Το Bluesky βοηθά στη βελτιστοποίηση του φόρτου εργασίας στο cloud με αλγόριθμους διακυβέρνησης κόστους

Η βελτιστοποίηση ερωτημάτων δεν είναι απαραίτητα νέα. Η διακυβέρνηση κόστους στο cloud για τον εντοπισμό και τον έλεγχο των δαπανών για ερωτήματα δεν είναι επίσης νέα. Αυτό που είναι καινούργιο, ωστόσο, είναι Γαλάζιος ουρανόςένας προμηθευτής βελτιστοποίησης φόρτου εργασίας που βασίζεται σε σύννεφο, με επίκεντρο Νιφάδα χιονιούπου ξεκίνησε νωρίτερα αυτόν τον μήνα για να βοηθήσει τους οργανισμούς να επιτύχουν αυτούς τους στόχους.

Ένα από τα κρίσιμα στοιχεία της προσέγγισης της εταιρείας είναι «οι αλγόριθμοι που δημιουργήσαμε οι ίδιοι, με βάση κάθε εμπειρία των τελευταίων 15 χρόνων μας στον συντονισμό φόρτου εργασίας στη Google, την Uber και ούτω καθεξής», είπε. Μινγκσένγκ ΧονγκΔιευθύνων Σύμβουλος της Bluesky.

Ο Χονγκ είναι ο πρώην επικεφαλής της μηχανικής για τις δυνατότητες εκτέλεσης μηχανικής εκμάθησης της Google, ρόλος στον οποίο συνεργάστηκε εκτενώς με το TensorFlow. Η Bluesky ιδρύθηκε από τον Hong και τον CTO Zheng Shao, πρώην διακεκριμένο μηχανικό στην Uber, όπου ειδικεύτηκε στην αρχιτεκτονική μεγάλων δεδομένων και στη μείωση του κόστους.

Οι αλγόριθμοι στους οποίους αναφέρεται ο Χονγκ αναλύουν ερωτήματα σε κλίμακα, κυρίως σε ρυθμίσεις cloud, και καθορίζουν πώς να βελτιστοποιήσουν τον φόρτο εργασίας τους, μειώνοντας έτσι το κόστος τους. «Τα μεμονωμένα ερωτήματα σπάνια έχουν επιχειρηματική αξία», παρατήρησε ο Χονγκ. „Είναι ένας συνδυασμός αυτών που μαζί επιτυγχάνουν ορισμένους επιχειρηματικούς στόχους, όπως ο μετασχηματισμός δεδομένων και η παροχή επιχειρηματικών πληροφοριών.“

Αυτό που είναι ιδιαίτερα ενδιαφέρον είναι ότι η Bluesky συνδυάζει τόσο στατιστικές όσο και συμβολικές προσεγγίσεις τεχνητής νοημοσύνης (AI) για αυτό το έργο, υποδεικνύοντας απτά ότι η σύντηξή τους μπορεί να επηρεάσει το μέλλον της τεχνητής νοημοσύνης στην επιχείρηση.

Διακυβέρνηση κόστους των ερωτημάτων

Υπάρχουν διάφοροι τρόποι με τους οποίους η Bluesky ενισχύει τη διακυβέρνηση κόστους βελτιστοποιώντας τον χρόνο και τους πόρους που αφιερώνονται στην αναζήτηση δημοφιλών πηγών cloud. Η λύση μπορεί να περιορίσει τον πλεονασμό των ερωτημάτων μέσω της σταδιακής υλοποίησης, μια χρήσιμη συνάρτηση για επαναλαμβανόμενα ερωτήματα σε αυξήσεις συνόλου, όπως ωριαία, ημερήσια ή εβδομαδιαία.

Σύμφωνα με τον Χονγκ, για παράδειγμα, όταν αναλύονται τα στοιχεία των μηνιαίων εσόδων, αυτή η δυνατότητα επιτρέπει στα συστήματα να «υλοποιούν τον προηγούμενο υπολογισμό και να υπολογίζουν μόνο το στοιχειώδες μέρος» ή το δέλτα από τον τελευταίο υπολογισμό. Όταν εφαρμόζεται σε κλίμακα, αυτό το χαρακτηριστικό μπορεί να εξοικονομήσει σημαντικό ποσό δημοσιονομικών πόρων και πόρων πληροφορικής.

Συστάσεις συντονισμού

Το Bluesky παρέχει λεπτομερή ορατότητα στα μοτίβα ερωτημάτων και την κατανάλωσή τους. Η λύση προσφέρει μια συνεχή λίστα με τα πιο ακριβά μοτίβα ερωτημάτων, καθώς και άλλες τεχνικές για να «δείξουμε στους ανθρώπους πόσα ξοδεύουν», είπε ο Χονγκ. «Το αναλύουμε σε μεμονωμένους χρήστες, ομάδες, έργα, τηλεφωνικά κέντρα και ούτω καθεξής, ώστε όλοι να γνωρίζουν πόσα ξοδεύουν όλοι οι άλλοι».

Το Bluesky ενσωματώνει αλγόριθμους που περιλαμβάνουν στατιστικές και μη στατιστικές προσεγγίσεις τεχνητής νοημοσύνης για απόδοση κόστους που βασίζεται στο προφίλ. Τα προφίλ ερωτημάτων βασίζονται στον χρόνο, την CPU και τη μνήμη που απαιτούν συγκεκριμένα ερωτήματα. Οι αλγόριθμοι χρησιμοποιούν αυτές τις πληροφορίες για να μειώσουν τη χρήση τέτοιων πόρων για ερωτήματα μέσω συστάσεων συντονισμού για την τροποποίηση του κώδικα ερωτήματος, της διάταξης δεδομένων και άλλων. «Η βελτιστοποίηση δεν είναι μόνο ο υπολογισμός», σημείωσε ο Χονγκ. „Επίσης, οργανώνουμε τον χώρο αποθήκευσης: τους δείκτες του πίνακα, τον τρόπο με τον οποίο τοποθετείτε τους πίνακες και, στη συνέχεια, υπάρχουν ρυθμίσεις αποθήκης και ρυθμίσεις συστήματος που τροποποιούμε.“

Κανόνες και εποπτευόμενη μηχανική εκμάθηση

Είναι σημαντικό ότι οι αλγόριθμοι που παρέχουν τέτοιες συστάσεις και αναλύουν τους παράγοντες που ανέφερε ο Χονγκ περιλαμβάνουν προσεγγίσεις βασισμένες σε κανόνες και μηχανική μάθηση. Ως εκ τούτου, συνδυάζουν το κλασικό θεμέλιο αναπαράστασης γνώσης του AI με το στατιστικό του. Υπάρχουν άφθονες περιπτώσεις χρήσης μιας τέτοιας σειράς (που ονομάζεται νευρο-συμβολική ΑΙ) για τεχνολογίες φυσικής γλώσσας. Η Gartner αναφέρθηκε στη συμπερίληψη και των δύο αυτών μορφών τεχνητής νοημοσύνης ως μέρος ενός ευρύτερου σύνθετη τεχνητή νοημοσύνη κίνηση. Σύμφωνα με τον Χονγκ, οι κανόνες ταιριάζουν φυσικά στη βελτιστοποίηση ερωτημάτων.

„Αυτό είναι σαν τη βελτιστοποίηση ερωτημάτων που ξεκινά με κανόνες και τους εμπλουτίζεις με το μοντέλο κόστους“, σκέφτηκε. «Υπάρχουν περιπτώσεις όπου η προσπάθεια εκτέλεσης ενός φίλτρου είναι πάντα καλή ιδέα. Οπότε αυτός είναι ένας καλός κανόνας. Για να εξαλείψετε μια πλήρη σάρωση πίνακα, αυτό είναι πάντα καλό. Αυτό είναι κανόνας.”

Η εποπτευόμενη μάθηση προστίθεται κατά την εφαρμογή κανόνων με βάση τις συνθήκες κόστους ή το μοντέλο κόστους. Για παράδειγμα, η εξάλειψη ερωτημάτων με κακή απόδοση επένδυσης (ROI) είναι ένας χρήσιμος κανόνας. Οι εποπτευόμενες τεχνικές μάθησης μπορούν να εξακριβώσουν ποια ερωτήματα ταιριάζουν σε αυτήν την ταξινόμηση εξετάζοντας προσεκτικά τα ερωτήματα της περασμένης εβδομάδας, για παράδειγμα, πριν τα εξαλείψουν μέσω κανόνων. „Εάν ένα ερώτημα αποτυγχάνει περισσότερο από το 98% του χρόνου τις τελευταίες επτά ημέρες, μπορείτε να βάλετε ένα τέτοιο μοτίβο ερωτήματος σε ένα πλαίσιο ποινής“, παρατήρησε ο Χονγκ.

Περιορισμός του κόστους

Η ανάγκη μείωσης του κόστους της επιχείρησης, ιδιαίτερα καθώς ισχύουν για ρυθμίσεις multicloud και υβριδικού cloud, σίγουρα θα αυξηθεί τα επόμενα χρόνια. Οι μέθοδοι διακυβέρνησης κόστους και βελτιστοποίησης φόρτου εργασίας που βελτιστοποιούν τα ερωτήματα είναι χρήσιμες για την κατανόηση του πού αυξάνεται το κόστος και πώς να το μειώσετε. Η στήριξη στον αυτοματισμό που χρησιμοποιεί τόσο στατιστική όσο και μη στατιστική τεχνητή νοημοσύνη για τον εντοπισμό αυτών των περιοχών, ενώ προσφέρει προτάσεις για τη διόρθωση αυτών των προβλημάτων, μπορεί να είναι προάγγελος για το πού πηγαίνει η επιχειρηματική τεχνητή νοημοσύνη