Kann maschinelles Lernen dazu beitragen, die Kosten für die Cloud-Infrastruktur zu senken?

Ja, maschinelles Lernen kann die Kosten für die Cloud-Infrastruktur deutlich senken. Durch die Analyse von Nutzungsmustern, die Vorhersage des Bedarfs und die Erkennung von Verschwendung in Echtzeit helfen ML-gestützte Tools Unternehmen dabei, unnötige Cloud-Ausgaben zu reduzieren, ohne dabei Abstriche bei der Leistung zu machen. Die Auswirkungen sind am größten, wenn ML in einen umfassenderen FinOps-Praxis das technische Optimierung mit finanzieller Rechenschaftspflicht verbindet. Im Folgenden beantworten wir die häufigsten Fragen dazu, wie maschinelles Lernen und die Senkung von Cloud-Kosten tatsächlich zusammenwirken.

Wie senkt maschinelles Lernen eigentlich die Cloud-Kosten?

Maschinelles Lernen senkt die Cloud-Kosten, indem es die Daten zur Ressourcennutzung kontinuierlich analysiert, um Ineffizienzen zu erkennen, den zukünftigen Bedarf vorherzusagen und Korrekturmaßnahmen zu empfehlen oder zu automatisieren. Im Gegensatz zu statischen Regeln oder manuellen Überprüfungen verbessern sich ML-Modelle im Laufe der Zeit, je mehr Nutzungssignale sie verarbeiten, wodurch ihre Empfehlungen immer genauer und spezifischer für Ihre Umgebung werden.

In der Praxis funktioniert die ML-gestützte Kostenoptimierung über mehrere Mechanismen. Erstens erkennt sie Muster im zeitlichen Verbrauch von Rechen-, Speicher- und Netzwerkressourcen durch Workloads. Zweitens prognostiziert sie, wann die Nachfrage ansteigen oder sinken wird, sodass die Infrastruktur proaktiv statt reaktiv skaliert werden kann. Drittens deckt sie Anomalien auf – beispielsweise eine Arbeitslast, die das Dreifache ihrer normalen Ressourcen verbraucht –, bevor diese Anomalien zu hohen Rechnungen führen.

Das Ergebnis ist ein Wandel vom reaktiven Kostenmanagement hin zu einer proaktiven Kostensteuerung. Anstatt die Rechnung des letzten Monats zu prüfen und zu versuchen, Kostenüberschreitungen zu erklären, erhält Ihr Team vorausschauende Signale, die bessere Entscheidungen ermöglichen, noch bevor Ausgaben getätigt werden.

Welche Arten von Cloud-Verschwendung kann ML erkennen und beseitigen?

Maschinelles Lernen eignet sich besonders gut zur Erkennung ungenutzter Ressourcen, überdimensionierter Instanzen, nicht ausgelasteter reservierter Kapazitäten und verwaister Speicherkapazitäten. Dies sind die häufigsten und kostspieligsten Formen von Cloud-Verschwendung, und sie haben eines gemeinsam: Sie lassen sich manuell in großem Maßstab nur schwer erkennen, folgen jedoch Mustern, die ML-Modelle schnell erkennen lernen können.

• Inaktive Recheninstanzen: VMs oder Container, die zwar laufen, aber nur wenig oder gar keinen Datenverkehr verzeichnen und oft nach Abschluss eines Projekts oder weil eine Testumgebung in Vergessenheit geraten ist, einfach weiterlaufen gelassen werden.
• Überdimensionierte Instanzen: Ressourcen, denen weitaus mehr CPU-Leistung, Arbeitsspeicher oder Speicherplatz zugewiesen wurde, als die Workloads tatsächlich nutzen; dies ist in der Regel auf eine Überdimensionierung zum Zeitpunkt der Bereitstellung zurückzuführen.
• Nicht ausgeschöpfte reservierte Kapazität: Reservierte Instanzen oder Sparpläne, die auf der Grundlage einer prognostizierten Nutzung erworben wurden, die jedoch nie eintrat, sodass die bezahlte Kapazität ungenutzt blieb.
• Verwaiste Speichervolumes und Snapshots: Festplatten und Backups, die nicht mehr mit einer aktiven Arbeitslast verbunden sind, für die jedoch weiterhin Kosten anfallen.
• Ineffiziente Datenübertragungsmuster: Workloads, die aufgrund suboptimaler Architekturentscheidungen vermeidbare ausgehende Kosten verursachen, die maschinelles Lernen durch eine Verkehrsanalyse aufdecken kann.

Es ist unrealistisch, diese Probleme in einer Multi-Cloud-Umgebung mit Hunderten von Konten und Tausenden von Ressourcen manuell zu erkennen. Maschinelles Lernen skaliert diese Erkennung kontinuierlich und ohne menschliche Ermüdung.

Inwiefern unterscheidet sich die ML-gestützte Rightsizing-Maßnahme von der manuellen Rightsizing-Maßnahme?

Das ML-gestützte Rightsizing analysiert das tatsächliche Arbeitslastverhalten im Zeitverlauf, um die kleinste Ressourcenkonfiguration zu empfehlen, die die Leistungsanforderungen noch erfüllt. Das manuelle Rightsizing stützt sich dagegen auf regelmäßige Überprüfungen anhand von Kennzahlen zur durchschnittlichen Auslastung, bei denen Spitzenauslastungsmuster häufig übersehen werden und die entweder zu einer Unterdimensionierung oder zu einer anhaltenden Überdimensionierung führen.

Der wesentliche Unterschied liegt in der Qualität und Tiefe der Daten, auf die sich die jeweiligen Ansätze stützen. Bei einer manuellen Überprüfung würde man beispielsweise die durchschnittliche CPU-Auslastung der letzten 30 Tage betrachten und daraus schließen, dass eine große Instanz verkleinert werden könnte. Ein ML-Modell berücksichtigt hingegen die gesamte Nutzungsverteilung, einschließlich Spitzenzeiten, Wochentagsmuster und saisonale Schwankungen, bevor es eine Empfehlung ausspricht. Außerdem wägt es das Risiko einer Empfehlung ab und weist darauf hin, wenn die Nutzung einer Workload zu unvorhersehbar ist, um eine Verkleinerung sicher durchzuführen.

Die ML-gesteuerte Bedarfsanpassung erfolgt ebenfalls kontinuierlich. Anstatt vierteljährliche Überprüfungen durchzuführen, überwacht das Modell jede Arbeitslast nahezu in Echtzeit und gibt neue Empfehlungen aus, sobald sich die Nutzungsmuster ändern. Dies ist in schnelllebigen Cloud-Umgebungen von Bedeutung, in denen Teams täglich Arbeitslasten bereitstellen und anpassen. Das praktische Ergebnis ist ein höheres Vertrauen in jede Empfehlung und weniger Leistungsstörungen, die durch eine zu drastische Verkleinerung verursacht werden.

Welche Daten zu den Cloud-Kosten benötigt ein Machine-Learning-Modell, um effektiv zu funktionieren?

Ein Modell für maschinelles Lernen zur Optimierung der Cloud-Kosten benötigt drei Arten von Daten, um gut zu funktionieren: detaillierte Nutzungskennzahlen, detaillierte Abrechnungsdaten und Metadaten zu den Ressourcen. Ohne ausreichende Datenqualität und -abdeckung in diesen Bereichen sind die Empfehlungen des Modells unvollständig oder unzuverlässig.

• Detaillierte Nutzungskennzahlen: CPU-, Speicher-, Festplatten-E/A- und Netzwerkauslastung auf der Ebene der einzelnen Ressourcen, idealerweise in kurzen Intervallen (stündlich oder häufiger) über einen Zeitraum von mehreren Wochen, um Nutzungsmuster zu erfassen.
• Detaillierte Abrechnungs- und Kostenverrechnungsdaten: Cloud-Rechnungen mit Einzelposten, Tags, Konto-IDs und einer Aufschlüsselung der Leistungen, wodurch die Kosten bestimmten Teams, Anwendungen oder Umgebungen zugeordnet werden können.
• Metadaten zur Ressource: Instanztypen, Regionen, Konfigurationen und Beziehungen zwischen Ressourcen (beispielsweise, welche Speichervolumes an welche Instanzen angehängt sind).
• Historischer Kontext: Mindestens 30 bis 90 Tage an historischen Daten, damit das Modell normale Nutzung von Anomalien unterscheiden und zyklische Muster erkennen kann.

Die Datenqualität ist ebenso wichtig wie das Datenvolumen. Uneinheitliche Kennzeichnung, fehlende Kostenverrechnungspfade und Lücken in der Überwachungsabdeckung beeinträchtigen die Genauigkeit von ML-Empfehlungen. Unternehmen, die in saubere, gut gekennzeichnete Cloud-Daten investieren, profitieren deutlich stärker von der ML-gestützten Optimierung als solche, die mit fragmentierten oder unvollständigen Datensätzen arbeiten.

Welche FinOps-Tools nutzen maschinelles Lernen zur Kostenoptimierung?

Mehrere führende FinOps-Plattformen integrieren maschinelles Lernen in ihre Workflows zur Kostenoptimierung. Apptio Cloudability, AWS Cost Explorer, Azure Advisor, Google Cloud Recommender sowie Tools wie Spot.io und CloudHealth nutzen maschinelles Lernen in unterschiedlichem Umfang für Empfehlungen zur bedarfsgerechten Dimensionierung, zur Erkennung von Anomalien und zur Optimierung von Verpflichtungen.

Apptio Cloudability, mit dem wir als IBM-Partner zusammenarbeiten, nutzt maschinelles Lernen (ML) zur bedarfsgerechten Anpassung der Ressourcen in AWS, Azure und GCP und bindet diese Empfehlungen in ein umfassenderes Rahmenwerk für Kostenverrechnung und Governance ein. Dies ist von Bedeutung, da eine Empfehlung zur bedarfsgerechten Anpassung ohne den entsprechenden Kontext der Kostenverrechnung zwar die Ausgaben eines Teams optimieren kann, dabei jedoch unbeabsichtigt Kosten auf ein anderes Team verlagert werden können.

Cloud-native Tools von AWS, Azure und GCP sind nützliche Ausgangspunkte, arbeiten jedoch innerhalb des Ökosystems eines einzelnen Anbieters. Für Unternehmen, die Multi-Cloud-Umgebungen betreiben, bietet ein plattformunabhängiges FinOps-Tool mit ML-Funktionen eine einheitliche Übersicht und vermeidet die blinden Flecken, die durch die separate Verwaltung jeder einzelnen Cloud entstehen.

Die effektivsten Lösungen kombinieren ML-gestützte Tools mit menschlicher Steuerung: Das Modell deckt Chancen auf, und ein festgelegter Entscheidungsprozess stellt sicher, dass diese Chancen von den richtigen Personen mit den entsprechenden Befugnissen umgesetzt werden.

Wann stößt maschinelles Lernen beim Kostenmanagement in der Cloud an seine Grenzen?

Maschinelles Lernen stößt an seine Grenzen, wenn es Unternehmen an der erforderlichen Datenqualität, an Strukturen zur Rechenschaftspflicht oder an Entscheidungsprozessen mangelt, um die Empfehlungen des Systems umzusetzen. Maschinelles Lernen kann zwar Verschwendung aufdecken und Optimierungsmöglichkeiten aufzeigen, ist jedoch nicht in der Lage, die organisatorischen und governancebezogenen Lücken zu schließen, die die Umsetzung dieser Möglichkeiten verhindern.

Zu den typischen Situationen, in denen ML hinter den Erwartungen zurückbleibt, gehören:

• Mangelhafte Kennzeichnung und Kostenverrechnung: Wenn Cloud-Ressourcen nicht einheitlich mit Tags versehen sind, können ML-Modelle Kosten oder Empfehlungen nicht genau den richtigen Teams zuordnen. Die Ergebnisse sind dann zu vage, um darauf reagieren zu können.
• Keine eindeutige Zuständigkeit: Wenn niemand für die Kosten eines bestimmten Arbeitsaufwands verantwortlich ist, bleiben Empfehlungen ungeachtet ihrer Richtigkeit unberücksichtigt. ML sorgt für Transparenz, schafft jedoch keine Verantwortlichkeit.
• Stark schwankende oder unvorhersehbare Arbeitsauslastung: Bestimmte Workloads, wie beispielsweise Batch-Verarbeitungsaufträge mit unregelmäßigen Zeitplänen, folgen keinen Mustern, die maschinelles Lernen zuverlässig erfassen kann. Empfehlungen für diese Workloads sind mit einem höheren Risiko verbunden.
• Fehlende Entscheidungsrhythmik: Unternehmen, die ML-Empfehlungen nur einmal pro Quartal statt kontinuierlich überprüfen, verschenken den Großteil des Nutzens. Die Cloud-Umgebung verändert sich schneller als vierteljährliche Überprüfungszyklen.
• Übermäßiges Vertrauen in Automatisierung ohne Berücksichtigung des Kontexts: Die automatische Umsetzung von Empfehlungen zur bedarfsgerechten Dimensionierung ohne Berücksichtigung der Anforderungen an die Anwendungsleistung kann zu Störungen führen, deren Behebung höhere Kosten verursacht als die erzielten Einsparungen.

Dies ist die Kluft, die das Cloud-Kostenmanagement von ausgereiften FinOps-Prozessen trennt. Tools und maschinelles Lernen sorgen zwar für Transparenz und liefern Empfehlungen, doch eine nachhaltige Kostensenkung erfordert Governance, funktionsübergreifende Zusammenarbeit und eine Kultur, in der Kosten als gemeinsame Verantwortung der Technik-, Finanz- und Geschäftsteams betrachtet werden.

So helfen wir Ihnen dabei, Erkenntnisse aus dem maschinellen Lernen in echte Kosteneinsparungen umzusetzen

Maschinelles Lernen deckt Chancen auf; um diese zu nutzen, ist ein strukturierter Ansatz erforderlich. Wir unterstützen Unternehmen dabei, die erforderlichen FinOps-Fähigkeiten aufzubauen, um Erkenntnisse in Maßnahmen umzusetzen, darunter:

• Bewertung des Reifegrades von FinOps: Wir bewerten den aktuellen Reifegrad Ihres Cloud-Finanzmanagements in den Bereichen Personal, Prozesse, Governance und Tools und ermitteln, wo maschinell lernbasierte Erkenntnisse aufgrund organisatorischer Lücken ungenutzt bleiben.
• Grundlagen der Kostenverrechnung und Kennzeichnung: Wir unterstützen Sie beim Aufbau der Datenqualitätsschicht, auf die sich ML-Modelle stützen – einschließlich einheitlicher Tagging-Strategien und einer vollständigen Kostenverrechnung über Container, gemeinsam genutzte Dienste und Supportgebühren hinweg.
• Optimierung der Governance für AWS, Azure und GCP: Wir führen „Rightsizing“-Workflows ein, die ML-Empfehlungen mit klaren Zuständigkeiten und Entscheidungsbefugnissen kombinieren, sodass die Empfehlungen regelmäßig überprüft und umgesetzt werden.
• Integration von TBM und FinOps: Wir binden die Optimierung der Cloud-Kosten in Ihr übergeordnetes IT-Finanzmanagement ein und stellen so sicher, dass die durch die Cloud erzielten Einsparungen im Kontext der gesamten IT-Ausgaben und des geschäftlichen Nutzens sichtbar werden.

Wenn Sie wissen möchten, wie viel Wert Ihr Unternehmen ungenutzt lässt, Nehmen Sie Kontakt mit uns auf um eine auf Ihre Cloud-Umgebung zugeschnittene FinOps-Bewertung zu besprechen.