Dapatkah model Machine Learning mengurangi biaya cloud Anda?
Cloud

Dapatkah model Machine Learning mengurangi biaya cloud Anda?

Untuk pertama kalinya dalam beberapa tahun, kami akan melompat pesawat untuk mencapai AWS re:Invent tepat setelah kami mencerna kalkun Thanksgiving kami. Ada banyak layanan pihak ketiga yang menjanjikan untuk menjaga jejak cloud Anda agar tagihan bulanan Anda tetap terkendali. Tetapi setiap tahun, ketika kami mencapai lantai pameran di Vegas, kami bertanya-tanya kapan seseorang akan menemukan solusi untuk melatih model pembelajaran mesin di tempat kerja untuk melakukan pekerjaan secara lebih sistematis. Ada satu perusahaan yang mengumumkan sebelum semua keributan untuk mengumumkan hal itu.

CAST AI adalah startup berusia dua tahun yang membuat jenis klaim berani yang biasanya ditawarkan oleh penyedia layanan; dalam hal ini, ia mengklaim dapat memotong setengah tagihan komputasi awan Anda. Dalam kehidupan sebelumnya, para pendiri memimpin Zenedge, sebuah perusahaan keamanan siber berbasis cloud yang akhirnya diakuisisi oleh Oracle. Seperti perusahaan yang lahir di awan, ia mencari cara yang lebih baik untuk menahan tagihan komputasi awan bulanannya. Jadi, dalam tindakan para pendiri berikutnya, ini adalah masalah yang mereka latih.

Di dunia data, kami telah melihat AI ditujukan untuk mengoptimalkan kueri, menyetel kinerja basis data, dan, dalam kasus basis data otonom Oracle, menjalankan semuanya. Ada banyak pembelajaran mesin yang digunakan untuk memprediksi atau mencegah pemadaman.

Jadi mengapa tidak menerapkan pembelajaran mesin untuk membentuk jejak komputasi awan? Ini adalah masalah alami yang harus dipecahkan oleh pembelajaran mesin karena tidak ada kekurangan data log, dan masalahnya cukup linier dan terdefinisi dengan tajam. Varian utama adalah sifat dan karakteristik beban kerja di samping infrastruktur komputasi yang mendasarinya. Ini adalah masalah yang melampaui pembelajaran manusia karena, dalam kasus AWS (dan penyedia cloud lainnya), ada ratusan jenis instans komputasi dan permutasi penyimpanan terkait dengan mudah.

CAST AI memperkenalkan layanan pertamanya sekitar enam bulan lalu, menyediakan analisis snapshot beban kerja secara real-time untuk mengidentifikasi konfigurasi instans terbaik. Ini membatasi dirinya pada beban kerja cloud-native, dalam container yang berjalan di bawah Kubernetes (K8s). Misalnya, beban kerja komputasi intensif yang menggunakan delapan jenis instans C5a.large mungkin berjalan lebih murah menggunakan tiga jenis C5a.2xlarge sebagai gantinya.

Dengan mempertahankan fokusnya pada beban kerja containerized cloud-native yang diatur oleh K8, ia memanfaatkan API container deklaratif yang menjelaskan karakteristik beban kerja. Dan dengan bekerja hanya di lingkungan K8, ini membuka jalan bagi layanan pengoptimalan “penyeimbangan kembali instan” yang diumumkan minggu ini. Hal ini memungkinkan kluster untuk menyesuaikan ukuran konfigurasi kluster dengan cepat, memanfaatkan otomatisasi (melalui orkestrasi K8) untuk melakukan penskalaan otomatis. Fitur ini menggantikan langkah penyeimbangan beban manual yang dilakukan secara berkala.

Optimalisasi biaya cloud adalah target yang jelas untuk menerapkan pembelajaran mesin; tidak ada kekurangan pelanggan cloud yang ingin mengendalikan tagihan mereka. Ini secara tradisional mengharuskan manajer untuk memantau CloudWatch atau menerapkan kontrol berbasis aturan yang secara tiba-tiba mengurangi beban kerja. Ketika kami mencapai lantai pameran re:Invent, kami berharap CAST AI akan memiliki lebih banyak perusahaan.

Posted By : hasil hk