IoT 경제학 – 서비스 제공업체 및 기업을 위한 강의

451 Research의 Owen Rogers

많은 조직에서 인프라를 공용 클라우드 환경으로 이전했으며 현재 많은 조직에서 클라우드 서비스를 사용하여 사물 인터넷을 관리하고 있습니다.

실제로 기업의 3분의 2 이상이 IoT 분석, 기계 및 기타 IoT 데이터를 위해 에지 및 니어에지 컴퓨팅 자산을 사용합니다. 이 데이터를 수용하기 위해 AWS와 같은 주요 하이퍼스케일 클라우드 제공업체 , Google 및 마이크로소프트 사용한 만큼만 지불하면 기업에서 사용할 수 있는 클라우드 IoT 제품이 있습니다.

올해 초 451 Research 의 디지털 경제 및 IoT 분석가는 Azure의 IoT 가격이 약 50% 인하된 것을 감지했습니다. 이러한 상당한 변화로 인해 분석가는 "하이퍼스케일러 클라우드 IoT 플랫폼(AWS, Google 및 Microsoft) 중 어느 것이 가장 저렴한지 알 수 있는 방법이 있었습니까?"라고 묻게 되었습니다.

기본적으로 팀은 메시지의 평균 크기, 메시지 수, 레지스트리 업데이트 수와 같은 비용 매개변수가 가장 저렴한 제공업체를 선택하는 데 가장 큰 영향을 미치는지 알고 싶었습니다. 하지만 팀의 궁극적인 목표는 전반적으로 가장 저렴한 제공업체를 파악하는 것이었습니다.

비용에 가장 큰 영향을 미칠 수 있는 9가지 가격 매개변수를 식별한 후 분석가는 기계 학습 전략을 구현하고 Python 시뮬레이션을 구성하여 AWS, Google 및 Microsoft의 미국 가격 모델을 자동으로 비교했습니다.

10,000,000개의 시뮬레이션 샘플 크기를 사용하여 451명의 Research 분석가는 Azure와 AWS가 일부 상황에서 비용 면에서 유리하다는 것을 발견했습니다(의사결정 트리 다이어그램 참조). Microsoft는 일반적으로 규모 면에서 더 저렴한 반면 AWS는 오늘날 대부분의 엔터프라이즈 사용 사례에서 더 저렴합니다. 그러나 Google은 수행된 시뮬레이션에서 가장 저렴한 것으로 확인되지 않았습니다.

이러한 IoT의 경제학 난제에 대한 답을 찾기 위해 노력한 경험은 두 가지 결론으로 ​​이어졌습니다. 첫째, 서비스로서의 머신 러닝의 접근성은 이전에는 없었던 발견 기능을 제공했습니다.

그러나 기계 학습의 복잡성은 대부분 추상화되었지만 기계 학습을 사용할 수 있도록 가격 책정 모델의 복잡성을 풀기 위해서는 여전히 깊이 있는 지식이 필요했습니다. 즉, 기업의 경우 머신러닝 전문가를 보유하는 것만으로는 충분하지 않습니다.

머신 러닝을 실행 가능하게 하려면 데이터 맥락의 전문가가 필요합니다. 즉, 직원에게 이러한 기술의 기초를 제공하여 이러한 전문가가 도구와 머신 러닝 전문가를 활용할 수 있도록 합니다. 수직적 전문성이 중요한 역할을 합니다.

두 번째 결론은 가격 책정 모델이 단순화된 경우에도 뉘앙스가 복잡성을 추가하고 그 영향이 종종 불분명하다는 것입니다. 오늘날 문제는 기업이 클라우드 청구서를 자신 있게 이해하려면 비용을 수동으로 계산해야 하는 경우가 많다는 것입니다.

이것은 단순히 실용적이지 않으며 대부분의 클라우드 소비자는 자신이 지불하는 비용을 정확히 이해하지 못합니다. 이것은 '전기와 같은' 유틸리티 클라우드가 아닙니다. 지출을 관리할 수 있습니다.

두 가지 결론은 서비스 제공자에게 기회를 제공합니다. 플랫폼 전반에 걸쳐 복잡성을 줄이고 중개하여 고객의 비용과 골칫거리를 줄이고 기계 학습 서비스에 대한 액세스를 활성화 및 단순화하여 전문가가 아닌 사람들도 활용할 수 있습니다.

이 블로그의 저자는 Owen Rogers, 연구 이사 – Digital Economics Unit