はじめに
先日GCPの勉強会に参加したので、復習がてらレポートを書いてみました。私自身は、AWSは日常的に使っているが、GCPにちゃんとさわるのは今回の勉強会がほぼ初めてという状況です。少し前に書いたものなので、先日のAWS re:Inventの内容を反映してアップデートしたいです、、
AWSとの比較
データ分析はGCPの方が強い、インスタンスはAWSと同程度での使いやすさで、デプロイはまだ機能が足りない、データ分析をコアとするサービスならAWSから移行する価値があるという感じでした。あと、地味にロードバランサーの機能が豊富そうです。
管理画面については、GCPの方が使いやすそうでした。（機能がまだAWSより少ないからかもしれませんが）Googleらしく、ウェブブラウザでインフラエンジニアの仕事をすべて完結させたいという思いを感じました。
コンテナに複数のバージョンを用意して、比率を指定して振り分けることができるという機能があり、A/Bテストに使えそうでした。
機械学習
カスタマイズのレベルに応じて、TensolFlow(OSS) / cloud machine learning / 各種API（画像認識・翻訳など）の各サービスがあります。cloud machine learning上でhyper parametersの調整をして、それをTensolFlowに渡して学習精度を上げるといったことができます。
実際に機械学習を実用するには、データを整備することと機械学習に対する理解を深めることが必要だと思いました。クレカの不正利用検知などの事例もあり、セキュリティ関連はこれからは機械学習の知見を応用する時代になりそうだと感じました。
各サービスについて
- Dataproc（Hadoop/Sparkサービス）・Nearline（AWSのGlacier storageのようなアーカイブストレージ）AWSにも同様なサービスはあるが、クラスタの立ち上げが速い、レイテンシが小さいというように改良されている。
- Stack driver（サーバーモニタリングツール） AWSとGCPの両方に対応している。取得できる情報が多い。
- Kubernetes（Docker管理） 運用の機能もあるDocker Composeという感じ。
- Firebase バックエンドの機能をクラウドサービスとして提供してくれる。個人的にとても面白そうでした。
所感
大きな技術トレンドとして、細かい単位でいかに速くプロダクトを改良していくかという流れと、機械学習のアプリケーション応用が本格的に始まるという２つの流れを感じました。GCPもそのトレンドを踏まえて開発されており、AWSと比較して動作がスピーディであること、データの蓄積や分析に強いことが印象的でした。