: Databricks ist eine Analytics-Plattform, die speziell für die Analyse von Big Data entwickelt wurde. Sie basiert auf Apache Spark, ein Distributed-Computing-Framework, welches sich sehr gut für analytische Workflows eignet.
- Azure Synapse Analytics: Dies ist ein integrierter Dienst, der Data Warehousing, Big Data und erweiterte Analysen in einer Plattform vereint und Real-Time Processing unterstützt. Es können enorme Mengen an Daten verwaltet und verarbeitet werden.
- Azure Cognitive Services: Eine Sammlung von APIs und Services, mit denen KI-gesteuerte Anwendungen ohne umfangreiches ML-Wissen erstellt werden können. Hierzu gehören Speech (u.a. Speech to Text, Text to Speech), Language (z.B. Sentiment Analysis, Translator), Vision (Azure Cognitive Services for Vision), Decision (z.B. Anomaly Detector oder Personalizer) und neuerdings der Azure OpenAI Service.
- Azure Bot Service: Mit diesem Service können Chatbots erstellt werden, ähnlich wie Amazon Lex. Der Service umfasst ein Bot Framework, den Bot Designer (grafische Darstellung), Verbindungen zu anderen Anwendungen, und weitere Features.
- Azure Form Recognizer: Ein Service, der Formulare oder Tabellen erkennt und auslesen kann. So können z.B. automatisiert Rechnungen digitalisiert werden.
Dies waren längst nicht alle Services von Azure. So gibt es noch den Video Indexer, um Informationen aus Audio- und Videodateien zu extrahieren, oder Azure Cognitive Search für eine KI-gesteuerte Inhaltssuche.
KI-Services auf GCP
GCP ist bekannt für eine starke Leistung in den Bereichen Big Data und ML, nicht zuletzt, weil Google in den Bereichen eigene Entwicklungsarbeit geleistet hat (z.B. TensorFlow). Hier ein paar Beispiele für KI-Services auf GCP:
- Google Cloud AutoML: AutoML ist eine Suite von ML-Produkten, mit denen ganz einfach individuelle ML-Modelle erstellt werden können. So könnte man eigene Modelle für Computer Vision (z.B. Bildklassifizierung) oder NLP (z.B. Sentiment-Analyse) erstellen.
- Google Cloud TPU: Tensor Processing Units (TPUs) sind spezielle Hardware-Komponenten, die von Google entwickelt wurden, um maschinelles Lernen effizienter zu machen. Sie sind in der Google Cloud verfügbar, sodass man die Effizienz von ML erheblich steigern kann.
- Google Cloud Vision: Google’s Cloud Vision API ermöglicht es, Bilder zu analysieren oder zu klassifizieren. Ähnlich zu den anderen Cloud-Plattformen kann diese API Objekte und Gesichter in Bildern erkennen, Text lesen und vieles mehr.
- Google Cloud Natural Language: Es gibt auch einen Service für NLP, mit der man Textanalyse machen kann. Dazu gehören z.B. Sentiment-Analyse oder Auswertung von Kundenfeedback.
- Google Cloud Speech-to-Text: Dieser Service wandelt gesprochene Sprache zu Text um und kann in Anwendungen wie z.B. Sprachsteuerungen verwendet werden. Ebenso gibt es einen Service für Text-to-Speech, welcher Text in natürlich klingende Sprache umwandelt. Auch hier werden mehrere Sprachen und Stimmen unterstützt.
- Google Cloud Video Intelligence: Mit Video Intelligence lassen sich Metadaten aus Videos extrahieren. Damit können z.B. Szenenwechsel erkannt werden. Auch Objekte und Gesichter werden identifiziert. Es ist das Äquivalent zu Cloud Vision nur für Video.
- Google Cloud Recommendations AI: Dieser Service kann personalisierte Produktempfehlungen erstellen und lernt aus jeder Interaktion, also in Echtzeit, um die Empfehlungen zu verbessern.
Auch GCP hat viele weitere Services, darunter Deep Learning Container (optimierte Container für Deep Learning), Document AI (Insights aus Dokumenten extrahieren) oder Vertex Explainable AI (interpretierbare KI-Systeme).
Fazit
Alle drei Cloud-Plattformen sind sehr umfangreich, was KI-Services angeht. Wie man sieht, gibt es die meisten Service-Typen auf allen drei Plattformen (z.B. NLP, Computer Vision, Computing). Häufig ist der entscheidende Faktor, in welchem Ökosystem man sich gerade aufhält (gerade bei Microsoft oder Google). Die Bedeutung von KI in der Cloud wird voraussichtlich weiter zunehmen und gerade die effiziente und automatische Bereitstellung von ML-Algorithmen (siehe AutoML) ist ein Trend. Darüber hinaus wird die Integration von KI-Services in andere Cloud-Services bestimmt zunehmen.
Wenn du ein Wunschthema hast oder mir Feedback geben willst, schreibe gerne einen Kommentar oder schicke eine Mail an mail@thorejohannsen.de.