Khususnya di era fajar kecerdasan buatan, biaya awan berada pada tingkat tertinggi yang pernah ada. Tetapi ini bukan hanya karena lembaga menggunakan lebih banyak akun – mereka tidak menggunakannya secara efisien. Faktanya, hanya tahun ini, perusahaan diharapkan akan hilang 44,5 miliar dolar Pada pengeluaran awan yang tidak perlu.

Ini adalah masalah amplifikasi Teknologi AkamaiPerusahaan ini memiliki infrastruktur cloud yang besar dan kompleks di berbagai awan, belum lagi banyak persyaratan keamanan yang ketat.

ke Selesaikan ini, penyedia keamanan dunia maya dan pengiriman konten berubah menjadi platform otomatisasi Kubernetes Pengiriman untuk AndaYang membantu agen intelijen buatan meningkatkan biaya dan keamanan Dan kecepatan melalui lingkungan awan.

Pada akhirnya, platform Akamai membantu mengurangi antara 40 % menjadi 70 % dari biaya cloud, tergantung pada beban kerja.

“Kami membutuhkan cara berkelanjutan untuk meningkatkan infrastruktur kami dan mengurangi biaya cloud kami tanpa mengorbankan kinerja,” Dickel Shavet, kepala manajer teknik cloud di Akamay, mengatakan kepada VentureBeat. “Kami adalah perawatan peristiwa keselamatan. Penundaan bukanlah suatu pilihan. Jika kami tidak dapat menanggapi serangan keamanan dalam waktu yang sebenarnya, kami telah gagal.”

Agen khusus yang memantau dan menganalisis dan bertindak

Kubernetes mengelola infrastruktur yang menjalankan aplikasi, yang mudah disebarkan dan dikelola dan dikelola, terutama dalam struktur cloud asli dan layanan yang tepat.

Cast AI digabungkan ke dalam sistem Kubernetes untuk membantu pelanggan memperluas kelompok mereka dan melakukan beban, mendefinisikan infrastruktur terbaik dan mengelola kursus kehidupan matematika, yang dijelaskan oleh pendiri dan CEO Laurent Gil. Platform utamanya adalah APA (APA), yang bekerja melalui tim agen khusus yang terus -menerus memantau, menganalisis, dan mengambil langkah -langkah untuk meningkatkan kinerja aplikasi, keamanan, efisiensi, dan biaya. Perusahaan hanya menawarkan akun yang mereka butuhkan dari AWS, Microsoft, Google, atau lainnya.

APA dioperasikan oleh banyak Model Pembelajaran Otomatis (ML) dengan Penguatan Penguatan (RL) berdasarkan data historis dan gaya yang dipelajari, yang ditingkatkan oleh fase pengamatan dan penalaran falis. Ini terkait dengan alat infrastruktur (IC) pada banyak awan, menjadikannya platform yang sepenuhnya otomatis.

Gil menjelaskan bahwa APA dibangun berdasarkan prinsip bahwa pengamatan hanyalah titik awal; Seperti yang disebut, pengamatan adalah “dasar, bukan tujuannya.” Cast AI juga mendukung adopsi tambahan, sehingga pelanggan tidak harus menghapus dan menggantinya; Mereka dapat berintegrasi ke dalam alat dan alur kerja saat ini. Selain itu, tidak ada yang meninggalkan infrastruktur pelanggan; Semua analisis dan prosedur terjadi dalam kelompok Kubernetes khusus, memberikan lebih banyak keamanan dan kontrol.

Generasi juga menekankan pentingnya manusia. Dia mengatakan: “Otomatisasi menyelesaikan keputusan manusia,” karena APA mempertahankan fungsi aksi manusia di tengah.

Tantangan unik dari Akamai

Shaffet menjelaskan bahwa jaringan pengiriman konten yang besar dan kompleks di Akamai Cloudy Forces (CDN) dan layanan keamanan siber dikirimkan ke beberapa pelanggan dan industri paling banyak di dunia dengan kepatuhan dengan Perjanjian Level Level Level (SLA) dan persyaratan kinerja yang ketat.

Dia menunjukkan bahwa untuk beberapa layanan yang mereka konsumsi, mereka cenderung menjadi pelanggan terbesar penjual mereka, menambahkan bahwa mereka memiliki “banyak teknik dasar dan memulihkan teknik” dengan hiperaktif untuk mendukung kebutuhan mereka.

Selain itu, Akamai melayani pelanggan dari berbagai ukuran dan industri, termasuk lembaga keuangan besar dan perusahaan kartu kredit. Layanan Perusahaan secara langsung terkait dengan posisi keamanan pelanggannya.

Pada akhirnya, Akamai perlu menyeimbangkan semua kompleksitas ini dengan biaya. Shavit mencatat bahwa serangan realistis pada pelanggan dapat mendorong 100x atau 1000x pada komponen spesifik infrastruktur mereka. Tetapi “batasan energi cloud kita dengan 1000x sebelumnya tidak mungkin secara finansial.”

Timnya berpikir untuk meningkatkan sisi kode, tetapi kompleksitas yang melekat dari model bisnis mereka membutuhkan fokus pada infrastruktur dasar yang sama.

Peningkatan infrastruktur cubernetes secara otomatis

Yang benar -benar dibutuhkan Akamai adalah platform otomatisasi Kubernetes yang dapat meningkatkan biaya pengoperasian seluruh infrastruktur dasar dalam waktu aktual pada banyak awan, Shavit menjelaskan, memperluas kisaran aplikasi naik dan turun berdasarkan permintaan yang terus berubah. Tetapi semua ini harus dilakukan tanpa mengorbankan penerapan aplikasi.

Sebelum implementasi aktor, Shavit mengindikasikan bahwa tim DevOps di Akamai secara manual menetapkan semua beban Kubernetes beberapa kali sebulan. Melihat skala dan kompleksitas infrastrukturnya, itu sulit dan mahal. Dengan menganalisis beban pekerjaan sebentar -sebentar, ia dengan jelas menuduh potensi yang lebih baik dalam waktu yang sebenarnya.

“Sekarang, ratusan agen padang rumput sama dengan mengendalikan, tetapi mereka melakukan ini setiap detik setiap hari,” kata Shavet.

Inti APA yang digunakan Akami adalah otomatisasi otomatis, dalam -Depth Kubernetes dengan pengisian bin (mengurangi jumlah dana yang digunakan), pemilihan otomatis dari perhitungan biaya yang lebih efektif, hak beban kerja, pengkondisian topikal sepanjang umur seluruh umur dan kemampuan analisis biaya.

“Kami mendapat pandangan mendalam tentang analisis biaya selama dua menit, yang merupakan sesuatu yang belum pernah kami lihat sebelumnya,” kata Shavet. “Setelah agen aktif diterbitkan, perbaikan dimulai secara otomatis, dan penghematan mulai muncul.”

Shaffet menunjukkan bahwa jelas bahwa kasus -kasus langsung – di mana lembaga dapat mencapai kapasitas awan yang tidak digunakan dengan harga yang tereduksi – logis untuk pria, tetapi ternyata mereka rumit karena beban pekerjaan yang kompleks di Akamai, terutama Apache Spark. Ini berarti bahwa mereka perlu meningkatkan beban kerja atau meletakkan lebih banyak tangan pada mereka, yang ternyata intuitif secara finansial.

Dengan Cast AI, mereka dapat menggunakan rekan -rekan topikal pada Spark dengan “nol investasi” dari tim teknik atau operasi. Nilai rekan pewarnaan “sangat jelas”; Mereka hanya perlu menemukan alat yang tepat untuk dapat menggunakannya. Shavitt menunjukkan bahwa ini adalah salah satu alasan yang membuat mereka bergerak maju.

Sementara menghemat 2x atau 3x pada endi cloud sangat bagus, Shavit menunjukkan bahwa otomatisasi tanpa intervensi manual “sangat berharga”. Ini telah menyebabkan penghematan waktu “besar”.

Sebelum Cast AI dieksekusi, timnya “terus -menerus bergerak di sekitar pegangan dan kunci” untuk memastikan bahwa lingkungan produksi dan pelanggan mereka sama dengan layanan yang mereka butuhkan untuk berinvestasi.

“Manfaat terbesar adalah kenyataan bahwa kita tidak perlu mengelola infrastruktur kita lagi,” kata Shavet. “Tim klien aktor sekarang untuk kami. Tim kami telah fokus pada apa yang lebih penting: meluncurkan fitur yang lebih cepat untuk pelanggan kami.”

Catatan Editor: Di bulan ini VB mengonversiGoogle Cloud CTO dan Highmark Health SVP dan Kepala Analisis Analisis Richard Clark adalah bahan pokok kecerdasan buatan baru di bidang perawatan kesehatan dan tantangan realistis dalam menyebarkan AI multi -mode di lingkungan yang kompleks dan terorganisir. Catatan.