В этом сегменте мы поговорим о веб-сервисах, которые Amazon предоставляет для реляционных баз данных, контейнеризации и моделях машинного обучения. Как видите, эта часть серии посвящена хранению данных и управлению ими в целом. Из которых у Amazon есть большое количество сервисов для разных вещей. Но, как уже было сказано, я постараюсь сделать это просто, так как некоторые из этих концепций были трудны для понимания мне как новому разработчику, а чтение документации Amazon не дало необходимой мне ясности.

Реляционные базы данных

Во-первых, это различные службы баз данных. На картинке выше показано, что Amazon определяет для каждой службы. Amazon Aurora говорит сама за себя, это фирменная альтернатива Amazon базам данных MySQL и PostgreSQL. По умолчанию он совместим с обеими упомянутыми выше базами данных, что упрощает интеграцию и миграцию. DynamoDB — это то же самое, но в контексте того, что это решение для базы данных без SQL, которое масштабируется в зависимости от объема поступающих данных. Преимущества этого типа базы данных не обязательно относятся к фирменной версии Amazon. Базы данных без SQL не имеют реляционных функций, что делает их легковесными по своей природе. Простой пример базы данных такого типа просто нравится и не нравится. В этом вводе и хранении информации нет реальной сложности или основанных на отношениях данных, и именно здесь сияет база данных без SQL.

Контейнеризация

Мне потребовалось некоторое время, чтобы понять контейнеризацию, но в целом это довольно простая концепция. Он возьмет приложение любого типа, будь то сервер, база данных или простая рабочая нагрузка, и поместит его в контейнер. Он идеально подходит для простых проектов, которые начинаются с малого и неизбежно масштабируются по мере их роста. Lightsail естественным образом обеспечивает сетевой доступ и безопасность. Lightsail поставляется с гибким API, который можно использовать для беспрепятственного расширения или интеграции внешних приложений. Все это соответствует аспекту контейнера, поэтому вы можете создать надежную сеть приложений, размещенных во внешнем контейнере, и все они подключены через API Lightsail.

Машинное обучение

Это заняло немного времени, чтобы понять, потому что SageMaker от Amazon кажется более подходящим для науки о данных, поскольку он обрабатывает весь процесс машинного обучения от начала до конца. Как разработчик, это может быть отличным инструментом с точки зрения понимания и поиска информации о вашем продукте или услуге. Лучший пример, который я видел, — это когда у вас есть база данных, файл CSV или JSON, и вы хотите получить некоторое представление о наборе данных. Допустим, в наборе данных есть тысяча изображений автомобилей, и мне нужно определить, сколько из них красных автомобилей. В исходных данных мы маркируем и помечаем сто картинок того, как выглядит красная машина. После этого машина проходит оставшуюся часть, чтобы классифицировать красную машину на основе того, что мы пометили в исходном наборе данных. Каждый раз, когда машина не может отличить красную машину, ее отправляют обратно для классификации, что еще больше улучшит понимание машиной красной машины. И SageMaker обрабатывает весь этот процесс от начала до конца. как показано на приведенной выше диаграмме, SageMaker можно эффективно использовать для улучшения маркетинга или персонализированной рекламы в вашем приложении, например. И сам интерфейс очень похож на любой другой фреймворк, который используется сегодня.

Вывод

Хотя в этой серии статей не рассматриваются все услуги, предоставляемые Amazon, я считаю, что основные аспекты того, что будет использовать любой новый разработчик, подробно описаны здесь. Преимущество использования AWS заключается в полном контроле и настройке программного обеспечения, подходящего для ваших нужд.