Economie van IoT – Lessen voor serviceproviders en ondernemingen

Veel organisaties hebben hun infrastructuur verplaatst naar een openbare cloudomgeving en nu gebruiken velen cloudservices om het internet der dingen te beheren.

Meer dan tweederde van de ondernemingen gebruikt zelfs edge- en near-edge compute-assets voor IoT-analyses, machine- en andere IoT-gegevens. Om deze gegevens te accommoderen, hebben toonaangevende hyperscale cloudproviders zoals AWS , Google en Microsoft hebben cloud IoT-aanbiedingen beschikbaar voor zakelijk gebruik op een pay-as-you-go-basis.

Eerder dit jaar hebben de analisten Digital Economics en IoT van 451 Research  ontdekte een verlaging van de IoT-prijs van Azure met ongeveer 50%. Deze substantiële verandering bracht de analisten ertoe te vragen:"Was er een manier om erachter te komen welke van de hyperscaler cloud IoT-platforms (AWS, Google en Microsoft) het goedkoopst was?"

In wezen wilde het team begrijpen welke kostenparameters - zoals de gemiddelde grootte van het bericht, het aantal berichten en het aantal registerupdates - de grootste impact hadden op de keuze van de goedkoopste provider. Maar het uiteindelijke doel van het team was om erachter te komen welke provider in het algemeen de goedkoopste was.

Na het identificeren van negen prijsparameters die de meeste impact op de kosten zouden kunnen hebben, implementeerden de analisten een machine learning-strategie en bouwden ze een Python-simulatie om automatisch de Amerikaanse prijsmodellen voor AWS, Google en Microsoft te vergelijken.

Met een steekproefomvang van 10.000.000 simulaties vonden 451 onderzoeksanalisten dat Azure en AWS in sommige omstandigheden voordelig waren (weergegeven in het beslissingsboomdiagram). Microsoft leek over het algemeen goedkoper op schaal te zijn, terwijl AWS tegenwoordig goedkoper is in de meeste zakelijke use-cases. In geen van de uitgevoerde simulaties bleek Google echter de goedkoopste te zijn.

Hun ervaring bij het zoeken naar een antwoord op dit economisch-van-IoT-vraagstuk leidde tot twee conclusies. Ten eerste bood de toegankelijkheid van machine learning als een service hen de mogelijkheid voor ontdekkingen die we eerder niet hadden.

Hoewel veel van de complexiteit van machine learning was geabstraheerd, was er nog steeds diepgaande kennis nodig om de complexiteit van het prijsmodel te ontrafelen, zodat machine learning kon worden gebruikt. Met andere woorden, voor ondernemingen is het hebben van experts op het gebied van machine learning niet genoeg.

Experts in de context van de gegevens zijn nodig om machine learning levensvatbaar te maken, wat betekent dat medewerkers een basis krijgen in deze technieken, zodat deze experts kunnen profiteren van de tools en van de machine learning-experts. Verticale specialismen spelen een grote rol.

De tweede conclusie was dat, zelfs wanneer het prijsmodel vereenvoudigd is, nuances complexiteit toevoegen en hun impact vaak onduidelijk is. Tegenwoordig is het een feit dat als een bedrijf zijn cloudrekening met vertrouwen wil begrijpen, het de kosten vaak handmatig moet berekenen.

Dit is gewoon niet praktisch, en de meeste cloudconsumenten begrijpen niet precies waarvoor ze betalen. hebben grip op hun uitgaven.

Beide conclusies bieden kansen voor serviceproviders:om de complexiteit en broker op verschillende platforms te verminderen om uw klanten geld en hoofdpijn te besparen, en om de toegang tot machine learning-services mogelijk te maken en te vereenvoudigen, zodat niet-experts hiervan kunnen profiteren.

De auteur van deze blog is Owen Rogers, onderzoeksdirecteur – Digital Economics Unit