Впервые за пару лет мы сядем на самолет, чтобы поразить AWS re: Invent сразу после того, как переварим нашу индейку на День Благодарения. Существует множество сторонних сервисов, которые обещают присмотреть за вашими облачными следами, чтобы контролировать ваши ежемесячные счета. Но каждый год, попадая на выставку в Вегасе, мы задавались вопросом, когда кто-нибудь придумал бы решение для обучения модели машинного обучения на работе, чтобы выполнять работу более систематически. Есть одна фирма, которая заранее объявляет перед всей шумихой, чтобы объявить именно это.

CAST AI это стартап с двухлетней историей, который делает смелые заявления, которые обычно предлагают поставщики услуг; В данном случае он утверждает, что может вдвое сократить ваши счета за облачные вычисления. В предыдущей жизни соучредители возглавляли Zenedge, облачную фирму по кибербезопасности. в конечном итоге приобретена Oracle. Как и любая другая компания, рожденная в облаке, она искала лучший способ снизить свои ежемесячные счета за облачные вычисления. Итак, в следующем акте соучредители сосредоточили свое внимание на этой проблеме.

В мире данных мы видели, что ИИ нацелен на оптимизацию запросов, настройку производительности базы данных и, в случае автономной базы данных Oracle, на выполнение всего этого, черт возьми. Машинное обучение используется для прогнозирования или предотвращения сбоев.

Так почему бы не применить машинное обучение для формирования следа облачных вычислений? Это естественная проблема для машинного обучения, потому что нет недостатка в данных журнала, а проблема довольно линейна и четко определена. Ключевыми вариантами являются характер и характеристики рабочей нагрузки наряду с базовой вычислительной инфраструктурой. Это проблема, которая превосходит человеческое обучение, потому что в случае AWS (и других облачных провайдеров) легко сотни типов вычислительных инстансов и связанные с ними перестановки памяти.

Примерно шесть месяцев назад CAST AI представила свою первую услугу, обеспечивающую анализ снимков рабочих нагрузок в режиме реального времени для определения наилучшей конфигурации инстанса. Он ограничивается облачными, контейнерными рабочими нагрузками, которые выполняются в Kubernetes (K8s). Например, рабочая нагрузка с интенсивными вычислениями с использованием восьми типов экземпляров C5a.large может выполняться дешевле, используя вместо этого три типа C5a.2xlarge.

Сосредоточив свое внимание на контейнерных рабочих нагрузках, связанных с облаком, организованных K8s, он использует преимущества декларативных API-интерфейсов контейнеров, которые описывают характеристики рабочей нагрузки. И, работая только в среде K8s, он открывает путь для услуги оптимизации «мгновенного ребалансирования», о которой будет объявлено на этой неделе. Это позволяет кластерам изменять размер конфигурации кластера на лету, используя преимущества автоматизации (через оркестровку K8s) для выполнения автомасштабирования. Эта функция заменяет периодически выполняемые вручную шаги по перебалансировке нагрузки.

Оптимизация затрат на облако — очевидная цель для применения машинного обучения; нет недостатка в облачных клиентах, стремящихся контролировать свои счета. Это традиционно требовало от менеджеров контролировать CloudWatch или внедрить элементы управления на основе правил, резко снижающие рабочие нагрузки. Когда мы дойдем до выставочного зала re: Invent, мы ожидаем, что у CAST AI будет намного больше компаний.