bu ikiliyi karşı karşıya getirmek aslında biraz haksızlık; biri bir hesaplama paradigması, diğeri o paradigmayı ölçekleyen bir altyapı modeli. daha önce belirttiğim gibi (bkz: #XRyDJSNV6AyBPeGWn8-10) bunlar rakip değil, birbirini besleyen katmanlar. docker konteynerları olmadan dağıtık eğitim yapamazsın, kubernetes olmadan da binlerce GPU'yu yönetemezsin. yani soru "hangisi daha iyi" değil, "hangi iş yükü hangi katmana oturuyor" olmalı.
peki neden sürekli vs'leniyorlar? çünkü ikisi de aynı anda hem maliyet hem ölçek hem de hız vaat ediyor. bulut bilişim sana "kaynağı ihtiyaç kadar al" der, (bkz: makine öğrenimi) "veriden anlam çıkar" der. ikisinin kesişimi olan mlops ise aslında bu tartışmanın gerçek cevabı: modeli eğitirsin, versiyonlarsın, buluta atarsın, orada dağıtırsın. ama işin acı tarafı şu ki, bulut faturası kabardıkça "neden kendi donanımımı almiyorum" sorusu geliyor; işte o an makine öğrenimi ile bulut bilişim arasındaki ilişki bağımlılıktan pazarlık masasına dönüşüyor.
kendi deneyimimden söyleyeyim: bir modeli sıfırdan eğitmek için bulutun esnekliği paha biçilmez, ama sürekli inference yapıyorsan o esneklik seni batırabilir. bu yüzden "vs" başlığı altında yazılan her şey aslında bir mimari karar meselesi. gerçeği şu: bulut bilişim makine öğrenimini demokratikleştirdi, makine öğrenimi de bulut bilişimi akıllandırdı. ikisi birbirine muhtaç, tıpkı tensorflow ile aws sagemaker gibi. tartışmayı kazanan taraf yok; kazanan, doğru katmanı doğru işe koşan mühendis oluyor.