Bewertung von aktuellen Machine Learning Services basierend auf Big Data und Cloud

Bachelorarbeit aus dem Jahr 2018 im Fachbereich Informatik - Wirtschaftsinformatik, Note: 1,3, Hochschule für Technik Stuttgart, Sprache: Deutsch, Abstract: Machine Learning Services werden von vielen Providern in unterschiedlichen Ausübungen offeriert. Eine Vielzahl von Datenanalytikern entwickeln Machine Learning Modelle, die jedoch bei der Auswahl des geeigneten Machine Learning Service auf eine schwierige Entscheidung stoßen. Diese Arbeit bewertet die marktführenden Cloud-fähigen Machine Learning Services. Dabei handelt es sich um die Anbieter Amazon Web Services, Google Cloud und Microsoft Azure. Hierzu wird die Vorgehensweise einer Prototypentwicklung angewandt. Der Prototyp bedient sich dabei dem Anwendungsfall einer Sentiment Analyse gestreamter Twitter Daten. Unter Verwendung des Frameworks TensorFlow wird der Prototyp auf den ausgewählten Machine Learning Services in mehreren Versuchen trainiert.
In einer Nutzwertanalyse werden die Services auf unterschiedliche Kriterien geprüft. Das Ergebnis der Evaluierung ist die Entscheidung für den Cloud Provider Amazon Web Services. Amazon stellt mit einem AWS Deep Learning AMI die optimalen Bedingungen bereit, um eine Machine Learning Applikation mit GPU-Beschleunigung effizient zu entwickeln. Neben Amazon Web Services stellt Microsoft Azure eine weitere Option dar, die in der Analyse ebenfalls vorteilhafte Merkmale aufweist.
Die drei Säulen zukünftiger IT-Technologien bilden Big Data, Cloud Computing und Machine Learning. Eine Kombination der Technologien leitet eine neue Ära der Künstlichen Intelligenz ein - Deep Learning. Personen und Prozesse generieren stetig neue Daten und lassen das Datenvolumen wachsen. Was zunächst als große Herausforderung galt, wandelte sich schnell in eine Chance die Machine Learning Methoden mit diesen großen Datenmengen zu füttern. Nach dem Mooreschen Gesetz verdoppelt sich die Komplexität integrierter Schaltkreise regelmäßig, wodurch die Machine Learning Modelle auf leistungsfähigen Prozessoren eingesetzt werden können.