Como o Amazon SageMaker se compara ao Google Cloud ML Engine para a implantação de uma rede neural?

Both, AWS e Google-cloud, fornecem os seguintes serviços de aprendizagem de máquinas, para o caso de uso 'modelos personalizados de treinamento com seus próprios dados':

1. Jupyter notebook, com backend rodando em uma VM em nuvem, que possui estruturas de aprendizagem de máquinas pré-instaladas e clientes de serviços em nuvem.
2. Um modelo de treinamento hospedado e serviço de otimização de hiper-parâmetros, para o qual os trabalhos de treinamento podem ser submetidos remotamente. Os trabalhos podem ser monitorados em uma nuvem fornecida UI.
3. Um repositório de modelos e serviço de hospedagem de modelos escaláveis para inferência.
4. Built-in algorítmos (model-architectures, parametrização e agregação de dados) para treinar seus modelos, com apenas data.

Google cloud calls service 1 (como listado acima) 'DataLab', serviços 2 e 3 'ML Engine' e serviço 4 'AutoML'. AWS executa todos esses serviços sob o nome SageMaker.

Existem algumas diferenças embora.

1. Para treinamento hospedado (use case 2) na lista acima, o mecanismo ML suporta apenas Tensorflow, scikit-learn, PyTorch e frameworks XGBoost. No SageMaker, você pode usar também MXNet, Chainer e SparkML.
2. no motor ML, você pode fazer agregações de dados como parte do pré-processamento de dados dentro do código de execução do modelo, com 'tf.data' (que usa internamente o framework Dataflow sem servidor). No SageMaker, será necessário um trabalho de Spark externo para fazer isso.>li>li> Você obtém novas versões do Tensorflow no motor ML semanas antes de obtê-las no SageMaker.li>li> No caso de você planejar usar a otimização automática de hiper parâmetros, ele funciona melhor no motor ML, em termos de resultados produzidos e tempo gasto.li>li> Se você treinar seu modelo usando algos embutidos do SageMaker, você não poderá implementá-lo fora do SageMaker. O que também é o caso do AutoML do Google, embora todos os modelos treinados no motor ML (incluindo os que utilizam os módulos de fluxo tensor-hub do Google) possam ser implementados em qualquer lugar.

Se quiser saber quais são os serviços de nuvem correspondentes em AWS, Google Cloud e Azure, verifique esta lista através de use-cases.