Illustration: Absmeier, Geralt
In Deutschland nutzen immer mehr Unternehmen die Public Cloud. Gemäß der Studie »ISG Provider Lens Germany 2018« geben sie in diesem Jahr rund 17 Milliarden Euro dafür aus. Sie möchten damit vor allem möglichst viele Daten analysieren, um daraus Geschäftsentscheidungen abzuleiten. Dabei sehen die Rackspace-Experten für die Weiterentwicklung der Public Cloud drei entscheidende Entwicklungen:
- Differenzierung
Die großen Cloud-Plattformen werden in Bezug auf Performance immer ähnlicher, doch sie unterscheiden sich in den Funktionen. Zum Beispiel zeichnet sich die Google Cloud Platform in den Bereichen Datenspeicherung und Netzwerke aus, Microsoft Azure durch seine Business-Prozesse. Die Stärken von AWS liegen bei Serverless Computing und zukunftsträchtigen Technologien wie maschinelles Lernen und künstliche Intelligenz.
Entsprechend sollte ein Unternehmen mit bestehenden Microsoft-Lizenzen und einer auf Active Directory basierenden Anwendung eher Azure nutzen. Ein internationales Forschungsteam mit DevOps-Prozessen, das eine schnelle Provisionierung von Servern benötigt, dürfte dagegen mit AWS besser bedient sein. Damit ist der Planungs- und Auswahlprozess inzwischen der wichtigste Teil der Cloud-Migration.
- Container
Die Container-Technologie wird in diesem Jahr größere Flexibilität für die Multi-Cloud bieten. Da Container die Anwendungen so verpacken, dass sie schneller, zuverlässiger und vor allem portabel sind, eröffnen sie viele neue Möglichkeiten zum Testen verschiedener Cloud-Plattformen. Wer also einzelne Workloads optimieren will, kann Anwendungen mit Hilfe von Containern einfach dorthin bewegen, wo sie am besten funktionieren.
Kubernetes ist nun für die Container-Orchestrierung auf den drei führenden Public-Cloud-Plattformen verfügbar. Dies ermöglicht wirklich mobile Workloads – nicht nur zur Disaster Recovery, sondern auch für den aktiven Betrieb über verschiedene Clouds hinweg. Die erhöhte Portabilität ermöglicht einfache Tests, ob ein bestimmter Kubernetes-Container besser auf AWS, Azure oder Google läuft. Zudem lässt sich eine Applikation nun von der Entwicklungs- bis zur Produktivphase nahtlos und hocheffizient zwischen den Plattformen verschieben.
- Maschinelles Lernen
Machine Learning (ML) spielt bereits bei vielen Innovationen eine wichtige Rolle. Auch wenn die Technologie erst von wenigen Unternehmen erfolgreich in Produktionsumgebungen eingesetzt wird, dürfte sie dank Public Cloud deutlich an Fahrt gewinnen. Denn ML erfordert enorme Server-Kapazitäten. Die Cloud ermöglicht deren schnelle Bereitstellung und Skalierung, um entsprechende Modelle zu erstellen, zu testen und zu betreiben. Zudem hilft sie bei der Bewältigung der riesigen Datenmengen. Die Cloud stellt auch vorgefertigte ML-Modelle zur Abwicklung allgemeiner Aufgaben bereit – wie Videoanalyse, Bild- und Spracherkennung.
Schnittstellen für diese Technologien gibt es bereits. So bietet AWS zum Beispiel mit dem Service SageMaker vorgefertigte ML-Modelle an sowie mit DeepLens eine Hardware mit integrierten ML-Funktionen und Zugriff auf mehrere Gigabyte an vormodellierten Daten. In Zukunft wird Machine Learning als Cloud-Service erhältlich sein – und vielleicht so einfach nutzbar wie Amazon Alexa. Damit lassen sich dann vielleicht Datenanalysen oder Versand- und Empfangsstatistiken in Echtzeit aufrufen. Und in weiterer Zukunft werden die ML-Systeme ihre Prozesse auf Basis der ermittelten Ergebnisse selbst optimieren können.
Private Cloud versus Public Cloud – Keine Kompromisse, sondern Hybride
Studie Public Cloud Computing – Wie werden Computing Services in Unternehmen genutzt und gesteuert?
Cloud-Markt: Public Cloud Services werden 2017 um 18 Prozent wachsen
Cloud Platforms & Technology/Access Services: Public-Cloud-Integration bewegt den gesamten Markt