Ja, machine learning kan de kosten van cloudinfrastructuur aanzienlijk verlagen. Door gebruikspatronen te analyseren, de vraag te voorspellen en verspilling in realtime op te sporen, helpen op machine learning gebaseerde tools organisaties om onnodige clouduitgaven te verminderen zonder dat dit ten koste gaat van de prestaties. Het effect is het grootst wanneer machine learning wordt geïntegreerd in een bredere FinOps-aanpak die technische optimalisatie koppelt aan financiële verantwoording. Hieronder geven we antwoord op de meest gestelde vragen over hoe machine learning en kostenbesparing in de cloud daadwerkelijk samengaan.
Hoe zorgt machine learning er eigenlijk voor dat de cloudkosten dalen?
Machine learning verlaagt de cloudkosten door de gegevens over het gebruik van resources voortdurend te analyseren om inefficiënties op te sporen, de toekomstige vraag te voorspellen en corrigerende maatregelen aan te bevelen of te automatiseren. In tegenstelling tot statische regels of handmatige controles worden ML-modellen in de loop van de tijd steeds beter naarmate ze meer gebruikssignalen verwerken, waardoor hun aanbevelingen steeds nauwkeuriger worden en steeds beter zijn afgestemd op uw omgeving.
In de praktijk werkt ML-gestuurde kostenoptimalisatie via verschillende mechanismen. Ten eerste detecteert het patronen in de manier waarop workloads in de loop van de tijd reken-, opslag- en netwerkbronnen verbruiken. Ten tweede voorspelt het wanneer de vraag zal pieken of dalen, waardoor de infrastructuur proactief kan worden geschaald in plaats van reactief. Ten derde brengt het afwijkingen aan het licht, zoals een workload die drie keer zoveel resources verbruikt als normaal, voordat die afwijkingen zich vertalen in hoge facturen.
Het resultaat is een verschuiving van reactief kostenbeheer naar proactief kostenbeheer. In plaats van de factuur van vorige maand te bekijken en te proberen overschrijdingen te verklaren, krijgt uw team toekomstgerichte signalen waarmee betere beslissingen kunnen worden genomen voordat er uitgaven worden gedaan.
Welke soorten cloudverspilling kan ML opsporen en elimineren?
Machine learning is bijzonder effectief bij het opsporen van ongebruikte resources, te grote instances, onderbenutte gereserveerde capaciteit en verweesde opslagruimte. Dit zijn de meest voorkomende en kostbare vormen van cloudverspilling, en ze hebben één ding gemeen: ze zijn op grote schaal moeilijk handmatig op te sporen, maar volgen patronen die ML-modellen snel kunnen leren herkennen.
- Inactieve rekeninstances: Virtuele machines of containers die wel draaien maar weinig of geen verkeer verwerken, en die vaak aan blijven staan nadat een project is afgerond of een testomgeving in de vergetelheid is geraakt.
- Extra grote instanties: Ressources die zijn toegewezen met veel meer CPU-capaciteit, geheugen of opslagruimte dan de werklasten daadwerkelijk gebruiken, wat doorgaans het gevolg is van overprovisioning op het moment van implementatie.
- Niet volledig benutte gereserveerde capaciteit: Gereserveerde instances of besparingsplannen die zijn aangeschaft op basis van een verwachte gebruikscapaciteit die nooit is gerealiseerd, waardoor de betaalde capaciteit onbenut bleef.
- Verweesde opslagvolumes en snapshots: Schijven en back-ups die niet langer aan een actieve workload zijn gekoppeld, maar waarvoor nog steeds kosten in rekening worden gebracht.
- Inefficiënte patronen bij gegevensoverdracht: Werkbelastingen die vermijdbare uitgaande kosten veroorzaken als gevolg van suboptimale architectuurkeuzes, die door ML via verkeersanalyse kunnen worden gesignaleerd.
Het is niet realistisch om deze problemen handmatig op te sporen in een multi-cloudomgeving met honderden accounts en duizenden resources. ML zorgt ervoor dat die detectie continu en zonder menselijke vermoeidheid op schaal kan plaatsvinden.
Waarin verschilt op ML gebaseerde rightsizing van handmatige rightsizing?
Bij rightsizing op basis van machine learning wordt het daadwerkelijke werkbelastinggedrag in de loop van de tijd geanalyseerd om de kleinste resourceconfiguratie aan te bevelen die nog steeds aan de prestatie-eisen voldoet. Handmatige rightsizing daarentegen is gebaseerd op periodieke evaluaties aan de hand van gemiddelde bezettingscijfers, waardoor piekgebruiks patronen vaak over het hoofd worden gezien en dit leidt tot ofwel onvoldoende toewijzing van resources, ofwel aanhoudende overtoewijzing.
Het belangrijkste verschil zit hem in de kwaliteit en diepgang van de gegevens die bij elke aanpak worden gebruikt. Bij een handmatige beoordeling wordt bijvoorbeeld gekeken naar het gemiddelde CPU-gebruik over 30 dagen, waarna wordt geconcludeerd dat een grote instance kan worden verkleind. Een ML-model houdt rekening met de volledige verdeling van het gebruik, inclusief piekuren, patronen per dag van de week en seizoensgebonden variaties, alvorens een aanbeveling te doen. Het weegt ook het risico van een aanbeveling af en geeft aan wanneer het gebruik van een workload te onvoorspelbaar is om veilig te verkleinen.
ML-gestuurde rightsizing werkt ook continu. In plaats van een driemaandelijkse evaluatie uit te voeren, houdt het model elke workload vrijwel in realtime in de gaten en doet het nieuwe aanbevelingen zodra gebruikspatronen veranderen. Dit is van belang in snel veranderende cloudomgevingen waar teams dagelijks workloads implementeren en aanpassen. Het praktische resultaat is een groter vertrouwen in elke aanbeveling en minder prestatieproblemen als gevolg van te drastische inkrimping.
Welke gegevens over cloudkosten heeft een machine learning-model nodig om effectief te kunnen werken?
Een machine learning-model voor het optimaliseren van cloudkosten heeft drie soorten gegevens nodig om goed te kunnen functioneren: gedetailleerde gebruiksstatistieken, gedetailleerde factuurgegevens en metagegevens over resources. Zonder voldoende gegevenskwaliteit en dekking op deze gebieden zullen de aanbevelingen van het model onvolledig of onbetrouwbaar zijn.
- Gedetailleerde gebruiksstatistieken: CPU-, geheugen-, schijf-I/O- en netwerkgebruik op het niveau van individuele bronnen, bij voorkeur met korte tussenpozen (elk uur of vaker) gedurende een periode van enkele weken om gebruikspatronen in kaart te brengen.
- Gedetailleerde facturerings- en kostentoewijzingsgegevens: Cloudfacturen met afzonderlijke posten, voorzien van tags, account-ID’s en een uitsplitsing van de diensten, waardoor kosten kunnen worden gekoppeld aan specifieke teams, applicaties of omgevingen.
- Metagegevens van de bron: Instantietypen, regio’s, configuraties en relaties tussen resources (bijvoorbeeld welke opslagvolumes aan welke instanties zijn gekoppeld).
- Historische context: Ten minste 30 tot 90 dagen aan historische gegevens, zodat het model normaal gebruik kan onderscheiden van afwijkingen en cyclische patronen kan herkennen.
De kwaliteit van gegevens is net zo belangrijk als de hoeveelheid gegevens. Inconsistente tagging, ontbrekende kostentoewijzing en hiaten in de monitoring hebben allemaal een negatieve invloed op de nauwkeurigheid van ML-aanbevelingen. Organisaties die investeren in schone, goed getagde cloudgegevens halen aanzienlijk meer waarde uit ML-gestuurde optimalisatie dan organisaties die werken met gefragmenteerde of onvolledige datasets.
Welke FinOps-tools maken gebruik van machine learning voor kostenoptimalisatie?
Verschillende toonaangevende FinOps-platforms integreren machine learning in hun workflows voor kostenoptimalisatie. Apptio Cloudability, AWS Cost Explorer, Azure Advisor, Google Cloud Recommender en tools zoals Spot.io en CloudHealth maken elk in verschillende mate gebruik van ML voor aanbevelingen inzake capaciteitsafstemming, detectie van afwijkingen en optimalisatie van verbintenissen.
Apptio Cloudability, waarmee we als IBM-partner samenwerken, past machine learning toe op het optimaliseren van de capaciteit binnen AWS, Azure en GCP en integreert die aanbevelingen in een breder kader voor kostenallocatie en governance. Dit is van belang omdat een aanbeveling voor capaciteitsoptimalisatie zonder de juiste context op het gebied van kostenallocatie weliswaar de uitgaven van het ene team kan optimaliseren, maar onbedoeld de kosten naar een ander team kan verschuiven.
Cloud-native tools van AWS, Azure en GCP zijn handige uitgangspunten, maar ze functioneren binnen het ecosysteem van één enkele provider. Voor organisaties die multi-cloudomgevingen beheren, biedt een platformonafhankelijke FinOps-tool met ML-mogelijkheden een uniform overzicht en voorkomt deze de blinde vlekken die ontstaan wanneer elke cloud afzonderlijk wordt beheerd.
De meest effectieve opzet combineert op machine learning gebaseerde tools met menselijk toezicht: het model brengt kansen aan het licht, en een vastgelegd besluitvormingsproces zorgt ervoor dat die kansen worden benut door de juiste personen met de juiste bevoegdheden.
Wanneer schiet machine learning tekort bij het beheer van cloudkosten?
Machine learning schiet tekort wanneer organisaties niet beschikken over de benodigde gegevenskwaliteit, verantwoordingsstructuren of besluitvormingsprocessen om op de aanbevelingen in te spelen. ML kan verspilling opsporen en optimalisatiemogelijkheden aan het licht brengen, maar kan de organisatorische en bestuurlijke tekortkomingen niet verhelpen die ervoor zorgen dat die mogelijkheden niet worden benut.
Veelvoorkomende situaties waarin ML niet aan de verwachtingen voldoet, zijn onder meer:
- Gebrekkige codering en kostentoerekening: Als cloudresources niet consequent van tags worden voorzien, kunnen ML-modellen de kosten of aanbevelingen niet nauwkeurig aan de juiste teams toewijzen. De uitkomst wordt dan te vaag om er actie op te ondernemen.
- Geen duidelijke eigenaar: Als niemand verantwoordelijk is voor de kosten van een bepaalde werklast, blijven aanbevelingen onuitgevoerd, hoe accuraat ze ook zijn. ML zorgt voor inzicht; het zorgt niet voor verantwoordelijkheid.
- Zeer wisselende of onvoorspelbare werkbelastingen: Sommige workloads, zoals batchverwerkingstaken met onregelmatige schema’s, volgen geen patronen die ML op betrouwbare wijze kan leren. Aanbevelingen voor deze workloads brengen een groter risico met zich mee.
- Het ontbreken van een beslissingsritme: Organisaties die ML-aanbevelingen slechts eenmaal per kwartaal beoordelen in plaats van continu, lopen het grootste deel van het voordeel mis. De cloudomgeving verandert sneller dan de kwartaalcyclus voor beoordelingen.
- Overmatige afhankelijkheid van automatisering zonder rekening te houden met de context: Het automatisch doorvoeren van aanbevelingen voor rightsizing zonder inzicht in de prestatie-eisen van de applicatie kan leiden tot incidenten waarvan de oplossing meer kost dan de gerealiseerde besparingen.
Dit is de kloof die het beheer van cloudkosten scheidt van volwassen FinOps. Tools en machine learning bieden inzicht en aanbevelingen, maar voor een duurzame kostenreductie zijn governance, functieoverschrijdende samenwerking en een cultuur nodig waarin kosten worden beschouwd als een gedeelde verantwoordelijkheid van de technische, financiële en zakelijke teams.
Hoe wij u helpen om ML-inzichten om te zetten in daadwerkelijke kostenbesparingen
Machine learning brengt kansen aan het licht; om daarop in te spelen is een gestructureerde aanpak nodig. Wij helpen organisaties bij het opbouwen van de FinOps-capaciteiten die nodig zijn om van inzicht naar actie te gaan, waaronder:
- Beoordeling van de FinOps-rijpheid: We beoordelen de huidige stand van zaken op het gebied van financieel beheer in de cloud, met name wat betreft personeel, processen, governance en tooling, en brengen in kaart waar ML-gedreven inzichten onbenut blijven als gevolg van organisatorische tekortkomingen.
- Grondslagen voor kostenverdeling en tagging: Wij helpen u bij het opzetten van de datakwaliteitslaag waarop ML-modellen steunen, inclusief consistente tagging-strategieën en een volledige kostenverdeling over containers, gedeelde diensten en ondersteuningskosten.
- Het afstemmen van het beheer op AWS, Azure en GCP: We implementeren ‘rightsizing’-workflows waarin aanbevelingen op basis van machine learning worden gecombineerd met duidelijke verantwoordelijkheden en beslissingsbevoegdheden, zodat de aanbevelingen regelmatig worden beoordeeld en er daadwerkelijk op wordt ingespeeld.
- Integratie van TBM en FinOps: We koppelen de optimalisatie van cloudkosten aan uw bredere kader voor financieel IT-beheer, zodat de besparingen op de cloud duidelijk zichtbaar zijn binnen de context van de totale IT-uitgaven en de bedrijfswaarde.
Als je wilt weten hoeveel waarde je organisatie laat liggen, neem contact met ons op om een FinOps-beoordeling te bespreken die is afgestemd op uw cloudomgeving.