スキップしてメイン コンテンツに移動

AmazonとGoogle 2つのクラウドの違いとは

動きの早いクラウド業界だけど、「圧倒的シェアを握るAmazonに対して、大手数社が追いかける構図」的論調が多い。実際に色々と利用してみると、一緒に並べて比較するのが間違っているんじゃないかと思うことしばしばだし、なんか最近この手の話がよく身近な話題になるので、ここらで改めてまとめてみる。

まずは、AWS(Amazon Web Services)。

AWSを理解するのには、彼らの根幹事業であるネット販売から眺めてみると良い。Amazonのネット販売の強みは、注文してすぐ届くための仕組み。つまり巨大な倉庫をハブとした物流にあるのは誰もが知るところ。この仕組みを使って、できる限り中間業者を中抜きする。中抜きすることで、余分な時間とコストが削減され、消費者に素早く、低価格に商品を届けられる。まぁ、簡単に言えばこういう理屈。

では、コンピュータはどうだったのか、ちょっと振り返ってみる。

例えば、ある企業が「なんとかシステム」を構築しようとする。きっと、まずはそのシステムに詳しい人(コンサルとかSI会社とか開発会社とか言われる人たち)に相談するわけだ。相談された人は、なんだかんだと検討をして、コンピュータのハードウェア的構成を考える。そしたら、その構成通りにハードウェアを準備してくれる人(ハードウェアの販売会社とか)に依頼をして調達するんだけど、ハードウェアを準備する人たちは自分たちでハードウェアを作っている訳ではないので、ハードウェアメーカーに発注する。

ハードウェアメーカーは、ハードウェアメーカーっていうくらいだから、コンピュータを作っている人かっていうと実はそうではなくて、実際のところどのハードウェアメーカーもみんな同じような台湾のメーカーに発注をしてコンピュータを製造してもらい、自社のロゴを貼り付けて製品としているだけ。(っていうとちょっと乱暴だけど、大きくとらえるとそんな感じ)だから、実のところハードウェアメーカーごとの違いなんて、ケースのデザインとか、貼り付けたロゴとか、検品の差くらいだったりする。

ようやく最後までたどり着いたところでハードウェア調達完了かというと、そうではなく。調達したコンピュータを動かす場所。つまりデータセンターを借りるって話になるわけだ。これもどこがいいかいろいろ検討して、そこに調達したコンピュータを設置して電源を入れたらようやく利用開始になる。

Amazon的発想で言ったら、こんなん「本とか家電製品なんかよりずっと無駄な中間業者がいる」ってことになるんだと思う。で、結局のところ台湾のメーカーが作ったコンピュータを、データセンターに設置して使ってるだけじゃん。って単純化してしまうと、AWSなんだな。

つまりだね、流通業のプライベートブランド(PB)と同じ発想だよ。イオンのトップバリュってやつね。(あー、この「バリュ」ってところが気になる)

つまり誰が作っても大差ないような商品だったら、PB化してしまって基本的な諸元みたいなものだけ説明して、「はいどうぞ」。ユーザーが選択するのは、貼り付けたロゴではなく、筐体のデザインでもなく、性能とコストに関わる諸元でしかないわけだから。

AWSがわかりやすいのは、こうした面倒臭いこれまでの習慣をバッサリと改善して、後は従来の使い方となんら変わることなく利用できるようにしてるから。この途中をバッサリと改善するところが思い切っているので、「すぐに使えて、安く」しかも「従来の使い方そのまま」という、いかにも物流改革でのし上がってきた企業らしいしあがりになっている。

いずれにしても、開発の仕方とかソフトウェアとかプログラミングとか、もろもろ獲得してしまった知識を変えることなく、調達時間と調達コストを変えたいと考える人にとっては、とてもわかりやすく、とっつきやすいので、一気に広がったとも言える。

一方のGoogle。

この会社を理解するには、ぜひGoogleのオフィスに何度も足を運び、ここの人たちと会話をすべきだ。AWSの日本には、ざっくり言うと「営業のための組織」しかないのに比べて、Googleの日本法人は、製品の開発チームがいるのが大きな違いだ。

そのせいなのかなんなのか、Googleにも営業のための組織はあるけれど、なんとなく全員が「新しい何か」を生み出そうとしているようにも感じる。(→ ここ結構重要なんだけど。話が長くなるのでやめときます。)

Googleは、Amazonと違いサービスカンパニーであり、しかも極めてファンダメンタルな、つまり広く多くの人が使えるようなサービスを提供することでビジネスをしている。

実は、このあたりの特質が、Googleをわかりにくくさせているのだとつくづく感じる。

AWSのわかりやすさは、やっていることが単純な流通革命でしかなく、利用者は従来のアナロジーで利用できるからだ。一方のGoogleは、「自分たちが考える次世代のサービスインフラ」を外部に提供しているんだと考えるべき。

利用してみればわかることだけど、彼らにとってGCPのようなクラウドも、BigQueryも、gMailも、Mapも、Analyticsも、横並びで一つのサービスでしかない。様々なサービスを組み合わせて使うことも、それほどストレスなく実現できたりする。うまく利用するとシステムは「とてつもなく簡単」になって「極めて低価格」であり「驚くほどの高性能」を実現できたりする。ただし、従来のアナロジーで発想することはできず、いったん過去のノウハウとかそういうものを捨てて、新たなことに挑戦する覚悟を求められることが多い。

まぁ、このあたりを指して「GoogleはPaaS」で「AmazonはIaaS」とかいう人がいるけど、この「XaaS」という曖昧でわけわかんない言葉、ほんとやめてほしい。だって物事そんな単純じゃなく動いているわけだからね。

ま、そんなことはどうでもいいけど、GoogleにもAWSのように「普通のコンピュータ」を「普通に利用」するサービスはあるわけだけど、上手に利用しようとするとDockerとかKubernetesあたりからはじまって、結局BigQueryとか、多分これからはDataflowとか、そういう斬新でこれまでとは発想を変えなければならないものを駆使することになる。


まぁ、結局どーなのよ。

ということなんだけど、企業システムっつうか、これまで作ってきたソフトウェアとか、これまでのやり方をそのままにして、データセンターだけ変えたいという人は、AWSってわかりやすいしいいソリューションだと思う。

一方、サービスベンダー。社内システムとかではなく、自分たちが作るコンピュータサービスで勝負しなければならない人は、なんかGoogleなんじゃないかと思うんだよね。
結局、サービスも突き詰めていくと様々にきめ細かいことやらなければならないわけだし、多分、そういうことに世界でもっとも気がついていて、しかもファンダメンタルに具現化している企業といえばGoogle。

サービスベンダーにとって、あらゆることを自社でやることが美しいのではなく、自分たちの強みとなるところは自社で取り組み、その他のことは他をうまく使うべきだと思うし、そう思えるならGoogleは素晴らしくよくできていると思う。

同時に理解すればするほど、ほんとに嫌らしいくらいよくわかっていると思えるので、今後の動向から目が離せなくなってしまうけど。

コメント

このブログの人気の投稿

増資に関わる ぼくたちの覚悟

世の中は、時々おどろくほど大きな転換点が訪れる。過去と無関係な未来なんてないはずだけど、これまでの様々なこととは不連続に思える未来だ。


さきほど日本経済新聞のサイトでニュースが流れたので、お知らせします。
ぼくたちグルーヴノーツは、少し大きめの資金調達に踏み切りました。

グルーヴノーツと名乗り始めてから一貫して取り組んできたのは、最先端のIT技術を、専門知識がない人でも取り組めること。

そしてぼくらの「MAGELLAN BLOCKS

めざしているのは「機械学習の民主化」だ。

そのために、たくさん議論をし、機能を磨き、たくさんのプロジェクトで実践してきた。そして、さまざまな成果から、過去とは不連続だけど、とてつもなく大きな可能性を秘めた未来が見えてきた。同時に、ぼくらがやらなければならないことがハッキリしてきた。

だからこそ、ここはしっかりと前に進み、大きく前進していこう。
曖昧な一歩ではなく、ぼくらがやらなければならないことを、確実に、ためらわずに実行する。

今回の増資は、そういうこと。そして、増資を外部に公表するのは、そうしたぼくたちの覚悟を世間に公開する。そういう意思表示。

日経の記事には次のように紹介されている。

「同社の「マゼランブロックス」は米グーグルの機械学習サービスを使い、数値や文字、画像データを入力するだけで、AIが規則性などを発見して将来を予測できる。プログラミングなど専門知識を不要にした。」

でも、正確に言うなら、

「同社の「マゼランブロックス」はGoogleの機械学習インフラを活用し、グルーヴノーツが独自開発した機械学習サービスを使い、数値や文字、画像データを入力するだけで、AIが規則性などを発見して将来を予測できる。プログラミングなど専門知識を不要にした。」

Googleの圧倒的なパワーを借りながら、ぼくら自身が作り上げた機械学習モデルを使い、ぼくら自身が考え、作り上げたサービス。だから、これまでのやり方では解決できないことがあったら、ぜひ相談してほしい。

専門ベンダーを起用するのではなく、事業会社が自力で考え、自力で作り上げる機械学習サービス。そうしたことが、実現できるのだから。

そして、ベンダーに依存するのではなく、自力で考え、構築することこそ、機械学習が開く未来への扉の鍵なのだから。

福岡本社の、まだまだ小さな会社だけど、社会が望むことに真っ直…

福岡ではじまる新たな動き「OPEN AI LAB」

ぼくたちは、福岡が本社だ。このエネルギーにあふれ、人の可能性を否定しない街は、ぼくたちのあらゆることの原点でもある。


だからこそ、福岡が刺激的に成長していくことは、ぼくたちにとって欠くべからざることなのだ。

テックパークという学童保育をやっていることも、九州経済産業局と一緒に地元製造業のために機械学習を学ぶ場を作ったことも、すべてそういう思いがあったから。

でも、もっと継続的に。地元企業同士が学び、知見を共有しあいながら、機械学習について研鑽を深め、事業を生み出していくことができたら。

実際、地元企業からとても多くの相談を受けるようになって、わずかなアドバイスでめちゃくちゃ画期的なサービスを完成させた人たちもいるし。そして、この土地は、周りと協力しあうことがとても好きな土地だし。

やっぱり機械学習は、理屈よりも実践だ。機械学習の権威が「無理じゃないかな」と言ったことが、やってみたら意外にも成果が出たこともある。

だから、まずは実践すること。迷わず実践してみて、成果が見込まれたら本格的に取り組めばいい。そしてこういうことは、一人で悶々と進めちゃダメだ。仲間と一緒に、あーだこーだ実験したり、成果を共有しあいながら進める。できるなら、会社も違い、業種も違う人たちと一緒に。そうなんだよ。こういうことが得意なのは、やっぱり福岡の人間だよな。そう思ったわけだ。

色々な思いがあって、ふくおかフィナンシャルグループの人たちと意気投合し、ざっくりとしたアイディアながら、高島市長も賛同してくれたし。

そして、いつもいろんな意見を交わしあっているソフトバンクが、「やるよ!」って男らしく笑顔とともに引き受けてくれたし、機械学習で世界を圧倒的にリードしているGoogleも、もちろんやりますよ。といってくれたし。

ということでスタートします。

オープンな場で、機械学習について学び、事業化に向けて実践していく場。
OPEN AI LAB

これはエンジニアの集まりではなく、事業家の集まり、ビジネスマンのためのもの。

そういう人たちが実践できるような、数々の手段や、事例や、ワークショップや。そういうものを通じて、理屈だけじゃなく、成功までの道筋を体感できるような。そんな活動をはじめます。

とびっきりの道具を使って、自分のビジネスに劇的な革新を起こしたい人は、ぜひここに集ってほしい。最高の体験を…

工場の不良品検査を機械学習で実現 BLOCKSに画像分類モデル登場

製造業にとっては、生産している商品が全てだ。


会社の体制も、工場の仕組みも、顧客の信頼を裏切らない商品を生産するために存在する。

工夫に工夫を重ね、素晴らしい精度で商品を生み出しているからこそ、商品のわずかな傷や、不良も見逃せない。

そんな製造業では、最終検品をベテラン社員が目視で行なっているところが非常に多い。


社員は製品を熟知しているし、新しい製品が出てきたとしても、少しレクチャーを受ければすぐにコツをつかむことができる。

でも、人間は疲れるし、体調だって崩すこともある。そして社会全体が人口減少なんだから、人手に頼っているのはコスト的にも、拡張性という点でもリスクだとも言える。

そんなことを考えてしまうと、例えばデジタルカメラの精度は人間の目をはるかに超えているわけだし、そんな作業はコンピュータに任せることはできないのか。そう思っている会社は極めて多い。

コンピュータを使って不良品を見つけ出す。

簡単なようでいて、これはなかなか難しい課題だ。

だって製品の仕様はコロコロ変わるわけだし、バリエーションもたくさんあったりする。

機械学習を使って判定させようとすると、新しい製品が出るたびに、新しい仕様が決まるたびに、新しく何千枚、何万枚と画像を撮影して学習させなければいけないとしたら、多分そんなことやってられない。

でも、もしも、わずか100枚くらいの画像を見せて、極めて高い精度の判定ができるとしたら。もしも学習が10分ちょっとで終わるとしたら。

そんなに簡単なら、新しい商品が登場するたびに、写真をとって学習させ、すぐに使ってみることができるだろう。

だから。



製造業のみなさん、おまたせしました。

そんなことを実現するMAGELLAN BLOCKSの新しい機械学習モデル「画像分類」がリリースされました。

新しい画像分類モデルは、転移学習という手法を使っており、あらかじめ世の中の様々な画像で物の見た目から特徴をつかむことを学習させてあります。だから不良の画像が100枚、正常の画像が100枚といった少ない枚数でも、不良という画像にはどんな特徴があるのかを、極めて高い精度で見つけ出し、判断することができるようになります。

使い方は簡単。

例えば良・不良の判定をしたいなら、goodというフォルダにgoodな画像を入れ、NGというフォルダにNGな画像を入れ。そしてBLOCK…