Cloudanwendungsfälle

12 Minuten

Mit der rasanten Entwicklung von Cloudtechnologien entstehen jeden Tag neue Anwendungsfälle. In diesem Abschnitt werden einige der häufigsten und überzeugendsten Anwendungsfälle für die Cloud erläutert und einige Beispiele aus der Praxis vorgestellt.

Webanwendungen und mobile Anwendungen

Ein wesentlicher Faktor für das Cloud Computing ist das Webhosting. Websites und Webanwendungen werden in der Regel auf einem Server mit einer dedizierten Internetverbindung gehostet. Ältere Webhostingdienste stellten entweder dedizierte Server für Clients zur Verfügung oder wiesen mehreren Clients einen Bruchteil eines größeren UNIX-Systems zu. Nun können mit dem Aufkommen des Cloud Computing Web- und Mobilanwendungen auf der Grundlage bestehender IaaS-, PaaS- und sogar SaaS-Dienste entwickelt werden.

SaaS-basiert: Mithilfe des SaaS-Modells können Organisationen one-size-fits-all-Anwendungen im Web bereitstellen. Häufige Beispiele sind Webmail, Websites für soziale Netzwerke und Websites für Hilfsprogramme wie Terminplaner, Kalender und sonstige Planer.
PaaS-based: Anwendungsentwickler können eine Reihe von Onlineplattformen und Tools verwenden, um PaaS und mobile Anwendungen zu erstellen. Plattformen wie Google App Engine, Parse und AppScale sind beliebte Plattformen, auf denen Webanwendungen und mobile Anwendungen erstellt werden können.
IaaS-basiert: Anwendungen, die noch mehr Anpassung und Flexibilität benötigen, können das IaaS-Modell übernehmen, indem sie virtuelle Maschinen von Anbietern wie EC2 und Rackspace ausleihen und einen vollständig angepassten Softwarestapel bereitstellen, um die Webanwendung auszuführen.

Stellen Sie sich die folgenden Szenarien vor:

Animoto, ein Erstellungsdienst von Online-Video-Diashows, hat sich für die Bereitstellung einer Facebook-Anwendung entschieden. Der Datenverkehr zum Dienst nahm sprunghaft zu, was dazu führte, dass Animoto seine Infrastruktur innerhalb von drei Tagen von 50 auf 3.500 Server hochskalierte. Diese flexible Skalierbarkeit wird durch Cloud Computing ermöglicht.
Onlinehändler, die das Cloud Computing nutzen, wie Amazon und Target.com, konnten die Infrastruktur für Spitzenaktivitäten (wie am Tag nach Thanksgiving) erweitern. Salesforce.com hostet Kunden mit zwei bis mehr als 20.000 Arbeitsplätzen, die alle dieselbe Webplattform nutzen.

Domino's Pizza setzt auf eine Kombination von Diensten von AWS und Azure, um sein Geschäft zu betreiben. Sie verwendet z. B. Azure App Service und Azure Cosmos DB (sowohl PaaS-Dienste) für Onlinebestellungen als auch für die Nachverfolgung der Lieferung, sodass sie bei Bedarf nach Bedarf nach oben und unten skaliert werden kann. Dominos verwendet auch SaaS-basierte Microsoft Dynamics ERP, um seine Enterprise-Ressourcenplanungsanforderungen¹.

Big Data-Analysen

Viele Unternehmen müssen große Datenmengen verarbeiten. Diese Daten können aus Bereichen wie Sensoren, Experimenten, Transaktionsdaten und Webseitenaktivitäten stammen. Die Big Data-Verarbeitung erfordert normalerweise eine Menge an Computing- und Speicherressourcen, kann aber je nach Bedarf einer Organisation regelmäßig oder saisonabhängig erfolgen. Amazon kann z. B. Business Intelligence- und Analyseaufträge für das Ende des Tages einrichten lassen, was von einigen hundert Servern einige Stunden Zeit erfordern kann. In diesen Szenarien ist Cloud Computing sinnvoll, da diese Ressourcen bei Bedarf beschafft werden können. Viele Unternehmen verfügen sogar über vollautomatische Analysepipelines, die automatisch Daten sammeln, analysieren und speichern, wobei Ressourcen bei Bedarf bereitgestellt werden. Beispiele für Big Data-Szenarien:

Union Pacific Railroad montiert Infrarot-Thermometer, Mikrofone und Ultraschallgeräte neben ihren Schienen. Diese Sensoren überprüfen jeden Zug, während er vorbeifährt, und senden Messwerte an die Rechenzentren von Union Pacific Railroad, in denen die Musterabgleichssoftware ausfallgefährdete Geräte oder Ausstattungen identifiziert.
Traditionelle Einzelhändler wie Walmart treten in die Fußstapfen von Onlinehändlern wie Amazon, indem sie die Konsumgewohnheiten der Verbraucher analysieren, um personalisierte Marketingkampagnen und Angebote für einzelne Kunden anzubieten.
Unternehmen wie Time Warner und Comcast verwenden Big Data, um das Mediennutzungsverhalten ihrer Abonnenten zu verfolgen und Werbetreibenden und Kunden wertsteigernde Informationen zur Verfügung zu stellen. Die Videospielindustrie verfolgt die Spielgewohnheiten von Millionen von Konsolenbesitzern. Unternehmen wie Riot Games durchsuchen täglich 500 GB an strukturierten Daten und über 4 TB an operativen Protokollen.

Die Cloud spielt auch im Bereich der Analyse eine Rolle, indem sie verwaltete Implementierungen gängiger Tools wie Apache Hadoop und Apache Spark anbietet, die innerhalb von Minuten einsatzbereit sind und anschließend gelöscht werden können, wenn sie nicht mehr benötigt werden. Der Kauf, die Bereitstellung und Konfiguration eines Spark-Clusters kann Monate dauern und erfordert ein hohes Maß an Fachwissen. Mit der Cloud und mit Diensten wie Azure Databricks und Databricks in AWS können Cluster, die mit der neuesten Version von Spark ausgestattet sind, mit wenigen Klicks bereitgestellt werden.

On-Demand High Performance Computing

Die moderne Wissenschaft ist ohne High Performance Computing (HPC) nicht möglich. Neben den physikalischen Experimenten hat sich die computergestützte Simulation in Bereichen wie Astrophysik und Quantenmechanik, Ozeanografie und Biochemie durchgesetzt. Derartige Workloads sind rechenintensiv und werden normalerweise auf dedizierten Clustern oder in Einrichtungen mit Supercomputern ausgeführt.

Wissenschaftler setzen zunehmend auf die Cloud, um den Bedarf an HPC-Ressourcen zu decken. Für den HPC-Einsatz bieten AWS, Azure und GCP extrem leistungsfähige virtuelle Computer mit schnelleren CPUs und modernsten GPUs. Wissenschaftler finden die Verfügbarkeit großer Mengen an Rechenleistung attraktiv, insbesondere für kleine Projekte oder zeitkritische, diskontinuierliche Analysen wie Versuchsreihen, bevor sie Fristen für Forschungsarbeiten einreichen. Beispiele für HPC in der Cloud:

Ein EC2-Cluster mit 3.809 Instanzen wurde von Cycle Computing, Inc. für ein Pharmaunternehmen eingerichtet, um molekulare Modellierungsaufgaben durchzuführen. Der Cluster verfügt über insgesamt 30.472 Kerne, 26,7 TB RAM und 2 PB Datenspeicher.
Unternehmen wie Pfizer, Unilever, Spiralgenetik, Integrated Proteomics Applications und Bioproximity führen Workloads für Bioinformatik und Genomik auf Amazon EC2-Instanzen durch.
NASA JPL verwendet leistungsstarke Amazon EC2-Instanzen zur Verarbeitung von Satellitenbildern mit hoher Auflösung.

Im Jahr 2015 hat das Risikomanagement- und Finanzdienstleistungsunternehmen Willis Tower Watson mit Microsoft einen HPC-Cluster mit 100.000 Kernen bereitgestellt und verwendet, um die Kosten für die Bereitstellung von Versicherungen für jede Person der Welt ^{zu berechnen[2][^2][^2]}. Der gesamte Prozess, von der Bereitstellung bis zum Herunterladen der Ergebnisse, dauerte weniger als 12 Stunden. Bei einer CPU mit einem einzelnen Kern hätte derselbe Auftrag fast 20 Jahre in Anspruch genommen.

Onlinespeicherung und -archivierung

Eine der wichtigsten Ressourcen, die durch Cloud Computing zur Verfügung stehen, ist die Speicherung. Von privaten Speicherlösungen wie Dropbox bis hin zu großen Internetspeichersystemen wie Amazon S3 ist Onlinespeicher ein wichtiger Anwendungsbereich für Cloud Computing. Zu den Optionen für die Onlinespeicherung gehören:

Webbasierte Objektspeicherung: Dienste wie Amazon S3 und Azure Storage ermöglichen Benutzern das Speichern von Daten als einfache Objekte, auf die über HTTP zugegriffen werden kann. Viele Websites verwenden Amazon S3 und Azure Storage, um statische Inhalte wie Bilder zu speichern.
Sicherung und Wiederherstellung: Dienste wie CrashPlan und Carbonite bieten online Sicherung von Kundendaten, was eine großartige Option als sichere, off-site Backup-Lösung ist.
Medienstreaming und Inhaltsverteilung: Dienste wie Amazon CloudFront und Azure CDN speichern nicht nur große Datenmengen, sondern unterstützen die Inhaltsübermittlung. Anforderungen zum Abrufen von Daten aus CloudFront werden automatisch an den nächstgelegenen Server weitergeleitet, wodurch die Latenzzeit für zeitkritische Medien (wie Videos) verringert wird.
Persönlicher Speicher: Dienste wie Dropbox und Google Drive sind bei Benutzern beliebt, um persönliche Dokumente jederzeit und überall online zu speichern.

Schnelle Anwendungsentwicklung und -tests

Einer der Hauptvorteile der Cloud ist die Fähigkeit, Anwendungen schnell bereitzustellen und zu testen. Eine komplette Computingumgebung kann in wenigen Minuten bereitgestellt und nach Abschluss des Tests entfernt und verworfen werden. Für viele Unternehmen besteht der Vorteil darin, dass Entwickler schnell und risikofrei Verbesserungen und Features erstellen und testen können. Es ist nicht erforderlich, spezielle Hardware und Server zu bestellen und zu installieren. Innerhalb weniger Minuten kann ein virtueller Server in Amazon EC2, Azure Virtual Machines oder Google Compute Engine hochgefahren werden. Für die Anwendungen können auch problemlos Stress- und Auslastungstest ausgeführt werden. Vorhandene Server können geklont werden, um auch Skalierbarkeitsstudien durchzuführen.

Die Cloud fördert auch Investitionen in DevOps, was die Fähigkeit einer Organisation erhöht, Software in kürzerer Zeit bereitzustellen und gleichzeitig eine höhere Qualität zu erzielen. Unternehmen erstellen DevOps-Pipelines, die virtuelle Buildserver umfassen, die mit cloudbasierten Quellcoderepositorys gekoppelt sind. Entwickler überprüfen Codeänderungen in das Repository, wodurch ein automatischer Build in einem Prozess ausgelöst wird, der als fortlaufende Integration (CI ) bezeichnet wird. Ein weiteres Feature von DevOps ist die kontinuierliche Bereitstellung (CD), in der aktualisierte Builds automatisch getestet und in einer Staging- oder Produktionsumgebung bereitgestellt werden. Produkte wie AWS CodePipeline, AWS CodeBuild und Azure DevOps ermöglichen diese Art von Szenarien und werden schnell zum Backbone des Softwareentwicklungsprozesses in großen und kleinen Unternehmen.

Maschinelles Lernen und künstliche Intelligenz

Das maschinelle Lernen (Machine Learning, ML) und die Teilmenge des maschinellen Lernens, die als künstliche Intelligenz (KI) bekannt ist, prägen das Leben jeden Tag. Kreditkartenunternehmen verwenden ML/AI-Modelle, um Betrug in Echtzeit zu überprüfen; Einzelhändler nutzen sie, um Kunden mit anderen Einkäufen zu begeistern und die Nachfrage zu prognostizieren; Linguisten verwenden sie, um Sprache in Echtzeit zu übersetzen; Restaurants verwenden sie, um die Lebensmittelqualität^{zu verbessern 3}; und Forscher verwenden sie, um das menschliche Genom für Krebsindikatoren⁴.

Das Training von ML/KI-Modellen erfordert häufig immense Mengen an Computeleistung. Ein Beispiel ist das konvolutionale neurale Netzwerk (CNN), das bei Aufgaben mit Computervision excelsiert - z. B. bestimmt, ob ein Foto ein Bild eines Hundes oder einer Katze enthält. Diese Modelle werden üblicherweise mit Bildstapeln mit Milliarden von Pixeln trainiert und enthalten häufig 100 oder mehr Ebenen. Das Training eines CNN dieser Größe ist auf einem einzigen Computer unpraktisch, wird aber relativ effizient auf einem HPC-Cluster durchgeführt, der mit GPUs ausgestattet ist, um die parallele Verarbeitung zu erleichtern.

Ein aktueller Trend im Cloud Computing lässt Anbieter ML und KI als SaaS-Dienste zur Verfügung stellen. Mit dem Custom Vision Service von Azure können Sie z. B. ein neuronales Netzwerk trainieren, um in wenigen Minuten und praktisch ohne Kosten zwischen Katzen- und Hundebildern zu unterscheiden. Konkrete Beispiele für Unternehmen, die cloudbasierte ML- und KI-Dienste zur Verbesserung ihrer Geschäftsprozesse nutzen:

Expedia verwendet machine-Learning-Dienste, die vom EMPFEHLUNGEN-Modul von AWS unterstützt werden, um den Hotelbuchungsprozess⁵.
British Petroleum (BP) verwendet Azure Machine Learning, um seine Fähigkeit zur Prognose von Erholungsfaktoren zu verbessern - den Prozentsatz der Kohlenwasserstoffe, die aus einer unterirdischen Ablagerung extrahiert werden können - für potenzielle Öl- und Gasspeicher⁶.
iGenius kombinierte die Cloud AI Machine Learning-APIs von Google mit google App Engine, um den weltweit ersten digitalen Marketingratgeber^{[7][^7][^7]} zu erstellen.

Die explosionsartige Zunahme der Forschung, Investitionen, Fortschritte und Anwendungen im Bereich ML und KI in den letzten Jahren ist vor allem auf Cloud Computing zurückzuführen, das den Forschern an großen und kleinen Institutionen die enorme Computingleistung zur Verfügung stellt, die sie benötigen, um neue Modelle zu trainieren und bestehende zu verbessern.

Verweise

Microsoft (2017). Azures Plattform als Dienstleistung ist die Pepperoni auf der Pizza von Domino's. https://news.microsoft.com/en-au/features/azures-platform-service-pepperoni-pizza-dominos/
Microsoft (2016). Was würden Sie mit 100.000 Kernen tun? - Rechenleistung im großen Maßstab.
Tom's Guide (2019). Domino’s nutzt jetzt KI und Kameras, um perfekte Pizzen zu machen
Computational and Structural Biotechnology Journal (2015). Maschinelle Lernanwendungen in Krebsprognosen und Vorhersage. https://www.sciencedirect.com/science/article/pii/S2001037014000464
PhocusWire (2019). Wie Expedia deep Learning verwendet, um den Hotelbuchungsprozess zu verbessern. https://www.phocuswire.com/Expedia-Partner-Solutions-machine-learning
Googeln. iGenius: Crystal entwickeln, den ersten virtuellen digitalen Marketingberater. https://cloud.google.com/customers/igenius/

Feedback

War diese Seite hilfreich?

Cloudanwendungsfälle

Überprüfen Sie Ihr Wissen

Feedback