Oui, l'apprentissage automatique peut réduire de manière significative les coûts liés à l'infrastructure cloud. En analysant les habitudes d'utilisation, en anticipant la demande et en détectant les gaspillages en temps réel, les outils basés sur l'apprentissage automatique aident les entreprises à réduire leurs dépenses cloud superflues sans compromettre les performances. L'impact est particulièrement important lorsque l'apprentissage automatique est intégré dans un cadre plus large Pratique FinOps qui fait le lien entre l'optimisation technique et la responsabilité financière. Nous répondons ci-dessous aux questions les plus courantes sur la manière dont l'apprentissage automatique et la réduction des coûts du cloud s'articulent concrètement.
Comment l'apprentissage automatique permet-il concrètement de réduire les coûts liés au cloud ?
L'apprentissage automatique permet de réduire les coûts liés au cloud en analysant en continu les données d'utilisation des ressources afin d'identifier les inefficacités, de prévoir la demande future et de recommander ou d'automatiser des mesures correctives. Contrairement aux règles statiques ou aux analyses manuelles, les modèles d'apprentissage automatique s'améliorent au fil du temps à mesure qu'ils traitent davantage de signaux d'utilisation, ce qui rend leurs recommandations de plus en plus précises et adaptées à votre environnement.
Concrètement, l’optimisation des coûts basée sur le ML fonctionne selon plusieurs mécanismes. Premièrement, elle détecte des tendances dans la manière dont les charges de travail consomment les ressources de calcul, de stockage et de réseau au fil du temps. Deuxièmement, elle prévoit les pics ou les baisses de demande, ce qui permet à l’infrastructure de s’adapter de manière proactive plutôt que réactive. Enfin, elle met en évidence les anomalies, telles qu’une charge de travail consommant trois fois plus de ressources que d’habitude, avant que ces anomalies ne se traduisent par des factures élevées.
Il en résulte une évolution d'une gestion réactive des coûts vers une gouvernance proactive des coûts. Au lieu d'examiner la facture du mois dernier et d'essayer d'expliquer les dépassements, votre équipe reçoit des signaux prévisionnels qui lui permettent de prendre de meilleures décisions avant que les dépenses ne soient engagées.
Quels types de gaspillage liés au cloud le ML peut-il détecter et éliminer ?
L'apprentissage automatique s'avère particulièrement efficace pour détecter les ressources inutilisées, les instances surdimensionnées, la capacité réservée sous-utilisée et le stockage orphelin. Il s'agit là des formes les plus courantes et les plus coûteuses de gaspillage dans le cloud, qui partagent toutes une caractéristique commune : elles sont difficiles à repérer manuellement à grande échelle, mais suivent des schémas que les modèles d'apprentissage automatique peuvent apprendre à reconnaître rapidement.
- Instances de calcul inactives : Les machines virtuelles ou les conteneurs qui sont en cours d'exécution mais qui ne reçoivent que peu ou pas de trafic, souvent laissés allumés après la fin d'un projet ou lorsque l'on oublie qu'un environnement de test existe.
- Instances surdimensionnées : Ressources allouées avec des capacités de processeur, de mémoire ou de stockage bien supérieures à celles réellement utilisées par les charges de travail, ce qui résulte généralement d’un surprovisionnement au moment du déploiement.
- Capacité réservée sous-utilisée : Des instances réservées ou des plans d'économies achetés sur la base d'une utilisation prévue qui ne s'est jamais concrétisée, laissant ainsi la capacité payée inutilisée.
- Volumes de stockage et instantanés orphelins : Disques et sauvegardes qui ne sont plus associés à aucune charge de travail active, mais qui continuent d'engendrer des frais.
- Modèles de transfert de données inefficaces : Les charges de travail générant des coûts de sortie évitables en raison de choix d'architecture sous-optimaux, que le ML peut mettre en évidence grâce à l'analyse du trafic.
Il n'est pas réaliste de détecter manuellement ces problèmes dans un environnement multicloud comptant des centaines de comptes et des milliers de ressources. L'apprentissage automatique permet d'étendre cette détection en continu, sans fatigue humaine.
En quoi le redimensionnement basé sur l'apprentissage automatique diffère-t-il du redimensionnement manuel ?
Le redimensionnement basé sur le ML analyse le comportement réel de la charge de travail au fil du temps afin de recommander la configuration de ressources la plus réduite possible tout en respectant les exigences de performance. Le redimensionnement manuel, en revanche, repose sur des examens périodiques s'appuyant sur des indicateurs d'utilisation moyenne, qui passent souvent à côté des pics d'utilisation et conduisent soit à un sous-provisionnement, soit à un surprovisionnement persistant.
La différence fondamentale réside dans la qualité et la richesse des données utilisées par chaque approche. Une analyse manuelle pourrait se baser sur la moyenne d’utilisation du processeur sur 30 jours et conclure qu’une instance de grande taille pourrait être réduite. Un modèle d’apprentissage automatique prend en compte la distribution complète de l’utilisation, y compris les heures de pointe, les tendances par jour de la semaine et les variations saisonnières, avant de formuler une recommandation. Il évalue également le risque lié à une recommandation, en signalant les cas où l’utilisation d’une charge de travail est trop imprévisible pour permettre une réduction de taille en toute sécurité.
Le redimensionnement basé sur le ML fonctionne également en continu. Plutôt que de procéder à une analyse trimestrielle, le modèle surveille chaque charge de travail en temps quasi réel et propose de nouvelles recommandations à mesure que les habitudes d’utilisation évoluent. Cela revêt une importance particulière dans les environnements cloud en constante évolution, où les équipes déploient et modifient quotidiennement leurs charges de travail. Concrètement, cela se traduit par une plus grande fiabilité de chaque recommandation et une réduction du nombre d’incidents de performance dus à un redimensionnement trop radical.
De quelles données relatives aux coûts du cloud un modèle d'apprentissage automatique a-t-il besoin pour fonctionner efficacement ?
Pour fonctionner correctement, un modèle d’apprentissage automatique destiné à l’optimisation des coûts du cloud a besoin de trois catégories de données : des indicateurs d’utilisation granulaires, des données de facturation détaillées et des métadonnées sur les ressources. Si la qualité et la couverture des données sont insuffisantes dans ces domaines, les recommandations du modèle seront incomplètes ou peu fiables.
- Indicateurs d'utilisation détaillés : Utilisation du processeur, de la mémoire, des E/S disque et du réseau au niveau de chaque ressource, de préférence à intervalles réguliers (toutes les heures ou plus fréquemment) sur une période de plusieurs semaines afin de mettre en évidence les tendances d'utilisation.
- Données détaillées relatives à la facturation et à la répartition des coûts : Des factures cloud détaillées par ligne, comprenant des balises, des identifiants de compte et une ventilation des services, qui permettent d'associer les coûts à des équipes, des applications ou des environnements spécifiques.
- Métadonnées de la ressource : Types d'instances, régions, configurations et relations entre les ressources (par exemple, quels volumes de stockage sont associés à quelles instances).
- Contexte historique : Au moins 30 à 90 jours de données historiques pour permettre au modèle de distinguer l'utilisation normale des anomalies et d'identifier les tendances cycliques.
La qualité des données est tout aussi importante que leur volume. Un balisage incohérent, l'absence d'imputation des coûts et des lacunes dans la couverture de la surveillance nuisent toutes à la précision des recommandations issues du machine learning. Les organisations qui investissent dans des données cloud propres et correctement balisées tirent nettement plus de valeur de l'optimisation basée sur le machine learning que celles qui travaillent avec des ensembles de données fragmentés ou incomplets.
Quels outils FinOps utilisent l'apprentissage automatique pour optimiser les coûts ?
Plusieurs plateformes FinOps de premier plan intègrent l'apprentissage automatique dans leurs processus d'optimisation des coûts. Apptio Cloudability, AWS Cost Explorer, Azure Advisor, Google Cloud Recommender, ainsi que des outils tels que Spot.io et CloudHealth, utilisent tous, à des degrés divers, l'apprentissage automatique pour formuler des recommandations de redimensionnement, détecter les anomalies et optimiser les engagements.
Apptio Cloudability, avec lequel nous collaborons en tant que partenaire IBM, utilise l'apprentissage automatique pour optimiser la taille des ressources sur AWS, Azure et GCP, et intègre ces recommandations dans un cadre plus large de répartition des coûts et de gouvernance. C'est important, car une recommandation d'optimisation de la taille des ressources qui ne s'inscrit pas dans un contexte approprié de répartition des coûts peut optimiser les dépenses d'une équipe tout en transférant involontairement les coûts vers une autre.
Les outils « cloud-native » d’AWS, d’Azure et de GCP constituent des points de départ utiles, mais ils fonctionnent au sein de l’écosystème d’un seul fournisseur. Pour les entreprises exploitant des environnements multicloud, un outil FinOps indépendant de toute plateforme et doté de capacités d’apprentissage automatique offre une vue d’ensemble unifiée et permet d’éviter les angles morts liés à la gestion séparée de chaque cloud.
Les configurations les plus efficaces associent des outils basés sur l'apprentissage automatique à une gouvernance humaine : le modèle met en évidence des opportunités, et un processus décisionnel bien défini garantit que ces opportunités sont exploitées par les bonnes personnes, dotées des pouvoirs nécessaires.
Dans quels cas l'apprentissage automatique présente-t-il des limites en matière de gestion des coûts du cloud ?
L'apprentissage automatique se révèle insuffisant lorsque les organisations ne disposent pas de la qualité de données, des structures de responsabilité ou des processus décisionnels nécessaires pour donner suite à ses recommandations. L'apprentissage automatique permet certes d'identifier les gaspillages et de mettre en évidence des opportunités d'optimisation, mais il ne peut pas combler les lacunes organisationnelles et de gouvernance qui empêchent la concrétisation de ces opportunités.
Voici quelques situations courantes dans lesquelles le ML ne tient pas ses promesses :
- Un système d'étiquetage et d'imputation des coûts inadéquat : Lorsque les ressources cloud ne sont pas systématiquement étiquetées, les modèles d'apprentissage automatique ne peuvent pas attribuer avec précision les coûts ou les recommandations aux équipes concernées. Les résultats deviennent alors trop vagues pour permettre de prendre des mesures concrètes.
- Absence de propriété clairement établie : Si personne n'est tenu responsable des coûts liés à une charge de travail spécifique, les recommandations restent lettre morte, quelle que soit leur pertinence. L'apprentissage automatique apporte de la visibilité ; il ne crée pas de responsabilité.
- Charges de travail très variables ou imprévisibles : Certaines charges de travail, telles que les tâches de traitement par lots dont les horaires sont irréguliers, ne suivent pas de schémas que l'apprentissage automatique peut identifier de manière fiable. Les recommandations relatives à ces charges de travail comportent donc un risque plus élevé.
- Absence de rythme décisionnel : Les organisations qui examinent les recommandations issues de l'apprentissage automatique une fois par trimestre plutôt que de manière continue perdent la majeure partie des avantages qu'elles pourraient en tirer. L'environnement cloud évolue plus rapidement que les cycles d'examen trimestriels.
- Un recours excessif à l'automatisation hors contexte : L'application automatique de recommandations de redimensionnement sans tenir compte des exigences de performances des applications peut entraîner des incidents dont la résolution coûte plus cher que les économies réalisées.
C'est là que réside la différence entre la gestion des coûts du cloud et une pratique FinOps aboutie. Les outils et l'apprentissage automatique offrent une visibilité et fournissent des recommandations, mais une réduction durable des coûts passe par une gouvernance, une collaboration interfonctionnelle et une culture dans laquelle la gestion des coûts est considérée comme une responsabilité partagée entre les équipes d'ingénierie, financières et métier.
Comment nous vous aidons à transformer les informations issues du ML en réelles économies
L'apprentissage automatique met en évidence les opportunités ; pour les exploiter, une approche structurée est nécessaire. Nous aidons les organisations à développer les capacités FinOps indispensables pour passer de l'analyse à l'action, notamment :
- Évaluation du niveau de maturité FinOps : Nous évaluons le niveau actuel de maturité de votre gestion financière dans le cloud, tant au niveau des ressources humaines que des processus, de la gouvernance et des outils, et nous identifions les domaines dans lesquels les informations issues du machine learning ne sont pas exploitées en raison de lacunes organisationnelles.
- Principes fondamentaux de la répartition des coûts et du marquage : Nous vous aidons à mettre en place la couche de qualité des données dont dépendent les modèles d'apprentissage automatique, notamment grâce à des stratégies de marquage cohérentes et à une répartition complète des coûts entre les conteneurs, les services partagés et les frais d'assistance.
- Adapter la gouvernance à AWS, Azure et GCP : Nous mettons en place des processus optimisés qui associent les recommandations issues de l'apprentissage automatique à une répartition claire des responsabilités et des pouvoirs décisionnels, afin que ces recommandations soient régulièrement examinées et mises en œuvre.
- Intégration entre TBM et FinOps : Nous intégrons l'optimisation des coûts du cloud à votre cadre global de gestion financière informatique, afin que les économies réalisées sur le cloud soient clairement identifiables au regard des dépenses informatiques globales et de la valeur ajoutée pour l'entreprise.
Si vous souhaitez savoir quelle part de valeur votre entreprise laisse passer, contactez-nous pour discuter d'une évaluation FinOps adaptée à votre environnement cloud.