Voor het eerst in een paar jaar stappen we in een vliegtuig om AWS re:Invent te bereiken, direct nadat we onze Thanksgiving-kalkoen hebben verteerd. Er zijn tal van services van derden die beloven om op uw cloudvoetafdrukken te passen om uw maandelijkse rekeningen onder controle te houden. Maar elk jaar, toen we op de beursvloer in Vegas stonden, vroegen we ons af wanneer iemand een oplossing zou bedenken om een machine learning-model on the job te trainen om het werk systematischer uit te voeren. Er is één firma die vooraankondigt vóór alle rumoer om precies dat aan te kondigen.
CAST AI is een twee jaar oude startup die het soort gedurfde beweringen doet die serviceproviders doorgaans bieden; in dit geval beweert het dat het uw rekeningen voor cloudcomputing kan halveren. In een vorig leven stonden de medeoprichters aan het hoofd van Zenedge, een cloudgebaseerd cyberbeveiligingsbedrijf dat uiteindelijk door Oracle werd overgenomen. Zoals elk in de cloud geboren bedrijf was het op zoek naar een betere manier om zijn maandelijkse rekeningen voor cloudcomputing binnen de perken te houden. En dus, in de volgende act van de medeoprichters, was dit het probleem waar ze hun zinnen op richtten.
In de datawereld hebben we gezien dat AI is gericht op het optimaliseren van query's, het afstemmen van de databaseprestaties en, in het geval van de autonome database van Oracle, het draaien van het hele ding. Er wordt volop gebruik gemaakt van machine learning om uitval te voorspellen of te voorkomen.
Dus waarom zou u machine learning niet toepassen om de voetafdruk van cloudcomputing vorm te geven? Het is een natuurlijk probleem dat machine learning moet oplossen, omdat er geen tekort is aan loggegevens, en het probleem is behoorlijk lineair en scherp gedefinieerd. De belangrijkste varianten zijn de aard en kenmerken van de workload naast de onderliggende rekeninfrastructuur. Het is een probleem dat menselijk leren overtreft, omdat er in het geval van AWS (en andere cloudproviders) gemakkelijk honderden typen rekeninstanties en gerelateerde opslagpermutaties zijn.
CAST AI introduceerde zijn eerste service ongeveer zes maanden geleden en biedt realtime analyse van werkbelastingsnapshots om de beste instantieconfiguratie te identificeren. Het beperkt zich tot cloud-native, gecontaineriseerde workloads die draaien onder Kubernetes (K8s). Een rekenintensieve workload met acht C5a.large-instantietypen kan bijvoorbeeld goedkoper worden uitgevoerd met drie C5a.2xlarge-typen.
Door de focus te houden op cloud-native gecontaineriseerde workloads die worden georkestreerd door K8s, profiteert het van de declaratieve container-API's die de kenmerken van de workload beschrijven. En door alleen in de K8s-omgeving te werken, wordt de weg vrijgemaakt voor de “instant rebalancing”-optimalisatieservice die deze week wordt aangekondigd. Het stelt clusters in staat om de clusterconfiguratie on-the-fly op maat te maken, gebruikmakend van de automatisering (via K8s-orkestratie) om de automatische schaling uit te voeren. Deze functie vervangt de handmatige herbalanceringsstappen die periodiek worden uitgevoerd.
Kostenoptimalisatie van de cloud is een voor de hand liggend doel voor het toepassen van machine learning; er is geen gebrek aan cloudklanten die hun rekeningen onder controle willen krijgen. Dit vereist van oudsher dat managers CloudWatch moeten monitoren of op regels gebaseerde controles moeten implementeren die de werklast abrupt verminderen. Wanneer we de beursvloer van re:Invent bereiken, verwachten we dat CAST AI veel meer gezelschap zal hebben.
Big Data
Microsoft's SQL Server 2022 rolt uit in privé preview EDB ontketent BigAnimal in de cloud Google Cloud Volgende: Ontmoeting met de onderneming waar het woont Microsoft verbetert zijn clouddatabase, magazijn en meerdiensten Cloud | Digitale transformatie | Robotica | Internet der dingen | Innovatie | Bedrijfssoftware