Entwickler*innen & Fachkräfte

Cloud Wisdom: Vier Wege zu Innovation und Kostensenkung mit KI und ML

Thu, 02 Feb 2023 15:00:00 +0000

Die Entwicklung von KI- und ML-Technologien ist oft kostspielig und zeitaufwendig. Die Nachfrage nach KI- und ML-Expertise übertrifft den vorhandenen Talentpool immer noch deutlich. Diese Faktoren veranlassen Technologieunternehmen und Start-ups, Ressourcen sorgfältig zuzuweisen, wenn sie KI in ihre Geschäftsstrategie einbeziehen möchten. In diesem Artikel finden Sie vier Tipps für Technologieunternehmen und Start-ups, die Innovationen beschleunigen und Kosten durch KI und ML senken.

Vier Tipps für mehr Innovation und weniger Kosten dank KI und ML

Viele der innovativsten Unternehmen von heute entwickeln Dienstleistungen oder Produkte, die es ohne KI nicht gäbe. Das heißt aber nicht, dass diese Unternehmen auch ihre KI- und ML-Infrastruktur sowie ihre Pipelines von Grund auf neu erstellen. Auch bei Start-ups, deren Geschäft sich nicht direkt mit KI befasst, kann die Einbindung von KI in operative Prozesse Kosten eindämmen, wenn das Unternehmen wächst. Durch die Nutzung eines Cloud-Anbieters für KI-Dienste können Organisationen Geschäftschancen erschließen, die Entwicklungen vorantreiben, Prozesse automatisieren und Kosten reduzieren.

1. Vortrainierte ML-APIs für die Produktentwicklung nutzen

Technologieunternehmen und Start-ups möchten ihre technischen Talente auf proprietäre Projekte konzentrieren, die für das Unternehmen von Bedeutung sind. Dazu gehört häufig die Entwicklung neuer Anwendungen für eine KI-Technologie, aber nicht unbedingt die Entwicklung der KI-Technologie selbst. In solchen Fällen helfen vortrainierte APIs, schnell und kostengünstig eine Grundlage zu schaffen, auf der höherwertige, differenzierte Projekte aufgesetzt werden können.

Beispiel: Viele Unternehmen, die Konversations-KI in ihren Produkten und Services nutzen, verwenden Google Cloud APIs wie Speech-to-Text API und Natural Language API. Mit diesen APIs können Entwicklungsteams auch Funktionalitäten wie Sprache-zu-Text, Sentimentanalyse, Inhaltsklassifizierung, Schimpfwortfilter und Sprecherdiarisierung auf einfache Weise einbinden. Diese leistungsstarken Technologien helfen Unternehmen, sich auf die Produktentwicklung zu konzentrieren, anstatt sich mit den Technologiegrundlagen befassen zu müssen.

In diesem Artikel finden Sie Beispiele dafür, warum sich Technologieunternehmen und Start-ups für die Speech APIs von Google Cloud entscheiden. Es geht um Anwendungsfälle, die von der Gewinnung von Kundeninformationen bis hin zur Ausstattung von Robotern mit einer empathischen Persönlichkeit reichen. Ausführlichere Informationen finden Sie hier:

Auf unserer KI-Produktseite: entdecken Sie weitere APIs, darunter Translation API, Vision API und mehr.
Auf der Lernplattform Google Cloud Skills Boost unter „APIs für maschinelles Lernen“.

2. ML-Entwicklung mit verwalteten Diensten skalieren und Modelle schneller für die Produktion bereitstellen

Vortrainierte Modelle sind äußerst nützlich, aber in vielen Fällen müssen Technologieunternehmen und Start-ups individuelle Modelle erstellen, um Erkenntnisse aus ihren eigenen Daten abzuleiten oder neue Anwendungsfälle auf öffentliche Daten anzuwenden. Unabhängig davon, ob sie datengetriebene Produkte erstellen oder Prognosemodelle aus Kundendaten generieren, benötigen diese Unternehmen Möglichkeiten, um Modelle schneller zu entwickeln und in ihren Produktionsumgebungen bereitzustellen.

Data Scientists starten in der Regel ein neues ML-Projekt auf einem Notebook und experimentieren mit Daten, die auf dem lokalen Computer gespeichert sind. Die Verlagerung solcher Projekte in eine Produktionsumgebung erfordert zusätzliche Tools und Ressourcen, komplexes Infrastrukturmanagement eingeschlossen. Das ist einer der Gründe, warum viele Unternehmen Schwierigkeiten haben, Modelle in die Produktion zu bringen. Sie vergeuden Zeit und Ressourcen, ohne den Umsatz zu steigern.

Verwaltete Cloud-Plattformen können Unternehmen beim Übergang von Projekten zu umfangreichen automatisierten Testverfahren oder zur routinemäßigen Bereitstellung unterstützen. Auch ein erneutes Training von Produktionsmodellen lässt sich realisieren. Leistungsstarke Plattformen bieten flexible Frameworks, erfordern weniger Programmcode für das Modelltraining, liefern einheitliche Umgebungen für Tools und Datensätze sowie benutzerfreundliche Pipelines für Infrastrukturverwaltung und Bereitstellung.

Wir bei Google Cloud haben festgestellt, dass Kunden mit diesem Anforderungsprofil gerne Vertex AI einsetzen. Diese Plattform zur beschleunigten ML-Entwicklung wird seit ihrer Einführung im letzten Jahr immer häufiger verwendet. Im Vergleich zu konkurrierenden Ansätzen verkürzt Vertex AI die Zeit bis zur Bereitstellung/Deployment in Produktion um bis zu 80 % und bietet erweiterte ML-Ops-Funktionen, mit denen Data Scientists und ML-Entwicklungsteams zur Beschleunigung von maschinellem Lernen beitragen können. Es enthält Features mit wenig Code wie AutoML, mit denen sich leistungsstarke Modelle ohne ML-Fachkenntnisse trainieren lassen.

In der ersten Jahreshälfte 2022 haben unsere Performance-Tests ergeben, dass die Anzahl der Unternehmen, die AI Workbench nutzen, um das 25-fache gestiegen ist. Es ist interessant zu sehen, welche Vorteile Vertex AI Workbench für Unternehmen generiert. So können Unternehmen beispielsweise große Modelltraining-Jobs um das Zehnfache beschleunigen. Auch Data-Science-Teams können die Modellgenauigkeit von 70 bis 80 % auf 98 % steigern.

Wenn Sie Vertex AI noch nicht kennen, sehen Sie sich diese Videoserie an und erfahren Sie, wie Modelle vom Prototypen bis in die Produktion überführt werden. Ausführlichere Informationen finden Sie hier:

Ein Artikel über die Rolle von Vertex AI in einem ambitionierten Projekt zum Messen des Klimawandels mit KI.
BigQuery bietet integrierte Funktionen für maschinelles Lernen und Analysen, mit denen Sie Vorhersagen ohne Code und nur mit SQL-Abfragen erstellen.
In diesem Blog geht es um den kombinierten Einsatz von Vertex AI und BigQuery, um die Datenanalyse einfacher und leistungsfähiger zu machen.
Dieser Blog über ein Feature für beispielbasierte Erläuterungen, eines unserer neuesten Updates, beschreibt, wie sich die Iteration eines Modells intuitiver und effizienter gestalten lässt.

3. Die passende Hardware in der Cloud für Anwendungsfälle nutzen um Kosten und Verwaltungsaufwand zu minimieren

Der Aufbau einer ML-Infrastruktur ist in der Regel teuer. Je nach Anwendungsfall können spezifische Hardwareanforderungen und Softwareintegrationen dazu führen, dass großangelegte Projekte kostspielig und komplex werden. Deshalb greifen viele Technologieunternehmen und Start-ups auf Cloud-Dienste zurück, um ihre Computing- und Speicheranforderungen abzudecken. Sie bezahlen nur für die Ressourcen, die sie tatsächlich nutzen, und skalieren diese entsprechend den wechselnden Geschäftsanforderungen.

Kund*innen von Google Cloud fordern Möglichkeiten, durch unterschiedliche Infrastrukturansätze verschiedene ML-Workloads zu optimieren. Manche verwenden CPU-Plattformen für flexibles Prototyping. Andere nutzen unsere Unterstützung von NVIDIA-Grafikprozessoren (GPUs) für bildorientierte Projekte und größere Modelle, insbesondere solche mit speziellen TensorFlow-Vorgängen, die teilweise auf CPUs ausgeführt werden müssen. Einige nutzen dieselben kundenspezifischen ML-Prozessoren, die auch Google-Anwendungen zugrunde liegen: Tensor Processing Units (TPUs). Wieder andere verwenden unterschiedliche Kombinationen aus den oben erwähnten Prozessoren.

Technologieunternehmen und Start-ups sollten nicht nur Anwendungsfälle auf die richtige Hardware abstimmen, sondern auch von der Größe und operativen Einfachheit eines verwalteten Dienstes profitieren, um fortgesetzt mit guter Kostenkontrolle zu operieren. Beispiele: Google Cloud-Features wie Time-Sharing und Multi-Instanz-Funktionen für GPUs oder Features wie der Vertex AI Training Reduction Server wurden für die Optimierung von GPU-Kosten und -Nutzung entwickelt.

Vertex AI Workbench lässt sich auch in den NVIDIA NGC-Katalog einbinden. So können Sie mit nur einem Klick Frameworks, Software Development Kits und Jupyter Notebooks bereitstellen. Dieses Feature zeigt, ebenso wie Reduction Server, Lösungen auf, wie Unternehmen KI mit verwalteten Diensten effizienter und kostengünstiger machen können.

4. KI für operative Vorgänge

Neben vortrainierten APIs und der ML-Modellentwicklung zur Entwicklung und Bereitstellung von Produkten können Start-ups und Technologieunternehmen mit KI auch die operative Effizienz steigern. Insbesondere in Wachstumsphasen lassen sich KI-Lösungen für spezifische operative Vorgänge wie Vertragsabwicklung oder Kundenservice gewinnbringend nutzen.

So wird bei den Document AI-Produkten von Google Cloud ML auf Text angewendet, beispielsweise zur Verwaltung von Vertragslebenszyklen oder für die Bearbeitung von Hypotheken. Für Unternehmen, deren Kundensupport immer stärker gefordert ist, gibt es Contact Center AI. Mit dieser KI-gestützten Callcenter-Lösung können Unternehmen intelligente virtuelle Agenten erstellen und Übergaben zwischen diesen und dem menschlichen Kundenservice planen sowie Analysen zu den Interaktionen mit dem Callcenter generieren. Durch die Nutzung von KI zur Verwaltung operativer Abläufe können Start-ups und Technologieunternehmen mehr Ressourcen für Innovation und Wachstum bereitstellen.

Die nächsten Schritte auf dem Weg in eine intelligente Zukunft

Die genannten Tipps helfen Technologieunternehmen und Start-ups, mit KI und ML Kosten zu sparen und die Effizienz zu steigern. Weitere Informationen können Sie auch unseren Vertex AI-Kurzanleitungen und BigQuery ML-Anleitungen entnehmen. Aktuelle Informationen zu unserer Arbeit mit Technologieunternehmen und Start-ups finden Sie auf unserer Start-ups-Seite.

Gründer*innen und IT-Führungskräfte schildern ihre Erfahrungen im Podcast „Startup Stories“

Thu, 05 Jan 2023 16:00:00 +0000

Fast alle Unternehmensgründer*innen stehen vor ähnlichen Grundsatzfragen: „Sollen wir auf serverlose Technologie umsteigen?“, „Wie verwalte ich meine Daten am besten?“ oder „Sind wir ein Fall für das Web3?“

In den Antworten auf diese und andere Fragen offenbaren sich die Unterschiede in der Entwicklung verschiedener Start-ups: von den ersten Schritten der Gründungspersonen über erste Personalentscheidungen und die Schaffung einer Unternehmenskultur bis hin zu Markteinführung und Skalierung des Produkts.

Sowohl die gemeinsamen Herausforderungen als auch die individuellen Wege zum Erfolg machen deutlich: Start-up Gründer*innen können viel voneinander lernen – und das branchen- und technologieübergreifend.

Um Gründer*innen Zugang zu solchen Erfahrungen und Erkenntnissen zu verschaffen, stellen wir unseren neuen Podcast „Startup Stories“ vor, der auf YouTube, Google Podcasts und Spotify abrufbar sein wird. In jeder Folge führen wir ein ausführliches und persönliches Gespräch mit der Führungskraft eines Start-ups, das mit Google Cloud zusammenarbeitet. Das Themenspektrum reicht von technischen Detailfragen bis hin zu spontanen Konzept-Brainstormings.

Elf Folgen der ersten Staffel sind bereits online. Mit dabei sind die folgenden Start-up-Gründer*innen und Geschäftsführer*innen:

KIMO: Rens ter Weijde ist Gründer und Geschäftsführer von KIMO, einem niederländischen KI-Start-up, das sich der individuellen Weiterbildung widmet. Er beschreibt, wie „mentale Resilienz“ zum Schlüssel für das Wachstum seines Unternehmens wurde.
Nomagic: Ex-Google-Mitarbeiter Kacper Nowicki ist Gründer und CEO von Nomagic, einem polnischen KI-Start-up für Robotersysteme. Nowicki schildert seine Erfahrungen beim Abschluss einer wichtigen Seed-Runde.
Withlocals: Matthijs Keij ist Geschäftsführer des niederländischen Erlebnisreisen-Start-ups Withlocals, das den Kontakt zwischen Reisenden und einheimischen Gastgebern im Zielland herstellt. Er berichtet, wie sich sein Unternehmen und die gesamte Branche auf COVID-19 eingestellt haben.
nPlan: Alan Mosca, Gründer und CEO des jungen Softwareunternehmens nPlan, hatte bereits ein klares Bild von seiner gewünschten Unternehmenskultur, bevor er sich entschied, welches Produkt er überhaupt anbieten wollte.
Huq Industries: Isambard Poulson, Mitgründer und CTO des britischen Mobilitätsdaten-Anbieters Huq Industries erzählt, wie sein Unternehmen eine schwierige Frühphase erfolgreich meisterte.
SiteGround: Reneta Tsankova, COO des europäischen Webhosting-Anbieters SiteGround beschreibt, wie das Gründungsteam auch in Zeiten rapiden Wachstums seinen Grundwerten treu blieb.
Puppet: Deepak Giridharagopal, CTO von Puppet, erläutert, wie sein Unternehmen den Weg zum ersten SaaS-Produkt namens Relay schnell und agil bewältigte.
Orderly Health: Entwickler*innen von Orderly Health schildern, wie sie mit rapiden Innovationszyklen eine ML-Lösung für genauere Gesundheitsdaten aufbauten – von der Erstellung des ersten Produkts in nur 60 Tagen bis zum Skalieren mit Google Cloud.
Kinsta: Andrea Zoellner, VP Marketing der US-amerikanischen WordPress-Hosting-Plattform Kinsta, erinnert sich, wie ihr Unternehmen hohe Kosten und Risiken in Kauf nahm, um Qualität an erste Stelle zu setzen.
Yugabyte: Karthik Ranganathan, Gründer und CTO von Yugabyte erzählt von den vielen Herausforderungen, die der Aufbau eines Unternehmens mit sich brachte, das eine vollständig verwaltete und gehostete „Database as a Service“ mit einer verteilten SQL-Datenbank bereitstellt.
Current: Trevor Marshall, CTO, erzählt vom Beginn seiner unternehmerischen Reise mit Current und davon, wie er den Erfolg mithilfe von Google Cloud sichern konnte.

Wir freuen uns darauf, Ihnen die innovativen Arbeits- und Geschäftsmodelle von Start-ups vorzustellen, die auf Google Cloud setzen.

Hier erfahren Sie mehr darüber, wie sich Start-ups die Unterstützung von Google Cloud sichern können.

Einstieg in ML: mehr als 25 Ressourcen für jede Rolle und Aufgabe

Mon, 14 Nov 2022 06:00:00 +0000

Wie gelingt der Einstieg in Vertex AI? Nachfolgend finden Sie eine Liste mit Ressourcen, mit denen Sie Ihre Kenntnisse über Data Science, Machine Learning und künstliche Intelligenz in der Google Cloud erweitern und vertiefen können.

Wir haben die Ressourcen nach den Themenbereichen Data Analysts, Data Scientists, ML Engineers oder Software Engineers gegliedert, wobei es viele Überschneidungen zwischen diesen Rollen gibt. Einige Ressourcen für Data Scientists sind also auch für ML Engineers oder Entwickler*innen nützlich.

Data Analyst

Data Analysts helfen ihren Stakeholdern, den Wert ihrer Daten zu erkennen. Sie erschließen und analysieren Daten und modellieren damit Business-Szenarien.

Datenexploration und Feature Engineering

Datenvisualisierung

[Leitfaden] Visualizing BigQuery data using Data Studio

[Blog] Go from Database to Dashboard with BigQuery and Looker

Data Scientist

Um Erkenntnisse aus Daten zu gewinnen, setzen Data Scientists Techniken wie umfassende explorative Datenanalyse, Visualisierung, Feature Engineering und Modellierung ein. Ein guter Einstieg in diese Themen sind die Best Practices für die Implementierung von maschinellem Lernen in Google Cloud.

Modell-Registry

[Video] AI/ML Notebooks how to with Apache Spark, BigQuery ML and Vertex AI Model Registry

Modell-Training

Modell-Training im großen Maßstab

Modell-Tuning

Modell-Bereitstellung

ML Engineer

Die folgenden Ressourcen richten sich an ML Engineers und setzen Schwerpunkte bei den Themen MLOps, Operationalisierung von Feature Management, Modell-Bereitstellung und Monitoring sowie CI/CD mit ML-Pipelines.

Feature Management

Modell-Monitoring

[Blog] Monitoring feature attributions: How Google saved one of the largest ML services in trouble

ML Pipelines

Machine Learning Operations

[Guide] MLOps: Continuous delivery and automation pipelines in machine learning

Software Engineer mit ML-Anwendungen

Die folgenden Ressourcen sind hilfreich für Software Engineers, die ML hauptsächlich in Anwendungen einsetzen und weniger Zeit mit Datenmanipulation, Modellerstellung oder MLOps verbringen.

Die passende Ressource nicht gefunden?

Benötigen Sie weitere Informationen, können aber das Gesuchte nicht finden? Wir helfen Ihnen gerne! Schreiben Sie uns auf LinkedIn:

Machine Learning à la Volkswagen: Entwicklung energieeffizienterer Autos in der Google Cloud

Wed, 28 Sep 2022 09:00:00 +0000

Volkswagen ist danach bestrebt, nicht nur ästhetische und leistungsstarke, sondern auch energieeffiziente Fahrzeuge zu entwickeln. Dies geschieht in einem iterativen Prozess, bei dem die Designer*innen viele Designentwürfe durchgehen, jeden einzelnen bewerten, das Feedback integrieren und verfeinern.

Der Luftwiderstandsbeiwert eines Fahrzeugs ist dabei einer der wichtigsten Faktoren für die Energieeffizienz. Schätzungen des Luftwiderstandsbeiwerts für mehrere Entwürfe helfen den Konstrukteurinnen und Konstrukteuren, sich beim Experimentieren auf energieeffizientere Lösungen zu einigen. Das Problem ist, dass die Schätzung des Luftwiderstandsbeiwerts ein teurer und zeitaufwändiger Vorgang ist, der entweder einen physischen Windkanal oder eine rechenintensive Simulation erfordert, was zu Engpässen im Feedback-Zyklus führen kann.

Volkswagen und Google Cloud haben deshalb beschlossen, in einem gemeinsamen Forschungsprojekt zu untersuchen, wie Machine Learning zu schnellen und kostengünstigen Schätzungen des Luftwiderstandsbeiwerts eingesetzt werden kann. In diesem Beitrag geht es um die Herausforderungen und Lösungsansätze bei diesem Projekt.

Als Grundvoraussetzung mussten wir zunächst einen Datensatz mit bestehenden Fahrzeugdesigns und ihren Luftwiderstandsbeiwerten sammeln. Dann mussten wir eine geeignete Darstellung der verschiedenen Autos für Machine Learning erstellen. Schließlich begannen wir damit, ein Deep-Learning-Modell darin zu trainieren, den Luftwiderstandsbeiwert vorherzusagen, und dieses Modell dann zu verwenden, um den Luftwiderstand für jedes neue Design effizient zu schätzen.

Darstellung dreidimensionaler Autodesigns

Die verwendete Konstruktionssoftware stellt Automobile als dreidimensionale Dreiecksnetze dar, die aus drei Arten von Objekten bestehen: Flächen, Kanten und Scheitelpunkte. Abbildung 1 zeigt ein solches Netz für einen Audi S6 und hebt die drei Netzkomponenten hervor. Flächen sind flache Oberflächen, wie zum Beispiel das Fenster in einer Autotür. Eine Kante ist die Stelle, an der sich zwei Flächen treffen (etwa die Seite der Tür), und ein Scheitelpunkt ist die Stelle, an der sich zwei oder mehr Kanten treffen, wie zum Beispiel die Ecke der Tür.

Abbildung 1: Netzdarstellung eines Audi S6 (aus ShapeNet) mit Hervorhebung von Scheitelpunkten, Kanten und Flächen.

Autokarosserien gibt es jedoch in allen Formen und Größen. Ein Volkswagen Golf unterscheidet sich stark von einem Tiguan SUV, und Fahrzeuge können sowohl große glatte Flächen als auch Bereiche mit vielen fein gezeichneten Merkmalen aufweisen, was zu einer Vielfalt zwischen den einzelnen Polygonnetzen führt.

Modelle für Machine Learning benötigen eine einheitliche Darstellung der Automobile, um robuste verallgemeinerte Regeln zu bilden: Bei einer zu großen Varianz zwischen den einzelnen Polygonnetzen könnten die Ergebnisse sonst eine große Fehlerspanne aufweisen.

Wir mussten einen Weg finden, um einfache, für ML-Lernmodelle geeignete Netze zu erstellen, die die Form des Autos korrekt erfassen.

Darstellung eines Autos mit digitaler Schrumpffolie

Anstatt die 3D-Netze jedes Autos von Grund auf neu zu erstellen, wendeten wir die Methode des "Shrink-Wrapping" an – ähnlich wie beim Einschweißen einer Gurke (Abbildung 2). Die Gurke wird dabei in eine Plastiktüte gesteckt, aus der dann nach und nach die Luft entzogen wird, bis die Tüte die Gurke fest umschließt und ihre Form annimmt.

In unserem Ansatz beginnen wir mit einem Grundnetz, wie die Plastiktüte in unserem Beispiel. Wir verformen es, bis es die Form des Zielnetzes – der Gurke – entspricht. Für unsere Zwecke ist das Basisnetz eine vereinfachte Darstellung eines Autos und das Zielnetz ist das spezifische Auto, das wir gerade entwerfen. Solche Meshes können mit den Tensorflow Graphics- und trimesh-Bibliotheken definiert, verwaltet und ML-Lernmodellen zum Training vorgelegt werden.

Abbildung 2: Vakuumversiegelung einer Gurke.

Unsere "Schrumpffolien"-Methode (oder auch Shrink Wrapping Algorithmus) funktioniert hauptsächlich durch die iterative Minimierung eines Abstandsmaßes (zum Beispiel Fasenabstand) zwischen den Polygonnetzen. Zusätzlich können wir unser Netz regulieren, um bestimmte Eigenschaften wie etwa die Glattheit des resultierenden Netzes zu erhalten. Diese iterative Optimierung ähnelt der Vakuumpumpe, die die Scheitelpunkte des Netzes allmählich schrumpft und es so eng wie möglich an die komplexe Form des Fahrzeugs anpasst. Durch das Schrumpfen können wir exaktere Netze erzeugen, die für unsere Schätzaufgabe besser geeignet sind. Ein Beispiel für dieses Verfahren ist in Abbildung 3 dargestellt.

Abbildung 3: Schrumpfung eines Basisnetzes auf das Zielnetz eines Audi S8.

Wie man ein Modell trainiert

Das Einschrumpfen der 3D-Automodelle war ein wichtiger erster Schritt, doch die Arbeit war noch lange nicht beendet. Unsere nächste Herausforderung bestand darin, die Algorithmen für das Machine Learning zu entwickeln und zu testen.

Wir wollten, dass unsere Algorithmen in der Lage sind, ein neues Design zu betrachten und den Luftwiderstandsbeiwert so genau und schnell wie möglich zu schätzen. Zu diesem Zweck mussten wir das ML-Lernmodell mit den uns vorliegenden Daten trainieren.

Aus öffentlich zugänglichen Datensätzen berechneten wir die Luftwiderstandsbeiwerte für 800 verschiedene Fahrzeugpolygonnetze, mit denen wir die Modelle trainierten. Dann bewerteten wir die trainierten Modelle an weiteren 100 Polygonnetze, um zu sehen, wie genau ihre Schätzungen bei neuen Daten ausfielen.

Im Laufe des Trainings haben wir unseren Ansatz verfeinert. Zunächst testeten wir Modelle auf der Grundlage von faltenden neuronalen Netzen – ähnlich wie PointNet –, die nur die Scheitelpunkte, also die festen Punkte in jedem Netz, beobachteten. Als wir jedoch Modelle mit faltenden neuronalen Netzen für Polygonnetze – ähnlich wie bei FeastNet – testeten, stellten wir fest, dass ein etwas anderer Fokus die Genauigkeit der Schätzungen verbesserte. Diese Modelle konzentrierten sich nicht nur auf die Scheitelpunkte, sondern betrachteten ein Netz von Scheitelpunkten und deren Beziehung zueinander. Diese Modelle setzten jeden Scheitelpunkt in einen umfassenderen Kontext, was zu genaueren Schätzungen führte, wenn die Luftströmung auf besonders fein detaillierte Designmerkmale traf.

Paralleles Arbeiten in großem Maßstab

Für die Zusammenarbeit über Zeitzonen und zwei Organisationen hinweg – nämlich Volkswagen und Google – nutzen wir die Google Cloud Vertex AI-Plattform.

Vertex AI Workbench dient als zentraler Knotenpunkt für die Interaktion mit anderen Diensten und der Infrastruktur auf der Vertex AI-Plattform. Sie hilft beim schnellen Experimentieren sowie bei der Vorbereitung von Programmcode für ressourcenintensive ML-Modell-Trainingsaufträge, und basiert auf einer Python-Notebook-Umgebung, die sofortige Ausführungen von Code erlaubt. Die Notebook-Umgebungen machen eine codebasierte Interaktion mit anderen Diensten auf Google Cloud und ML-Tools wie Vertex AI Training und Vertex AI Pipelines möglich.

Beim Training eines neuen Modells wird zunächst ein Datensatz vorbereitet und in Google Cloud Storage gespeichert, normalerweise mit Hilfe von Tensorflow Datasets. Dann verpacken und speichern wir für jedes ML-Lernmodell, das wir testen wollen, den Trainingscode als Container-Image mit Google Cloud Build und Container Registry. Dadurch wird sichergestellt, dass jeder Auftrag vollständig dokumentiert ist, einschließlich der bereitgestellten Parameter, des Trainingscode-Pakets, der Protokolle der Trainingsaufgabe, und der resultierenden Artefakte wie Metriken und Modelldateien.

Von dort aus übermitteln wir das Modell an den Vertex AI Training Service, der einen einfachen Zugang zu großer Infrastruktur und Hardware-Beschleunigern wie GPUs und TPUs bietet, indem wir einfach den Ressourcenbedarf bei der Übermittlung eines Auftrags definieren. Mit Hilfe der Hyperparameter-Tuning-Funktion von Vertex AI Training können wir Experimente parallel mit mehreren neuronalen Netzen vornehmen, um das richtige für unsere Zwecke zu finden.

Mit Vertex AI Tensorboard können wir Metriken erfassen und die Ergebnisse unserer Experimente visualisieren. Diese sind für jedes Teammitglied, egal wo auf der Welt, für eine breitere Diskussion leicht zugänglich.

Der erste Meilenstein

Die gemeinsame Forschungsarbeit von Volkswagen und Google hat mit Hilfe der KI-Plattform Vertex vielversprechende Ergebnisse hervorgebracht. Mit unserem ersten Meilenstein ist es dem Team gelungen, die jüngsten KI-Forschungsergebnisse einen Schritt näher an die praktische Anwendung für das Autodesign heranzuführen. Die erste Iteration des Algorithmus kann nun innerhalb einer Sekunde eine Schätzung des Luftwiderstandsbeiwerts mit einem durchschnittlichen Fehler von nur 4 Prozent erstellen.

Eine Varianz von 4 Prozent ist zwar nicht ganz so genau wie ein physikalischer Windkanaltest, aber gut genug, um eine große Auswahl an Designkandidaten auf eine kleine Shortlist einzugrenzen. Und wenn man bedenkt, wie schnell die Schätzungen erscheinen, haben wir eine wesentliche Verbesserung gegenüber den bisherigen Methoden erzielt, die Tage oder Wochen benötigen. Mit dem von uns entwickelten Algorithmus können Designer mehr Effizienzprüfungen durchführen, mehr Kandidaten einreichen und in einem Bruchteil der Zeit, die sie früher benötigten, zu detailreicheren und effektiveren Designs übergehen.

Schnellere und genauere Schätzungen könnten in Zukunft sogar eine automatisierte Suche nach effizienten Entwürfen bereitstellen, was sowohl den Ingenieur*innen als auch den Designer*innen helfen würde, sich auf die Bereiche der Fahrzeugkarosserie zu konzentrieren, in denen sie die größten Verbesserungen erzielen können. Ein wichtiger nächster Schritt wird die Integration der Ergebnisse in 3D-Konstruktionssoftware sein, damit die Konstrukteur*innen von ihnen profitieren und Feedback geben können.

Im weiteren Verlauf konzentrieren wir uns auf die Verbesserung der Genauigkeit der Modelle. Dazu werden wir einen größeren Datensatz mit besserer Qualität erstellen und damit unseren Shrink Wrapping Algorithmus optimieren, um mehr Details zu erfassen. Schließlich werden wir unsere bestehenden Modelle verbessern, indem wir mit Vertex AI Neural Architecture Search experimentieren, um verschiedene Optionen für die neuronale Architektur zu erforschen und zu testen.

Unsere Ergebnisse für die Schätzung des Luftwiderstandsbeiwerts sind lediglich ein Ausgangspunkt für weitere Untersuchungen. Es könnte zahlreiche Anwendungsfälle im Bereich der physikalischen Simulationen und Betrachtungen geben, bei denen Kosten- und Zeiteinsparungen durch ML-basierte Schätzungen erzielt werden könnten.

Tipps zum Umgang mit Daten für junge Start-ups

Mon, 05 Sep 2022 02:00:00 +0000

Mein Team für Analytics- und KI-Lösungen bei Google Cloud betreut Start-ups, die auf Google Cloud aufbauen. In unserer Arbeit erfahren wir von Gründer*innen und Entwickler*innen, wie schon die ersten Investitionen in der Seed-Phase junge Start-ups entweder einschränken oder auf Erfolgskurs bringen. In diesem Beitrag möchte ich eine Auswahl von Best Practices vorstellen, die Sie beim Aufbau Ihres Unternehmens in Betracht ziehen sollten.

Klären Sie Ihr Wertversprechen, bevor Sie sich für eine Technologielösung entscheiden

Viele, die ein Start-up in der Cloud gründen wollen, überlegen als erstes, welche Technologielösung sie einsetzen werden. Besser ist, sich zuvor Gedanken über das Wertversprechen des Start-ups zu machen und die Technologie dann dazu passend auszuwählen.

Ist Ihr System zum Beispiel auf Echtzeitverarbeitung angewiesen, oder würden Batch-Verfahren ausreichen? Genügen Ihnen tagesaktuelle Daten, oder müssen Sie sofort reagieren können?

Überlegen Sie auch, wie Latenzzeiten sich für Ihre Kund*innen auswirken, denn davon kann abhängen, ob Sie Ihr Wertversprechen einlösen können oder nicht. Die Gründer von Google haben früh erkannt, dass niemand länger als ein paar hundert Millisekunden auf die Ergebnisse einer Suchanfrage warten will. Die Technologie-Entscheidungen, die wir aufgrund dieser Erkenntnis getroffen haben, stellten die Weichen für Googles Aufstieg von einer Garagenfirma zu einem globalen Top-Unternehmen. Genauso konkret sollten auch Sie das Wertangebot Ihres eigenen Start-ups definieren, bevor Sie sich daran machen, eine Technologielösung aufzubauen, die Ihren Anforderungen entspricht.

Konzentrieren Sie sich auf Interaktionen mit Kund*innen

Es gibt Unternehmen, die sich durch IT-getriebene Veränderungen komplett neu erfunden haben. Netflix zum Beispiel hat sich von einem DVD-Postversand in einen erfolgreichen Streaming-Dienst und bedeutenden Produzenten von Inhalten verwandelt. Für dieses völlig neue Nutzungserlebnis war eine grundlegende Umgestaltung der Technologie nötig, während das grundsätzliche Wertversprechen, Inhalte für Kundinnen und Kunden bereitzustellen, unverändert geblieben ist. Doch das ist ein extremes Beispiel – wenn Sie über Änderungen dieser Größenordnung nachdenken, statt sich darauf zu konzentrieren, Ihr Wertversprechen gegenüber den Nutzer*innen einzulösen, sollten Sie vielleicht besser das Wertversprechen als solches überdenken.

Vor allem aber müssen Sie eine klare Vorstellung davon haben, wie die Kundinnen und Kunden mit Ihrem Unternehmen in Kontakt treten und interagieren. In der Regel geschieht dies über eine Website oder mobile App – aber es kommt auf die Kleinigkeiten an.

Übermitteln Ihre Kund*innen Dokumente? Wenn ja, in welchem Format? Müssen sie die Tastatur benutzen, oder sind auch handschriftliche Eingaben möglich? Können sie Bilder einreichen, die mittels optischer Zeichenerkennung ausgewertet werden? Werden hauptsächlich Formulare verwendet? Sind die eingegebenen Daten strukturiert oder unstrukturiert? Falls Sie jetzt noch nicht wissen, wie oder warum Sie diese Fragen beantworten sollen, lesen Sie erstmal weiter. In den folgenden Absätzen werden Sie klarer sehen, worauf wir hinaus wollen.

Wenn sich zum Beispiel die meisten Ihrer Kund*innen telefonisch an Ihr Unternehmen wenden werden, sollten Sie einen Schwerpunkt auf Konversations-Workflows legen. Doch das ist erst der Anfang. Selbst wenn Sie sich an dieser Stelle für Dialog Flow – eine Google Cloud-Plattform für KI-gestützte Konversationen mit virtuellen Agenten – entscheiden, ist damit Ihr Wertversprechen noch lange nicht vollständig geklärt. Wie soll die typische Kundeninteraktion von der Kontaktaufnahme bis zur Auflösung genau funktionieren? Wie viele Interaktionen werden über Verbindungen mit geringer Bandbreite stattfinden? Machen Sie sich ein genaues Bild von allen Benutzerinteraktionen eines typischen End-to-End-Anwendungsfalls.

Noch ein Beispiel: Bei einem Anwendungsfall für Ihre geplante Einzelhandels-Website kommt die Frage auf, ob ein bestimmtes Produkt in einer bestimmten Menge – seien es zehn oder ein paar hundert Stück – auf Lager ist. Falls nicht, wäre es vielleicht eine gute Idee, wenn Ihre App ähnliche vorrätige Artikel vorschlagen würde. Wird Ihre Technologielösung diesen End-to-End-Anwendungsfall unterstützen?

Diese Überlegungen sollen nicht zu einer verfrühten Optimierung verleiten. Es ist durchaus sinnvoll, zunächst eine Minimallösung bereitzustellen und dann schnell zu iterieren. Trotzdem sollte Ihnen klar sein, dass Sie in der Anfangsphase viele Grundsatzentscheidungen treffen – und diese großen Einfluss darauf haben, wie viel Geld und Arbeit Sie im weiteren Verlauf noch investieren müssen. Sie brauchen also nicht nur eine Geschäftsidee, sondern auch fundierte Anwendungsfälle, bevor Sie Entscheidungen über Ihre Technologie treffen.

Am besten, Sie bereiten Sie gedanklich vor, indem Sie drei Anwendungsfälle auswählen – zwei alltägliche Standardfälle und einen, der mehr technologischen Aufwand erfordert. Klären Sie, ob Ihr prospektives Technologielösung alle drei Fälle auch von Anfang bis Ende unterstützt.

Halten Sie sich an höhere Abstraktionsebenen

Vor dem Hintergrund dieser Überlegungen, können wir nun konkreter über das Technologielösung nachdenken.

Als Start-up müssen Sie Ressourcen sparen und sollten deshalb auf der höchstmöglichen Abstraktionsebene planen. Ihr Team sollte sich deshalb nicht als erstes mit dem Aufbau von Server-Clustern beschäftigen. Es sollte auch nichts selbst konfigurieren, sondern wo möglich vollständig verwaltete Dienste nutzen. Sie sollten sich ganz auf den Bau ihres Prototypen konzentrieren, nicht auf die Verwaltung der Infrastruktur.

Fester Daten-Stack in Google Cloud

Dieser Fokus prägt auch die Entwicklung unserer Google Cloud-Produkte. Unser fester Daten-Stack – Pub/Sub, Dataflow, BigQuery und Vertex AI – besteht deshalb ganz aus automatisch skalierenden und serverlosen Produkten.

Doch nicht nur bei der Verwaltung der Infrastruktur gilt das Motto ‚Weniger ist mehr‘. Auch bei der Architektur ist No-Code besser als Low-Code und Low-Code besser als selbst geschriebener Code. Statt ETL-Pipelines zu schreiben, um die benötigten Daten für BigQuery zu transformieren, könnten Sie beispielsweise vorkonfigurierte Konnektoren verwenden, um die Daten in BigQuery zu laden. Das ist No-Code. Dann wandeln Sie die Daten mit SQL-Ansichten direkt im Data Warehouse in die benötigte Form um. Das nennt sich ELT und ist Low-Code. Wenn Sie sich für einen ELT-Ansatz entscheiden, sind Sie deutlich agiler.

Ähnliches gilt für die Auswahl Ihres ML-Modellierungs-Frameworks. Fangen Sie nicht mit benutzerdefinierten TensorFlow-Modellen an. Beginnen Sie mit AutoML. Das ist No-Code. Sie können AutoML direkt von BigQuery aus aufrufen und so auf die Entwicklung komplexer Daten- und ML-Pipelines verzichten. Falls nötig, weichen Sie auf vorkonfigurierte Modelle von TensorFlow Hub oder HuggingFace aus. Das ist Low-Code. Erstellen Sie eigene benutzerdefinierte ML-Modelle nur, wenn es gar nicht anders geht.

Code/Low-Code Daten-Stack in Google Cloud

Lassen Sie sich nicht von technologischen Möglichkeiten sondern von Ihrer Vision leiten

Ihr Ziel ist es, das richtige Technologielösung auszuwählen, mit dem Sie Ihre Vision verwirklichen, die Bedürfnisse Ihrer Kund*innen befriedigen, Ressourcen sparen und wie nötig expandieren können. In der Anfangsphase sollten Sie sich bei Ihren IT-Investitionen auf Flexibilität konzentrieren, also verwaltete Dienste auf der Basis von Standard-Protokollen oder offenen APIs einsetzen. Dabei kommt es nicht auf die Verwendung der neuesten Technologien an. Es muss zum Beispiel nicht immer gleich ML sein. Vielleicht könnten Sie zunächst mit Heuristiken beginnen und später auf ML umsteigen, wenn Sie genügend Daten gesammelt haben. Auf jeden Fall sollten Sie sich für eine genügend abstrakte Herangehensweise an Ihre Datenanalysen entscheiden, die sich für den Anfang mit einfachen Regeln ausstatten und später einmal durch ein robusteres System ersetzen lässt.

Schnell starten und iterieren

Denken Sie immer daran, dass Ihre teuerste Ressource die Beschäftigten sind. Sie sollten sich deshalb vor allem auf den Aufbau Ihres Prototyps, Ihrer Minimallösung oder Ihrer Produktions-App konzentrieren können. Schnell starten und schnell iterieren ist die Devise. Das funktioniert nur, indem Sie sich ganz auf die Dinge konzentrieren, die Sie von Ihrem Wettbewerb unterscheiden.

Ganz gleich, welche Technologien Sie nutzen: Lassen Sie sich von diesen vier Prinzipien leiten.

Überlegen Sie, was der Kern Ihres Wertversprechens ist, und stimmen Sie Ihr Technologielösung darauf ab.
Planen Sie die Benutzerinteraktionen besonders sorgfältig. Das Nutzungserlebnis ist enorm wichtig. Sorgen Sie unbedingt dafür, dass Sie den Erwartungen Ihrer Kund*innen gerecht werden.
Planen Sie immer auf der höchstmöglichen Abstraktionsebene. Wählen Sie möglichst vollständig verwaltete Tools und No-Code/Low-Code-Frameworks, wenn diese die notwendigen Funktionen bereitstellen.
Entscheiden Sie sich nicht immer für die neuesten oder angesagtesten Technologien. Überlegen Sie, ob Sie rasch eine Minimallösung aufbauen können, die gut genug ist und sich zu einem späteren Zeitpunkt umrüsten lässt.

Mehr darüber, warum sich Start-ups für Google Cloud entscheiden, finden Sie hier.

Sieben Cloud Spanner-Mythen

Mon, 22 Aug 2022 04:00:00 +0000

Einführung in Cloud Spanner

Cloud Spanner ist eine unternehmenstaugliche, global verteilte und extern konsistente Datenbank mit unbegrenzter Skalierung und 99,999 % Verfügbarkeit. Sie erfordert keine Wartungsfenster, bietet eine vertraute PostgreSQL-Schnittstelle und verbindet die Vorteile relationaler Datenbanken mit der unübertroffenen Skalierbarkeit und Verfügbarkeit nicht-relationaler Datenbanken.

Spanner bietet Unternehmen, die ihre Software-Ausstattung modernisieren und vereinfachen möchten, neue Möglichkeiten, um ihre Vorstellung und Nutzung von Datenbanken für die Entwicklung neuer Anwendungen und Kundenerlebnisse zu transformieren.

Es ist nicht einfach, die richtige Datenbank für Ihre Workloads auszuwählen. Der Markt bietet unzählige Optionen, die sich in Sachen Onboarding und Betrieb teilweise deutlich unterscheiden. Das Google Cloud-Team möchte Ihnen gerne dabei helfen, sich in diesem großen Angebot zurechtzufinden: In diesem Blogbeitrag möchten wir sieben Missverständnisse aufklären, die im Zusammenhang mit Spanner besonders oft aufkommen, damit Sie eine faktenbasierte Entscheidung treffen können.

Mythos Nr. 1: Der Einsatz von Spanner ist nur bei massiven Workloads sinnvoll

Es ist in der Tat so, dass Spanner für die weltweit verfügbaren Google-Produkte wie YouTube, Drive und Gmail eingesetzt wird und viele groß angelegte Transformationen – unter anderem bei Uber, Niantic und Sharechat – möglich gemacht hat. Richtig ist auch, dass Spanner zu Spitzenzeiten mehr als eine Milliarde Abfragen pro Sekunde verarbeitet.

Dennoch schätzen auch viele Kunden mit kleineren Workloads – also weniger Transaktionen und geringerer Speichergröße – die Verfügbarkeit und Skalierbarkeit von Spanner. So laufen beispielsweise auch die kleineren Workloads von Google Password Manager auf Spanner. Kunden wie diese entscheiden sich für Spanner, weil sie sich keine Ausfallzeiten leisten können, beim Betrieb ihrer Anwendungen auf Hochverfügbarkeit angewiesen sind und verlässliche Skalierbarkeit für ihr künftiges Wachstum benötigen.

Unbegrenzte Skalierbarkeit mit höchster Verfügbarkeit ist in vielen Branchen, wie der Gaming Industrie und dem Einzelhandel, entscheidend – wenn etwa ein Spiel nach der Veröffentlichung über Nacht zum Verkaufsschlager wird oder ein Einzelhändler am Black Friday oder Cyber Monday plötzlich einen besonders hohen Ansturm bewältigen muss.

Ganz gleich, wie groß die Workloads sind: Jedes Unternehmen, das auf dem Weg in die Cloud ist, legt Wert auf Skalierbarkeit und Verfügbarkeit und möchte den Arbeits- und Kostenaufwand für Patches, Upgrades und andere Wartungsarbeiten verringern.

Mythos Nr. 2: Spanner ist zu teuer

Anstatt bei der Beurteilung einer Datenbank nur auf den Listenpreis zu schauen, sollten Sie die Gesamtbetriebskosten und den Gebrauchswert, den sie bietet, mit in Betracht ziehen. Spanner bietet einen erheblichen Mehrwert in entscheidenden Punkten wie Verfügbarkeit, Preis-Leistungs-Verhältnis und verringerte Betriebskosten.

Verfügbarkeit: Spanner überzeugt mit hoher Verfügbarkeit und Zuverlässigkeit durch synchrone Replikation von Daten. Was die Notfallwiederherstellung betrifft, bietet Spanner 0-RPO und 0-RTO für zonale Ausfälle regionaler Instanzen und regionale Ausfälle überregionaler Instanzen. Das bedeutet weniger Ausfallzeiten und mehr Umsatz.

Preis-Leistungsverhältnis: Mit Blick auf das Preis-Leistungs-Verhältnis ist Spanner die ideale Lösung für anspruchsvolle und leistungskritische Anwendungen, denn großartige Kundenerlebnisse erfordern konsistent optimale Latenzzeiten.

Verringerte Betriebskosten: Bei Spanner profitieren Kunden von Upgrades und Schemaänderungen ohne Ausfallzeiten und ohne Wartungsfenster. Dank automatischer Fragmentierung ist, anders als bei herkömmlichen Datenbanken, keine aufwändige Skalierung nötig. Das bedeutet weniger Verwaltungsaufwand und damit mehr Zeit für Innovationen.

Sicherheit & Compliance: Spanner verschlüsselt Daten bereits standardmäßig bei der Übertragung über seine Client-Bibliotheken und bei der Speicherung mit von Google verwalteten Schlüsseln. CMEK-Unterstützung für Spanner sorgt dafür, dass Sie jetzt die volle Kontrolle über die Schlüssel haben. Zudem bietet Spanner Unterstützung für VPC Service Controls und kann dank Compliance-Zertifizierungen und der nötigen Genehmigungen für Workloads verwendet werden, die ISO 27001, 27017, 27018, PCI DSS, SOC1|2|3, HIPAA und FedRAMP erfordern.

Bei Spanner haben Sie die Gewissheit, dass die Sicherheit, Verfügbarkeit und Zuverlässigkeit Ihrer Daten nicht beeinträchtigt werden.

Profi-Tipp: Nutzen Sie den Auto-Scaler, um Ihre Spanner-Instanzen richtig zu dimensionieren, und TTL, um die Speicherdatenmenge zu reduzieren.

Mythos Nr. 3: Sie müssen Skalierung, Konsistenz und Latenzzeit gegeneinander abwägen

Tatsächlich lässt sich Spanner je nach Anwendungsfall und Konfiguration der Instanz so nutzen, dass Sie keine Kompromisse bezüglich Konsistenz, Latenz und Skalierung schließen müssen.

Um Datenkonsistenz zu gewährleisten, verwendet Spanner ein synchrones, Paxos-basiertes Replikationsschema, bei dem die Replikate jede Schreibanforderung bestätigen. Ein Schreibvorgang wird nur dann ausgeführt, wenn die Mehrzahl der Replikate (z. B. 2 von 3) als sogenanntes Quorum zustimmen. Bei regionalen Instanzen befinden sich die Replikate in der Region. Deshalb sind die Schreibvorgänge schneller als bei überregionalen Instanzen, deren Replikate auf mehrere Regionen verteilt sind. Im letzteren Fall kann die mehrheitliche Genehmigung von Schreibvorgängen mehr Zeit in Anspruch nehmen und die Latenz geringfügig erhöhen. Dennoch werden auch Spanner-Multiregionen geografisch sorgfältig konfiguriert, so dass die Replikate stets schnell genug kommunizieren können und die Schreiblatenzen annehmbar bleiben.

Lesevorgänge werden als Strong Read (standardmäßig) oder als Stale Read ausgeführt. Ein Strong Read ist ein Lesevorgang, bei dem garantiert alle bis zum aktuellen Zeitpunkt übertragenen Daten erfasst werden. Ein Stale Read hingegen erfasst den Datenstand eines länger zurückliegenden Zeitpunkts. Bei einem Strong Read garantiert das Replikat, das die Daten bereitstellt, dass alle bis zum Beginn des Lesevorgangs übertragenen Daten angezeigt werden. Hierfür muss sich dieses Replikat unter Umständen beim Leader-Replikat rückversichern, dass es über die neuesten Daten verfügt. Im Falle einer überregionalen Instanz, bei der die Daten nicht von einem Leader-Replikat bereitgestellt werden, kann die Leselatenz deshalb etwas höher ausfallen als bei der Bereitstellung aus einer Leader-Region. Ein Stale Read liefert Daten, die zu einem Zeitpunkt in der Vergangenheit übertragen wurden, und kann daher mit sehr geringer Latenz vom nächstgelegenen Replikat bereitgestellt werden, das über den Datenbestand zum angeforderten Zeitpunkt verfügt. Für latenzkritische Anwendungen können Stale Reads mit einem empfohlenen Stale-Read-Wert von 15 Sekunden sinnvoll sein.

Mythos Nr. 4: Spanner spricht kein PostgreSQL

Tatsächlich ist Spanner sehr flexibel und kann nicht nur in einem SQL-Dialekt, der auf dem ANSI 2011-Standard basiert, sondern auch über eine für Leistung und Komfort optimierte REST oder gRPC API-Schnittstelle mit der Datenbank kommunizieren. Darüber hinaus haben wir kürzlich eine PostgreSQL-Schnittstelle für Entwicklungsteams eingeführt, die lieber auf der ihnen vertrauten Oberfläche der weit verbreiteten Umgebung arbeiten. Die PostgreSQL-Schnittstelle stellt ein umfangreiches Subset des PostgreSQL Open Source SQL-Dialekts mit der gängigen Abfragesyntax sowie wichtigen Funktionen und Operatoren bereit. Sie unterstützt alle grundlegenden Open Source PostgreSQL-Datentypen, DDL-Syntax und Informationsschema-Ansichten. So können Sie die mächtige relationale Semantik von Spanner auch in Ihrer vertrauten PostgreSQL-Umgebung nutzen.

Weitere Informationen zu unserer PostgreSQL-Schnittstelle finden Sie hier.

Mythos Nr. 5: Beobachtbarkeitsdaten können nur in der Spanner Console abgerufen werden

Die Client-Bibliotheken von Spanner unterstützen OpenCensus Tracing und Metriken, die Einblick in die Client-Interna bieten und die Fehlersuche in der Produktion erleichtern. Client-seitige Traces und Metriken enthalten sitzungs- und transaktionsbezogene Informationen.

Außerdem unterstützt Spanner den OpenTelemetery-Empfänger, sodass Sie Metriken aus Cloud Spanner-Systemtabellen mühelos verarbeiten, visualisieren und in das Application Monitoring (APM)-Tool exportieren können. Das kann entweder eine Open-Source-Kombination aus einer Zeitreihen-Datenbank und einem Grafana-Dashboard oder aber ein kommerzielles Angebot wie Splunk, Datadog, Dynatrace, NewRelic oder AppDynamics sein. Zudem haben wir Grafana-Referenzdashboards veröffentlicht, sodass Sie die häufigsten Anfragen von Nutzerinnen und Nutzern wie „Warum ist meine Tail-Latenz so hoch?“ oder „Warum sehe ich trotz unveränderter Workload eine CPU-Spitze?“ sofort bearbeiten können. Dieser Docker-Dienst ist ein Beispiel dafür, wie der Cloud Spanner-Empfänger mit dem Prometheus-Exporter und Grafana-Dashboards zusammenarbeiten kann.

Wir setzen auch weiterhin auf offene Standards und die Integration mit unserem Partnernetzwerk. Außerdem entwickeln wir die von Google Console bereitgestellte Beobachtbarkeit weiter, um Kunden unabhängig von ihrem Standort das bestmögliche Erlebnis zu bieten.

Mythos Nr. 6: Spanner eignet sich nur für globale Workloads, die Kopien in mehreren Regionen voraussetzen

Tatsächlich bietet Spanner neben einer Reihe von überregionalen Instanzkonfigurationen in jeder GCP-Region auch eine regionale Konfiguration. Jeder regionale Knoten wird in drei Zonen innerhalb der Region repliziert, ein überregionaler Knoten mindestens fünfmal in verschiedenen Regionen. Eine regionale Konfiguration bietet eine Four-Nines-Verfügbarkeit und Schutz vor zonalen Ausfällen.

Eine überregionale Instanzkonfiguration ist in der Regel angezeigt, wenn Ihre Anwendung Workloads an mehreren geografischen Standorten umfasst oder Ihr Unternehmen eine Verfügbarkeit von 99,999 % und Schutz vor regionalen Ausfällen benötigt. Mehr dazu erfahren Sie hier.

Mythos Nr. 7: Spanner-Schemaänderungen erfordern teure Sperren

Die Wahrheit ist, dass Spanner auf Tabellenebene überhaupt keine Sperren hat. Seine Architektur ermöglicht Spanner, mehrere gleichzeitige Schema- und Datenversionen zu erkennen und zu verwalten. Das erlaubt qualifizierte Ad-hoc- und Online-Schemaänderungen ganz ohne Ausfallzeiten, zusätzliche Tools, Migrationspipelines oder komplexe Rollback-/Backup-Pläne. Nach dem Start einer Schemaaktualisierung können Sie ohne Unterbrechung weiter in der Datenbank schreiben und lesen, während Spanner das Update-Backfill verarbeitet – ganz gleich, ob Ihre Tabelle zehn Zeilen oder zehn Milliarden Datensätze umfasst.

Dieser Mechanismus kann auch für die Wiederherstellung zu einem bestimmten Zeitpunkt und für Snapshot-Abfragen verwendet werden, um sowohl das Schema als auch den Zustand der Daten mit einer bestimmten Abfragebedingung und einem bis zu sieben Tage zurückliegenden Zeitstempel zu regenerieren.

Nun kennen Sie die Wahrheit über Cloud Spanner und können direkt einsteigen – besuchen Sie unsere Website.

So erschließen Sie Ihre Mainframe-Daten mit Data-First-Digitalisierung

Thu, 04 Aug 2022 04:00:00 +0000

Für viele Unternehmen ist der Mainframe immer noch das Rückgrat der IT. Das bedeutet auch, dass Kunden-, Prozess- und Betriebsdaten vom Mainframe verwaltet werden. Gerne würden sie einen Weg finden, um auf diese Daten zugreifen zu können und sie für Berichte, Big-Data-Analysen oder neue Machine Learning- und KI-Projekte zu nutzen.

Google Cloud unterstützt diese Organisationen dabei, ihre Mainframe-Ressourcen für das Cloud-Zeitalter verfügbar zu machen. Eine Möglichkeit dazu ist, die Mainframe-Anwendungen in die Cloud zu verlegen und so zu modernisieren. In Zusammenarbeit mit Partnern und Kunden haben wir aber einen neuen, agileren Ansatz entwickelt, mit dem sich die Cloud deutlich schneller als bei einer vollständigen Migration für Mainframe-Ressourcen nutzen lässt: Die Data-First-Digitalisierung.

Für ein besseres Verständnis der beiden Ansätze müssen wir zunächst auf den Unterschied zwischen Modernisierung und Digitalisierung eingehen. Bei der Modernisierung wird vom gegenwärtigen Zustand aus in die Zukunft geblickt und dabei Schritte erwogen wie die Migration der Mainframe-Anwendungen durch Rehosting (Emulation), Refaktorierung (automatische Code-Umwandlung), Reengineering – oder gar durch das komplette Ersetzen einer proprietären Anwendung mit einer Standardlösung. Bei der Digitalisierung wird vom angestrebten zukünftigen Zustand ausgegangen und überlegt, welche Schritte nötig sind, um dieses Ziel zu erreichen.

Zum Vergrößern hier klicken

Unser Data-First-Ansatz nutzt ein Mainframe-Digitalisierungs-Framework, bei dem sowohl interne als auch von Partnern bereitgestellte Produkte und Tools zum Einsatz kommen, um die Migration heterogener Datenquellen vom Mainframe in Google Cloud Storage zu ermöglichen. Diese in den Cloud-Speicher bereitgestellten Mainframe-Daten können dann mit Google Cloud-Tools wie BigQuery, KI- und Machine-Learning-Produkten sowie Smart- und Stream-Analyseplattformen integriert und genutzt werden. Das Integrations-Framework deckt sowohl Bulk-Batch-Datenübertragungen als auch die Echtzeit-Datenreplikation (Erfassung von Datenänderungen) ab.

Zum Vergrößern hier klicken

Die Data-First-Digitalisierung basiert auf dem Grundsatz, dass Anwendungen vergänglich, Daten hingegen beständig sind. Anstatt also die Anwendungen selbst zu modernisieren (z. B. mit Ansätzen zur Modernisierung von Legacy-Systemen von Gartner) werden deshalb nur die Daten in die Google Cloud übertragen, sodass Unternehmen direkt neue Geschäftsmodelle, Anwendungsfälle und innovative Möglichkeiten zur Bedienung von Kundinnen und Kunden entwickeln können. Zwei Beispiele dazu:

Smart- und Stream-Analyseplattformen sowie KI-/ML-Engines: Google ist ein Pionier auf dem Gebiet der Extraktion der von diesen Tools benötigten strukturierten und unstrukturierten Rohdaten und ermöglicht es Ihnen, Mainframe-Daten in BigQuery- und KI-/ML-Modellen zu nutzen.

Neue Reporting-Anwendungen: Mit dem Zugriff auf Mainframe-Daten können Sie Google Cloud-Produkte wie Looker und Appsheet verwenden, um umfassendere Reporting-Anwendungen zu entwickeln, die Ihre Mainframe-Reporting-Anwendungen ersetzen und Ihre Transformation insgesamt beschleunigen.

Unserer Erfahrung nach bietet ein Data-First-Digitalisierungsansatz für Ihren Mainframe eine Reihe von Vorteilen:

Schnellere Umsetzung: Da die Data-First-Modernisierung auf vorhandenen Produkten aufbaut, ist der Implementierungs Zyklus deutlich kürzer.
Geringerer Kapitalaufwand: Sie investieren Ihre Zeit in die Integration von Produkten, nicht in die Entwicklung von Anwendungen.
Risiko-Minimierung: Data-First baut auf vorhandenen, bewährten und zuverlässigen Google Cloud-Produkten auf.
Insgesamt schnellere Mainframe-Transformation: Wenn Sie sich bei der Modernisierung statt auf die Anwendung auf die Daten selbst konzentrieren, betrachten Sie Mainframe-Anwendungen als geschäftliche Ressourcen und nicht mehr als Bestand, den es zu wahren gilt. Sie modernisieren also nur die wirklich geschäftskritischen Anwendungen und können viele nicht kritische Anwendungen außer Betrieb nehmen. Das beschleunigt Ihre Transformation.

Data-First-Digitalisierung ist ein neuer Ansatz; die ersten Erfolge unserer Kunden sind vielversprechend. Wir werden an dieser Stelle auch weiter neue Einblicke, Referenzarchitekturen und technische Whitepaper zum Thema Data-First veröffentlichen. Wenn dieser Ansatz für Sie von Interesse ist, wenden Sie sich an mainframe@google.com.

Google-Experten verraten, welche Kompetenzen Datenfachkräfte 2022 entwickeln sollten

Thu, 07 Jul 2022 04:00:00 +0000

Im Zeitalter von Nanosatelliten, NFTs und Pizzalieferungen durch autonome Fahrzeuge müssen es Unternehmen ihren Kund*innen leicht machen, mit einfachen Technologien komplexe Probleme zu lösen. Für Cloud-Anbieter bedeutet dies, dass sich alles darum dreht, die Bereitstellung von Daten für in hohem Maße integrierte Datenangebote zu vereinfachen und Unternehmen zu helfen, auf der Grundlage ihrer Daten einfacher und schneller fundierte Entscheidungen zu treffen.

Doch was ist mit den Datenfachkräften in der Analyse, der Entwicklung oder Administration, die täglich mit diesen Cloud-gestützten Daten-Tools und -technologien arbeiten und die Trends des Data-Cloud-Markts im Jahr 2022 nutzen möchten? Sollten sie sich auf ein bestimmtes Gebiet wie zum Beispiel Data-Pipelining spezialisieren oder sich als Generalist*innen in verschiedenen Bereichen wie Datenanalyse, Datenbanken und KI/ML fortbilden?

Datenkompetenz vertiefen oder verbreitern – das ist die Frage

Abdul Razack, VP Solutions Engineering, Technology Solutions and Strategy bei Google Cloud, rät zu beidem:

„Datenfachkräfte sollten über ein breites Spektrum technologischer Kompetenzen verfügen, zugleich aber zu hochqualifizierten Spezialisten in ihren Anwendungsbereichen werden. Viele bislang getrennte Felder wie Geschäftsanalytik, Streaming, Machine Learning, Daten-Pipelines und Data Warehousing wachsen heute mehr und mehr zusammen. Datenfachkräfte sollten sich in allen diesen Bereichen auskennen, damit sie End-to-End-Workflows für konkrete Geschäftsprobleme implementieren können.“

Tausende von Kunden entscheiden sich nicht zuletzt deshalb für unsere Daten-Cloud, da der einheitliche und offene Cloud-Ansatz es ihren Fachkräften erlaubt, isolierte Daten zusammenzuführen, Projekte direkt von der Datenplattform aus zu beginnen und zu beenden sowie Innovationen schneller im gesamten Unternehmen einzuführen.

Intelligent und agil zu sein ist die Maxime unserer Daten-Cloud. Dementsprechend empfehlen wir auch Datenfachkräften, sich in verschiedenen Datenbereichen fortzubilden. So können sie differenziertere Probleme in größerem Umfang lösen, als wenn sie sich nur auf ein oder zwei Bereiche spezialisiert hätten. Sie können beispielsweise skalierfähige Internet-taugliche Anwendungen erstellen, intelligente Prozesse mithilfe von Analysen und KI optimieren, oder Datennetze für die Produktentwicklung einrichten.

Letzten Endes hängt alles davon ab, welche Tools die Datenfachkräfte für ihre Workflows verwenden. Eingeschränkte Tools schränken auch Ihre Lernmöglichkeiten ein.

„Letzten Endes hängt alles davon ab, welche Tools die Datenfachkräfte für ihre Workflows verwenden. Eingeschränkte Tools schränken auch Ihre Lernmöglichkeiten ein. Eine Datenplattform wie BigQuery, die alle möglichen Ansprüche erfüllt, macht es Ihnen wesentlich leichter, Ihre Kompetenzen in verschiedenen Bereichen zu erweitern. BigQuery unterstützt Streaming Data und Data at Rest, Batch und Realtime, Business Intelligence und Data Science – ein enormer Vorteil für Datenfachkräfte, die ihre Kompetenzen ausbauen und komplexere Projekte übernehmen möchten.“ – Abdul Razack, VP Solutions Engineering, Technology Solutions and Strategy bei Google Cloud

Den eigenen Wert zu kennen, ist bei der Fortbildung schon die halbe Miete

Doch die Technologie ist nicht der einzige Faktor, der darüber entscheidet, ob eine Spezialisierung oder Generalisierung überhaupt möglich ist. Für Bruno Aziza, Head of Data and Analytics bei Google Cloud, kommt es auch darauf an, wer Sie sind, wer Sie sein möchten und in welchem Umfang Ihr Unternehmen bereit ist, in Sie zu investieren.

„Wenn Sie Chief Data Officer werden möchten, sollten Sie zunächst einmal untersuchen, wie die Technologien in Ihrem Zuständigkeitsbereich zusammenpassen“, so Aziza. „Erst wenn Sie das Gefühl haben, den Überblick über den Datenbestand Ihres Unternehmens zu haben, können Sie entscheiden, auf welchen Teil der eingesetzten Software Sie sich konzentrieren möchten.“

Erst wenn Sie das Gefühl haben, den Überblick über den Datenbestand Ihres Unternehmens zu haben, können Sie entscheiden, auf welchen Teil der eingesetzten Software Sie sich konzentrieren möchten.

„Auch die geschäftlichen Aspekte Ihrer Datenarbeit sollten Sie interessieren“, empfiehlt Aziza. „Verbringen Sie möglichst viel Zeit mit Kolleginnen und Kollegen und lernen Sie deren geschäftliche Ziele und Herausforderungen kennen. Harvard Business Review bietet eine hervorragende Anleitung für erfolgreiche Chief Data Officer.“ Doch selbst Datenfachkräften ohne Ambitionen auf eine Führungsposition empfehlen Aziza und Razack vor allem eine Fähigkeit zu entwickeln: die Neugier und Bereitschaft, Probleme mit einer datengestützten Strategie zu lösen. „Alle Branchen durchleben den digitalen Wandel. Dabei ist es entscheidend zu wissen, welche Daten erfasst und wie sie aufbereitet und ausgewertet werden müssen, um aussagekräftige Erkenntnisse zu gewinnen. Die derzeit vielleicht wichtigste Kompetenz ist deshalb die Fähigkeit, geschäftliche Herausforderungen zu erkennen und datengestützte Lösungsansätze zu formulieren.“ – Abdul Razack, VP Solutions Engineering, Technology Solutions and Strategy bei Google Cloud

Datenfachkräfte sollten immer daran interessiert sein, sich in der Branche weiterzubilden und ihre Kompetenzen ständig zu erweitern. Arbeitgeber sollten ihre Fachkräfte bei der Entwicklung dieser Interessen unterstützen, indem sie Schulungsmaterial bereitstellen, Gespräche mit Mitarbeiter*innen zur Karriereplanung führen, Kursgebühren übernehmen und Anreize für den Erwerb von Zertifikaten und Kompetenzen bieten.

Ganz gleich, ob Sie als Datenfachkraft in der Analyse, in der Entwicklung oder als Data Scientist tätig sind: Nutzen Sie Ihre verfügbare Zeit, um mehr Fragen zu stellen und sich für alles Neue zu interessieren … lernen Sie einfach ständig hinzu. Sorgen Sie dafür, dass Sie von allen am schnellsten lernen, damit Sie Ihr Unternehmen bei seiner Mission unterstützen und Ihren Beitrag leisten können.

Nehmen Sie das Beispiel des „Data Mesh“, über das ich gerade in VentureBeat geschrieben habe. Im Grunde gibt es gegenüber einem neuen Konzept wie diesem drei Einstellungen: Da ist zum einen der „Disciple“, der etwa den Autor eines neuen Buches oder den Urheber einer bestimmten Theorie verehrt und nur eine einzige Quelle der Weisheit gelten lässt. Dann gibt es den „Distractor“ – den Störer, der neue Kompetenzen, Trends und Technologien grundsätzlich als Unsinn abtut. Der dritte im Bunde ist der „Distorter“, der Ihnen eine einfache Lösung verkaufen möchte. Datenfachkräfte, die neue Kompetenzen entwickeln und ausbauen möchten, sollten diesen drei Typen mit Vorsicht begegnen. Hierfür ist es entscheidend, sich wohl oder übel den eigenen Weg zur Erkenntnis zu bahnen – durch Ausprobieren und Experimentieren und in dem Bestreben, Schritt für Schritt weiter zu wachsen.

Sind Sie bereit, Ihre Datenkompetenzen zu erweitern? Starten Sie hier.

Wenn Sie neugierig auf alles sind, was mit Daten zu tun hat, empfehle ich Ihnen unsere Videoreihe Data Journeys. Hier spürt Bruno Aziza jede Woche der Datenreise eines unserer Kunden nach – von der Migration in die Cloud über den Aufbau einer Datenplattform bis zu neuen „Data for Good“-Initiativen. Sie erfahren, wie sie ihr Projekt umgesetzt haben, was sie mit ihren Daten tun und wie ihre Reise weitergeht. Diese Videos decken sowohl die Spezialisierung als auch die Generalisierung Ihrer Datenkompetenzen ab.

Wer sein Wissen vertiefen möchte, kann sich bei unserem nächsten virtuellen Event „Latest Google Cloud data analytics innovations” mit der Google Daten-Community austauschen. Lassen Sie sich Ihre Datenfragen live von führenden GCP-Spezialist*innen beantworten und sehen Sie sich Demos zu BigQuery, Dataproc, Dataplex, Dataflow und anderen neuen Produkten und Funktionen an. Melden Sie sich noch heute an.

Haben Sie noch Fragen oder suchen Sie Unterstützung bei Ihrer Fort- und Weiterbildung? Wir helfen Ihnen gerne! Registrieren Sie sich als Google Cloud Innovator und treten Sie der Google Cloud Data Analytics Community bei.

Mehr Innovation für Ihre Unternehmens-IT mit Anthos

Thu, 25 Mar 2021 16:00:00 +0000

Heutzutage wird Innovation vor allem bei digitalen Produkten der Konsumbranche vorangetrieben. Doch das war nicht immer so: Bis zur Mitte der 1990er Jahre führte in puncto Innovation die Unternehmens-IT, in der regelmäßig neue Meilensteine erreicht und technische Fortschritte erzielt wurden.

In der heutigen Zeit hingegen wirkt Unternehmens-IT bedauerlicherweise oft wie ein Dinosaurier — riesig, langsam und vom Aussterben bedroht. Doch die Entwicklungen, von denen die Konsument:innen heute profitieren, schaffen Lösungen von Morgen.

Wie konnte es zu dieser Umkehr der technologischen Führungsposition kommen? Zunächst lag es nicht daran, dass mehr in Technologie für Verbraucher:innen investiert wurde oder dort schlauere Ingenieurinnen und Ingenieure verfügbar waren. Durch den technologischen Wandel wurde im Konsumgütersektor digitale Kommunikation neu definiert, was lange Zeit nicht auf Unternehmen übertragen werden konnte. Mit dem Potenzial der modernen Anwendungsplattform Anthos können Unternehmen heute jedoch diesen Rückstand aufholen.

Was ist mit der Unternehmens-IT passiert?

IT-Innovationen in den Konsumgüterbranchen konnten so rasch vorangetrieben werden, da Programmiererinnen und Programmierer der erfolgreichen Unternehmen nach dem leistungsstarken Konzept der Stack-Entwicklung gearbeitet haben. Der Begriff Stack entstand mit der Erfindung des Internets. Wird mit einem Stack gearbeitet, bedeutet dies, dass alle Anwendungsentwickler:innen oder SaaS-Anbieter Produkte realisieren können, die bei allen Kund:innen gleich funktionieren - unabhängig von der jeweils genutzten Endnutzer-Plattform. Die Verbreitung von Smartphones kurze Zeit danach beschleunigte diesen Trend und gleichzeitig auch die damit verbundene Innovation noch weiter.

In beiden Fällen wurden die Stacks oder Software-Bundles und die von den Entwickler:innen genutzten Programmier-Frameworks automatisch aktualisiert. Dies bedeutete, dass jede Änderung an einem Stack, sei es ein Sicherheits- oder Funktions-Update, automatisch für alle Nutzenden angewendet wurde. Mit diesen automatischen Updates wurde gewährleistet, dass alle Nutzer:innen jederzeit mit derselben Stack-Version arbeiten.

Da die Entwickler:innen sich nun nicht mehr um verschiedene Versionen bei den einzelnen Kund:innen kümmern mussten, hatten sie mehr Zeit zum Programmieren. Dies brachte neue Verfahren hervor, wie zum Beispiel Continuous Integration und Continuous Delivery (CI/CD), bei denen Entwickler:innen mit einer höheren Frequenz kleinere Software-Releases für weniger große Gruppen von Nutzerinnen und Nutzern veröffentlichten. Dank CI/CD konnten Entwickler:innen beim ersten Prozent der Nutzer:innen Bugs erkennen und schnell beheben. Erst dann wurde das Release für alle bereitgestellt. Aufgrund dieses optimierten Prozesses der Fehlerbehebung wurden die Verbraucher:innen nur selten mit Bugs konfrontiert und waren nicht mehr darauf angewiesen, dass neue Releases vor der Installation zunächst freigegeben werden müssen.

Durch all diese positiven Entwicklungen verlassen wir uns heute im Grunde einfach darauf, dass Produkte für Verbraucher:innen einfach funktionieren – denn das ist auch fast immer der Fall. Da Entwickler:innen gleichzeitig an demselben Stack arbeiten und so die Qualität der Releases kontinuierlich verbessern können, konnte die Innovation in der Technologie für Endkund:innen schneller voranschreiten.

Für den Bereich der Unternehmens-IT trifft dies leider nicht zu.

Warum hat die Unternehmens-IT bei dieser Entwicklung nicht Schritt gehalten und wie kann der Rückstand aufgeholt werden?

Heutzutage nutzen die meisten Unternehmen ähnliche Hard- und Software, ein Großteil davon wurde ursprünglich jedoch in jedem einzelnen Unternehmen anders implementiert und eingebunden. Demzufolge hat jedes System seine eigene Versionsmatrix und obwohl sich die meisten Setups auf der Makroebene ähneln, sind sie im Grunde alle einzigartig – wie Schneeflocken.

Das bedeutet in der Praxis, dass jedes Mal, wenn ein SaaS-Anbieter bei neuen Kund:innen ein Update vornehmen möchte, die Software in der jeweiligen Umgebung zum ersten Mal bereitgestellt wird. Unabhängig davon, ob der Anbieter Updates bei zehn oder 10.000 Unternehmen vornimmt – jedes Mal ist ein erstes Mal, da wieder eine neues Stück Software, eine neue Schneeflocke dazugekommen ist. Und bei jeder neuen Umgebung, die sich erheblich von den anderen unterscheidet, liegt es nahe, dass die Implementierung nicht immer beim ersten Mal wie gewünscht funktioniert. Daher ist es verständlich, dass sowohl Unternehmen als auch Anbieter Updates skeptisch gegenüberstehen: Sie sind teuer, zeitaufwendig und werden daher nur gelegentlich vorgenommen.

Solche IT-Schneeflocken bremsen also die Innovation in der Unternehmens-IT, da eine einheitliche Entwicklung und Bereitstellung nicht möglich ist. Wenn Unternehmen wieder innovativ werden sollen, muss das Entwicklungstempo auf das der Technologie für Privatnutzer:innen beschleunigt werden. Genau zu diesem Zweck hat Google 2019 Anthos eingeführt. Die Anwendungsplattform wurde in Zusammenarbeit mit Entwickler:innen, Partner- und Kundenunternehmen entwickelt und bietet IT-Verantwortlichen einen vollständig verwalteten Stack.

Anthos wird automatisch aktualisiert, sodass alle Plattformnutzer:innen immer in exakt derselben Umgebung arbeiten. Außerdem ist Anthos eine Open-Source-Lösung und kann so von der Community und von Partnerunternehmen kontinuierlich optimiert werden. Was aber vielleicht der wichtigste Vorteil für viele aus der Unternehmens-IT ist – Anthos unterstützt sowohl Legacy-Systeme als auch moderne, cloud-native Entwicklungsmethoden. Dies bedeutet, dass auch Unternehmen, die noch ältere Anwendungen nutzen, in derselben Umgebung neue implementieren können. Anthos gibt Unternehmen die Möglichkeit, Software in derselben Geschwindigkeit und mit demselben Innovationsgeist zu entwickeln wie Produzenten von digitalen Geräten und Apps für den Konsumentenmarkt

Unternehmen gezielt auf die Zukunft vorbereiten

In den meisten Unternehmen hat niemand die Zeit, alle vorhandenen Anwendungen neu zu schreiben. Beispielsweise werden Java-Anwendungen oftmals genutzt, denen aufgrund ihrer Reife aber wenig Aufmerksamkeit gewidmet wird. Wenn ihre Verwaltung zu kompliziert wird, müssen sie von Grund auf neu geschrieben werden.

Mit den Migrationstools von Anthos hingegen können Unternehmen Java-Anwendungen automatisch migrieren. Dazu werden sie in lokale oder Cloud-basierte Container verschoben. Dies senkt die Ausgaben für Infrastruktur und Lizenzen sowie die Betriebs- und Wartungskosten, da die Ausführung, das Monitoring, das Absichern und das Aktualisieren der Anwendungen sehr einfach sind. Einer Erhebung von Forrester zufolge kann mit Anthos „die Migration von Anwendungen um 58 % bis 75 % beschleunigt, die Betriebseffizienz der Plattformen um 55 % verbessert und die Produktivität der Sicherheitsteams um 75 % gesteigert werden“.

Aber auch für die Entwicklung neuer Anwendungen ist Anthos ausgesprochen hilfreich. Moderne, Cloud-native Entwicklungsverfahren, wie z. B. automatische Tests und Bereitstellungen, sind auf der Plattform einfach umsetzbar, sodass die Entwicklungsteams neue Versionen in kürzerer Zeit sicher einführen können.

Software-Entwickler:innen konzentrieren sich auf das, was wirklich zählt

Alle nicht für den Unternehmensbetrieb spezifischen Komponenten sind bei Anthos standardisiert. So können Teams an den Aufgaben arbeiten, die für ihr Zuständigkeitsgebiet und ihr Unternehmen am wichtigsten sind. Wenn Entwickler:innen nicht jedes Mal alles neu lernen müssen und die Möglichkeit haben, Arbeitslasten einheitlich zu entwickeln, zu betreiben und in jeder beliebigen Cloud zu sichern, können sie sich auf wertschöpfende Aufgaben konzentrieren.

Anthos befreit Unternehmen vom Schneeflockenprinzip, bei dem jedes System einzigartig ist. Die einfache Implementierung gewährleistet, dass die Transformation nahtlos geschieht. Anders als bei früheren technischen Umstellungen erfordert die Einführung von Anthos keinen komplizierten Umbau der Architekturen. Hierbei handelt es sich um einen der seltenen Fälle, in denen die Umstellung sowohl strategisch klug als auch einfach umsetzbar ist – mit messbaren Vorteilen für Entwicklung und Betrieb in weniger als einem Jahr. Und das Beste: Anthos macht es Unternehmen einfach, ihre “Dinosaurier-Reputation” abzulegen und auch junge Talente für die IT anzuziehen.

Wir freuen uns darauf, viele weitere Kund:innen in dieser neuen Ära der Innovation zu begrüßen, und stehen Ihnen gerne mit Rat und Tat zur Seite. Weitere Informationen finden Sie auf cloud.google.com/anthos.

Eigene No-Code-Apps erstellen und Arbeitsabläufe optimieren

Wed, 03 Feb 2021 11:04:00 +0000

Editor’s Note: Dieser Artikel wurde ursprünglich auf dem Blog The Keyword veröffentlicht.

Mit AppSheet von Google Cloud können benutzerdefinierte Anwendungen ganz einfach erstellt werden, ohne Code zu schreiben. Egal, ob Sie für ein großes Unternehmen arbeiten, welches sich mit der digitalen Transformation auseinandersetzt, oder in einem kleinen Team tätig sind, das kreative Lösungen für die Veranstaltungsorganisation während der Pandemie benötigt – Ihnen sind keine Grenzen gesetzt.

Unser wichtigster Rat für alle ohne Vorkenntnisse? Legen Sie einfach los. Das Erstellen von Anwendungen ohne Code lernen Sie am einfachsten, indem Sie sich bei der Plattform anmelden und es ausprobieren. Je mehr Zeit Sie investieren, um zu experimentieren und aus Fehlern zu lernen, desto besser werden sowohl Ihre Kompetenzen als auch Ihre Anwendungen.

In diesem Beitrag haben wir eine Liste unserer beliebtesten Anleitungen für den Einstieg zusammengestellt. Unabhängig von der Branche oder dem Anwendungsfall finden Sie hier hilfreiche Tipps, Vorlagen-Apps und Vorschläge zur Fehlerbehebung, mit denen Sie Ihre Fähigkeiten als App-Entwickler:in weiter ausbauen können.

1. In fünf Minuten eine App mit Standortbestimmung und Google Maps erstellen

Binden Sie Google Maps in Ihre AppSheet-Anwendung ein, um in wenigen Minuten eine einfache App mit Standortbestimmung zu erstellen. Falls Sie mehr Zeit aufwenden möchten, können Sie außerdem anhand von Aufgabenaktualisierungen festlegen, was Ihre Nutzerinnen und Nutzer tun sollen, um Projekte voranzubringen oder sicherzustellen, dass Lieferungen rechtzeitig erfolgen.

2. Sechs Automatisierungs-Apps, die Sie noch heute erstellen können

Sind Sie bereit für echte No-Code-Magie? Mit den in diesem Artikel genannten Vorlagen-Apps können Sie manuelle Prozesse automatisieren und wertvolle Ressourcen einsparen bzw. anderweitig einsetzen. Ob die „Sequential Tasks“-App oder eine der anderen – ergänzen Sie Ihr Portfolio um einige dieser Anwendungen und passen Sie diese entsprechend Ihren Anforderungen an. Das Beste daran: Mithilfe der Workflowfunktionalität können Sie die Apps ausgiebig testen, bevor Sie weitergehende Anpassungen an der App vornehmen.

3. Verkaufsmanagement: Drei kostenlose Excel-Vorlagen für das Vertriebstracking

Vertriebsfachleute tun sich oft schwer, die passende Anwendung für ihre geschäftlichen Anforderungen zu finden. Die einen brauchen unterwegs Zugriff auf ihre Daten, andere möchten Anwendungen, die am Computer gut aussehen, und wieder andere benötigen beides zusammen und noch viel mehr. Angesichts der notwendigen Vielseitigkeit in diesem Bereich benötigen Sie eine Lösung, die genauso flexibel ist wie Ihr Team. In diesen drei Vorlagen finden Sie grundlegende Elemente, um unabhängig von der Arbeitsumgebung oder der Unternehmensgröße Leads zu verfolgen, Berichte zu erstellen und Felddaten zu ergänzen.

4. Mit AppSheet eine App für die Bestandsverwaltung auf der Grundlage von Google Sheets erstellen

Für die Bestandsverwaltung werden besonders häufig Apps mit AppSheet erstellt. Oft ist dies auch der Grund für den Einstieg in die Plattform. Egal, ob Sie das Inventar eines Onlineshops verwalten oder die Bestandsaufnahme Ihres Hausrats optimieren möchten – dieses umfassende Tutorial bietet eine Schritt-für-Schritt-Anleitung zu wichtigen Konzepten, mit denen Sie Ihre Kenntnisse in der No-Code-Entwicklung verbessern können.

5. Mit Google Docs eine App zur Erfassung des Feedbacks Ihrer Kundinnen und Kunden erstellen

Zwei Dinge sollten Sie beachten. Erstens: Sie können auf der Grundlage von Google Docs Apps erstellen. Zweitens: Betrachten Sie Ihren Anwendungsfall nicht aus einer zu engen Sichtweise, wenn Sie sich Beispiel-Apps ansehen. Sie möchten wissen, warum? Dieses Beispiel zeigt, dass unsere beliebte Anwendung mit Umfragevorlagen zu einer App für die Erfassung von Feedback erweitert werden kann.

6. Wie AppSheet-Angestellte AppSheet verwenden

Seien wir mal ehrlich: Es ist immer interessant zu erfahren, wie diejenigen, die ein Produkt entwickelt haben, es selbst nutzen. In diesem Beitrag zeigen wir Beispiele dafür, wie es dem Team von AppSheet gelingt, die Arbeit zu organisieren, Pläne einzuhalten und die Zeit sinnvoll einzuteilen.

Nachdem Sie nun einige der vielen Möglichkeiten kennen, wird es Zeit, selbst eigene Apps zu erstellen und Ihre neuen Fähigkeiten unter Beweis zu stellen. Falls Sie noch auf der Suche nach Inspiration sind, können Sie sich in der AppSheet-Community mit anderen App-Entwicklerinnen und -Entwicklern austauschen.

Sind Sie bereit für AppSheet? Dann legen Sie los.

Google Cloud-Migration leicht gemacht

Mon, 01 Feb 2021 16:00:00 +0000

Bei Google Cloud sind wir davon überzeugt, dass für eine erfolgreiche Digitalisierung eines Unternehmens die effektive Integration öffentlicher Cloud-Funktionen entscheidend ist. Das Ziel einer gut durchdachten digitalen Transformation sollte jedoch nicht allein der Erhalt Ihrer Wettbewerbsfähigkeit sein. Vielmehr geht es auch darum, das Unternehmen voranzubringen, indem IT-Teams von arbeitsintensiven Aufgaben mit geringem Mehrwert befreit werden, sodass sie sich auf Innovationen und wichtige Projekte konzentrieren können.

In den meisten Fällen ist die Migration in die Cloud der erste Schritt in Richtung digitale Transformation, denn sie ermöglicht eine schnelle, einfache Möglichkeit für Kosteneinsparungen und mehr Flexibilität. In diesem Artikel wird die Migration einer lokalen oder in der öffentlichen Cloud gehosteten Infrastruktur zu Google Cloud beschrieben.

Es gibt in der Tat kein Universalkonzept für die digitale Transformation und die Planung einer entsprechenden Migrationsstrategie. Bei jeder Transformation sind individuelle Aspekte und Anforderungen zu berücksichtigen. Wichtig ist, die Vor- und Nachteile der verschiedenen Optionen zu verstehen und entsprechende Entscheidungen zu treffen.

Erste Schritte

Ihren Ausgangspunkt zu kennen, ist bei der Planung und Ausführung einer erfolgreichen Strategie für die Anwendungsmigration unabdingbar. Befassen Sie sich eingehend sowohl mit Ihren technischen Anforderungen als auch mit Ihren aktuellen und zukünftigen Geschäftszielen, kritischen Zeitrahmen und den Möglichkeiten, die Ihnen zur Verfügung stehen. Wird die Zeit bis zur Wertschöpfung (time-to-value) betrachtet, trifft je nach Situation möglicherweise eine der folgenden Kategorien auf Sie zu. Es gibt keinen Allzweckansatz für die Migration. Für welchen Weg Sie sich auch entscheiden, es gibt immer eine Möglichkeit, darauf aufzubauen und die Vorteile der Cloud schrittweise für sich zu nutzen.

Sollten Sie zu Google Cloud migrieren?

Ermitteln Sie anhand der folgenden Fragen, ob Ihre Anwendung zur Cloud
migriert werden kann und sollte:

Sind die Komponenten meines Anwendungspakets virtualisiert oder virtualisierbar?
Werden durch die Ausführung meines Anwendungspakets in einer Cloud-Umgebung weiterhin alle Lizenzierungs-, Sicherheits-, Datenschutz- und Compliance-Anforderungen erfüllt?
Werden in der Cloud alle Anwendungsabhängigkeiten unterstützt, z. B. Sprachen von Drittanbietern, Frameworks oder Bibliotheken?

Wenn die Antwort auf eine dieser Fragen „Nein“ lautet, sollten Sie prüfen, ob diese Anwendungskomponenten durch Cloud-Anwendungen ersetzt werden können. Andernfalls ist es empfehlenswert, diese Komponenten während der Anfangsphase Ihrer digitalen Transformation weiter lokal auszuführen und sich auf die Migration Ihrer anderen Anwendungskomponenten zu konzentrieren.

Es kann jedoch sein, dass die lokale Ausführung nicht mehr möglich ist, weil Sie beispielsweise Ihr Rechenzentrum komplett herunterfahren müssen oder Sie diese Anwendungskomponenten in die Nähe der entsprechenden Cloud-Ressourcen verschieben möchten. In diesem Fall empfehlen sich als Alternativen die Bare-Metal-Lösung von Google Cloud oder die Verlagerung zu einer Colocations-Einrichtung, die an die entsprechende Cloud-Region angrenzt.

Welcher Migrationspfad ist für Sie der beste?

Für die Transformation Ihres Unternehmens empfehlen wir, sich für eine der fünf grundlegenden Arten der Migration zu Google Cloud zu entscheiden:

Migration zu verwalteten Diensten von Google Cloud
Migration zu Containern in Google Kubernetes Engine (GKE) oder Anthos
Migration zu VMs („Lift and Shift“) in GCE (Google Compute Engine)
Migration zu Google Cloud VMware Engine
Migration zur Bare-Metal-Lösung von Google Cloud

Einige Beispielszenarien:

Wenn Sie nur wenig Zeit haben, könnte ein „Lift and Shift“-Ansatz eine gute Wahl sein, um eine sofortige Modernisierung der Infrastruktur durch Verschieben in die Cloud zu erzielen. Weitere Modernisierungen können dann zu einem späteren Zeitpunkt erfolgen.

Wenn Sie umgehend von der Migration in die Cloud profitieren möchten, aber nur wenig Zeit und Fachwissen haben, ist „Lift and Optimize“ für Sie ideal. Mit Compute-VMs oder VMware Engine in der Cloud nutzen Sie die gleiche bekannte virtualisierte Umgebung, profitieren aber von der Flexibilität und Skalierbarkeit der Cloud.

Wenn Sie sofort alle Vorteile der Cloud, wie etwa Flexibilität, Skalierbarkeit und verwaltete Dienste, nutzen möchten, kann eine geplante Modernisierung (z. B. mit Containertechnologie) in Verbindung mit der Migration am effektivsten sein. „Move and Improve“ und „Refactoring“ sind in dieser Situation bestens geeignet. Seien Sie sich aber darüber im Klaren, dass die Umsetzung dieser Strategie etwas länger dauert, da Änderungen an den aktuellen Anwendungen vorgenommen werden müssen, damit sie containerfreundlich und/oder serverlos werden.

Der folgende Entscheidungsbaum hilft Ihnen dabei, den richtigen Weg für Ihre Anwendung zu finden.

Häufige Anwendungsfälle

Anwendungsfall 1: Hybrid-Cloud-Burst

Stellen Sie über Cloud Interconnect eine Verbindung zwischen der lokalen Infrastruktur und der Cloud her.
Richten Sie eine Landing Zone für die Cloud ein. Hierzu gehört das Erstellen des Projekts und der Ressourcen, z. B. Google Compute Engine (GCE), Google Kubernetes Engine (GKE), Google Cloud VMware Engine (GCVE) oder Anthos.
Führen Sie dann mit „Lift and Shift“ oder „Lift and Optimize“ die Migration von der lokalen Infrastruktur zur Cloud in der entsprechenden Ressource durch.
An dieser Stelle können Sie die Traffic-Bursts oder den überschüssigen Traffic an Google Cloud weiterleiten, um das vorhandene Rechenzentrum zu entlasten.

Anwendungsfall 2: Mit Anthos modernisieren

Stellen Sie über Cloud Interconnect eine Netzwerkverbindung zur GCP her.
Erstellen Sie eine Landing Zone für die Cloud.
Verschieben Sie dann Arbeitslasten per „Lift and Shift“, um lokal Kapazitäten freizugeben.
Erstellen Sie eine lokale Landing Zone für Anthos.
Modernisieren Sie anschließend die Anwendungen lokal und in der Cloud.

Anwendungsfall 3: Landing Zone erstellen, erweitern, außer Betrieb nehmen

Stellen Sie über Cloud Interconnect eine Netzwerkverbindung zur GCP her.
Erstellen Sie eine Landing Zone für die Cloud.
Migrieren Sie dann alle Arbeitslasten.
Nehmen Sie schließlich das gesamte Rechenzentrum außer Betrieb. Nehmen Sie nach Bedarf auch Hardware außer Betrieb.

Anwendungsfall 4: Unterstützung von Standorten für die Notfallwiederherstellung

Stellen Sie über Cloud Interconnect eine Netzwerkverbindung zur GCP her.
Erstellen Sie eine Landing Zone für die Cloud.
Sie können dann alle Arbeitslasten in der Cloud duplizieren.
Ändern Sie dann die Verbindung zur Cloud in PRIMÄR.
Nehmen Sie schließlich alle Colocations gleichzeitig außer Betrieb.

Fazit

Ganz gleich, ob Sie mit der digitalen Transformation erst beginnen oder bereits mittendrin sind, Google Cloud holt Sie dort ab, wo Sie sich derzeit befinden, und unterstützt Sie auf Ihrem Weg zu einer flexibleren und agileren Infrastruktur. Wir hoffen, dass diese Schritte als Ausgangspunkt für Ihre Migration dienen und den Digitalisierungsprozess für Sie vereinfachen.

Es steht eine vollständige Videoserie zum Thema Cloud-Migration zur Verfügung,
die Ihnen den Einstieg erleichtert.

Weitere Informationen zur Migration finden Sie in diesem Whitepaper und in diesem Lösungsleitfaden.

Für weitere Beiträge zu #GCPSketchnote und ähnliche Cloud-Inhalte folgen Sie mir auf Twitter @pvergadia und erhalten weitere Tipps und Neuigkeiten auf thecloudgirl.dev.

Entwickler*innen & Fachkräfte

Cloud Wisdom: Vier Wege zu Innovation und Kostensenkung mit KI und ML

Vier Tipps für mehr Innovation und weniger Kosten dank KI und ML

Die nächsten Schritte auf dem Weg in eine intelligente Zukunft

Gründer*innen und IT-Führungskräfte schildern ihre Erfahrungen im Podcast „Startup Stories“

Aktuelles auf dem Google Cloud Blog

Einstieg in ML: mehr als 25 Ressourcen für jede Rolle und Aufgabe

Data Analyst

Data Scientist

ML Engineer

Software Engineer mit ML-Anwendungen

Die passende Ressource nicht gefunden?

Aktuelles auf dem Google Cloud Blog

Machine Learning à la Volkswagen: Entwicklung energieeffizienterer Autos in der Google Cloud

Darstellung dreidimensionaler Autodesigns

Darstellung eines Autos mit digitaler Schrumpffolie

Wie man ein Modell trainiert

Paralleles Arbeiten in großem Maßstab

Der erste Meilenstein

Aktuelles auf dem Google Cloud Blog

Tipps zum Umgang mit Daten für junge Start-ups

Klären Sie Ihr Wertversprechen, bevor Sie sich für eine Technologielösung entscheiden

Konzentrieren Sie sich auf Interaktionen mit Kund*innen

Halten Sie sich an höhere Abstraktionsebenen

Lassen Sie sich nicht von technologischen Möglichkeiten sondern von Ihrer Vision leiten

Schnell starten und iterieren

Aktuelles auf dem Google Cloud Blog

Sieben Cloud Spanner-Mythen

Einführung in Cloud Spanner

Mythos Nr. 1: Der Einsatz von Spanner ist nur bei massiven Workloads sinnvoll

Mythos Nr. 2: Spanner ist zu teuer

Mythos Nr. 3: Sie müssen Skalierung, Konsistenz und Latenzzeit gegeneinander abwägen

Mythos Nr. 4: Spanner spricht kein PostgreSQL

Mythos Nr. 5: Beobachtbarkeitsdaten können nur in der Spanner Console abgerufen werden

Mythos Nr. 6: Spanner eignet sich nur für globale Workloads, die Kopien in mehreren Regionen voraussetzen

Mythos Nr. 7: Spanner-Schemaänderungen erfordern teure Sperren

Aktuelles auf dem Google Cloud Blog

So erschließen Sie Ihre Mainframe-Daten mit Data-First-Digitalisierung

Aktuelles auf dem Google Cloud Blog

Google-Experten verraten, welche Kompetenzen Datenfachkräfte 2022 entwickeln sollten

Datenkompetenz vertiefen oder verbreitern – das ist die Frage

Den eigenen Wert zu kennen, ist bei der Fortbildung schon die halbe Miete

Sind Sie bereit, Ihre Datenkompetenzen zu erweitern? Starten Sie hier.

Aktuelles auf dem Google Cloud Blog

Mehr Innovation für Ihre Unternehmens-IT mit Anthos

Was ist mit der Unternehmens-IT passiert?

Warum hat die Unternehmens-IT bei dieser Entwicklung nicht Schritt gehalten und wie kann der Rückstand aufgeholt werden?

Unternehmen gezielt auf die Zukunft vorbereiten

Software-Entwickler:innen konzentrieren sich auf das, was wirklich zählt

Google Cloud-Migration leicht gemacht

Eigene No-Code-Apps erstellen und Arbeitsabläufe optimieren

Den eigenen Weg finden: Erfolg in einer verteilten Multi-Cloud-Welt

Google Cloud-Migration leicht gemacht

Erste Schritte

Sollten Sie zu Google Cloud migrieren?

Welcher Migrationspfad ist für Sie der beste?

Häufige Anwendungsfälle

Anwendungsfall 1: Hybrid-Cloud-Burst

Anwendungsfall 2: Mit Anthos modernisieren

Anwendungsfall 3: Landing Zone erstellen, erweitern, außer Betrieb nehmen

Anwendungsfall 4: Unterstützung von Standorten für die Notfallwiederherstellung

Fazit

Den eigenen Weg finden: Erfolg in einer verteilten Multi-Cloud-Welt