Inmobiliaria News

A medida que las empresas migran cada vez más las cargas de trabajo a la nube, la gestión de los costos asociados se ha convertido en un factor crítico. La investigación indica que aproximadamente un tercio del gasto en la nube pública no produce un trabajo útil, con Gartner estimando este desperdicio al 30% del gasto global anualmente. Los ingenieros necesitan un rendimiento confiable, mientras que los equipos financieros buscan gastos predecibles. Sin embargo, ambos grupos generalmente descubren un gasto excesivo solo después de recibir facturas. La inteligencia artificial une esta brecha mediante el análisis de datos de uso en tiempo real y automatizando los pasos de optimización de rutina. Esto ayuda a las organizaciones a mantener los servicios receptivos al tiempo que reduce los desechos en las principales plataformas en la nube. Este artículo describe cómo la IA logra una rentabilidad, describe estrategias prácticas y explica cómo los equipos pueden integrar la conciencia de los costos en las operaciones de ingeniería y financiación.

Comprender el problema del costo de la nube

Los servicios en la nube facilitan iniciar servidores, bases de datos o colas de eventos. Sin embargo, esta conveniencia también facilita el paso por alto los recursos inactivos, las máquinas de gran tamaño o los entornos de prueba innecesarios. Flexera informa que el 28% del gasto en la nube no se usa, mientras que la Fundación Finops señala que “reducir los desechos” se convirtió en la principal prioridad de los practicantes en 2024. Por lo general, los resultados de gastos de múltiples decisiones pequeñas, como dejar nodos adicionales en ejecución, asignar un exceso de almacenamiento o configurar incorrectamente la autoscalia, en lugar de un solo error. Las revisiones de costos tradicionales ocurren semanas después, lo que significa que las correcciones llegan después de que ya se gastan dinero.

Ai aborda efectivamente este problema. Los modelos de aprendizaje automático analizan la demanda histórica, detectan patrones y ofrecen recomendaciones continuas. Correlacionan el uso, el rendimiento y los costos en varios servicios, generando estrategias claras y procesables para optimizar el gasto. La IA puede identificar de inmediato los gastos anormales, lo que permite a los equipos abordar los problemas rápidamente en lugar de dejar que los costos aumenten desapercibidos. AI ayuda a financiar equipos a producir pronósticos precisos y capacita a los ingenieros para permanecer ágiles.

Estrategias de optimización de costos impulsadas por la IA

La IA mejora la rentabilidad de la nube a través de varios métodos complementarios. Cada estrategia ofrece ahorros medibles de forma independiente, y juntos crean un ciclo de refuerzo de información y acción.

• Colocación de la carga de trabajo: La IA coincide con cada carga de trabajo con infraestructura que cumple con los requisitos de rendimiento al precio más bajo. Por ejemplo, puede determinar que las API sensibles a la latencia deberían permanecer en regiones premium, mientras que los trabajos de análisis nocturnos pueden ejecutarse en instancias spot con descuento en zonas menos costosas. Al igualar las demandas de recursos con el precio del proveedor, la IA evita el gasto innecesario en capacidad premium. La optimización de múltiples nubes con frecuencia logra ahorros significativos sin alterar el código existente.

• Detección de anomalías: Los trabajos mal configurados o acciones maliciosas pueden desencadenar picos de gasto que permanecen ocultos hasta la facturación. La detección de anomalías de costos de AWS, gestión de costos de Azure y Google Cloud Recomended Machine Learning para monitorear los patrones de uso diario, alertando a los equipos cuando los costos se desvían del uso normal. Las alertas tempranas ayudan a los ingenieros a abordar rápidamente los recursos problemáticos o las implementaciones defectuosas antes de que los costos aumenten significativamente.

• Dernessizing: Los servidores de gran tamaño representan la forma de desechos más visible. Google Cloud analiza ocho días de datos de uso y recomienda tipos de máquina más pequeños cuando la demanda permanece constantemente baja. Azure Advisor aplica enfoques similares a las máquinas virtuales, bases de datos y grupos de Kubernetes. Las organizaciones que implementan regularmente estas recomendaciones generalmente reducen los costos de infraestructura en un 30% o más.

• Presupuesto predictivo: Pronoscar el gasto futuro se vuelve desafiante cuando el uso fluctúa regularmente. El pronóstico impulsado por la IA, basado en datos de costos históricos, proporciona a los equipos de finanzas predicciones de gasto precisas. Estos pronósticos permiten la gestión proactiva del presupuesto, lo que permite a los equipos intervenir temprano si los proyectos corren el riesgo de exceder sus presupuestos. Las características integradas de WHIF demuestran el probable impacto del lanzamiento de nuevos servicios o la ejecución de campañas de marketing.

• Autoscalado predictivo: El autoscalado tradicional reacciona a la demanda en tiempo real. Sin embargo, los modelos de IA predicen el uso futuro y ajustan proactivamente los recursos. Por ejemplo, el autoscalado predictivo de Google analiza el uso histórico de la CPU para ampliar los recursos minutos antes de los picos anticipados. Este enfoque reduce la necesidad de una capacidad inactiva excesiva, reduciendo los costos mientras mantiene el rendimiento.

Aunque cada una de estas estrategias está diseñada para abordar formas específicas de desechos, como la capacidad de inactividad, los picos de uso repentino o la planificación inadecuada a largo plazo, se refuerzan entre sí. El Derherahizing reduce la línea de base, el autoscalado predictivo suaviza los picos y la detección de anomalías indica valores atípicos raros. La colocación de la carga de trabajo cambia las tareas a entornos más económicos, y el presupuesto predictivo convierte estas optimizaciones en planes financieros confiables.

Integrando la IA en DevOps y Finops

Las herramientas por sí solas no pueden entregar ahorros a menos que se integren en los flujos de trabajo diarios. Las organizaciones deben tratar las métricas de costos como datos operativos centrales visibles para los equipos de ingeniería y finanzas durante todo el ciclo de vida del desarrollo.

Para DevOps, la integración comienza con las tuberías de CI/CD. Las plantillas de infraestructura como código deben activar las verificaciones de costos automatizadas antes de la implementación, bloqueando los cambios que aumentarían significativamente los gastos sin justificación. La IA puede generar automáticamente tickets para recursos de gran tamaño directamente en los tableros de tareas de desarrolladores. Las alertas de costos que aparecen en paneles o canales de comunicación familiares ayudan a los ingenieros a identificar y resolver rápidamente los problemas de costos junto con las preocupaciones de rendimiento.

Los equipos de Finops usan la IA para asignar y pronosticar costos con precisión. La IA puede asignar costos a las unidades de negocios incluso cuando faltan etiquetas explícitas analizando los patrones de uso. Los equipos financieros comparten pronósticos en tiempo real con gerentes de productos, lo que permite decisiones de presupuesto proactivas antes de que se lance la función. Las reuniones regulares de Finops cambian de revisiones de costos reactivos a una planificación prospectiva impulsada por AI Insights.

Las mejores prácticas y las dificultades comunes

Los equipos exitosos con la optimización de costos de nubes dirigidos por IA siguen varias prácticas clave:

• Asegurar datos confiables: El etiquetado preciso, las métricas de uso consistentes y las opiniones de facturación unificadas son críticas. AI no puede optimizar con datos incompletos o conflictivos.
  Alinearse con los objetivos comerciales: Optimización de unión a los objetivos del nivel de servicio y el impacto del cliente. Los ahorros que comprometen la confiabilidad son contraproducentes.
  Automatizar gradualmente: Comience con recomendaciones, progreso a la automatización parcial y automatice completamente las cargas de trabajo estables con comentarios continuos.
• Compartir responsabilidad: Haga que el costo sea una responsabilidad compartida entre ingeniería y finanzas, con paneles claros y alertas para impulsar la acción.

Los errores comunes incluyen rematar en exceso en las derechos automatizadas, escalar sin límites, aplicar umbrales uniformes a diversas cargas de trabajo o ignorar los descuentos específicos del proveedor. Las revisiones regulares de gobernanza aseguran que la automatización permanezca alineada con las políticas comerciales.

Mirando hacia el futuro

El papel de IA en la gestión de costos de la nube continúa expandiéndose. Los proveedores ahora integran el aprendizaje automático en prácticamente todas las características de optimización, desde el motor de recomendación de Amazon hasta el autoscalado predictivo de Google. A medida que los modelos maduran, es probable que incorporen datos de sostenibilidad, como la intensidad regional de la intensidad del carbono, que habilitan las decisiones de colocación que reducen los costos y el impacto ambiental. Las interfaces del lenguaje natural están surgiendo; Los usuarios ya pueden consultar chatbots sobre el gasto de ayer o el pronóstico del próximo trimestre. En los próximos años, la industria probablemente desarrollará plataformas semiautónomas que negocien compras de instancias reservadas, colocen cargas de trabajo en múltiples nubes y apliquen los presupuestos automáticamente, aumentando a los humanos solo por excepciones.

El resultado final

Los desechos de la nube podrían administrarse con IA. Al emplear la colocación de la carga de trabajo, la detección de anomalías, los derechos, el autoscalaje predictivo y el presupuesto, las organizaciones pueden mantener servicios sólidos al tiempo que minimizan los costos innecesarios. Estas herramientas están disponibles en las principales nubes y plataformas de terceros. El éxito depende de integrar la IA en los flujos de trabajo DevOps y Finops, garantizar la calidad de los datos y fomentar la responsabilidad compartida. Con estos elementos en su lugar, la IA transforma la gestión de los costos de la nube en un proceso continuo y basado en datos que beneficia a los ingenieros, desarrolladores y equipos financieros.

Lauren Bannon, de 40 años, comenzó a experimentar una pérdida de peso inexplicable y dolor de estómago persistente. Múltiples médicos descartaron sus preocupaciones como artritis reumatoide o reflujo ácido. Le recetaron medicamentos, pero su condición empeoró.

“Me sentí abandonado por la profesión médica”, dijo Bannon. “Era como si estuviera dentro y fuera de la puerta, sin respuestas reales”.

Frustrado, Bannon recurrió a Chatgpt, una herramienta que ya usó para trabajar en marketing.

Escribió sus síntomas y preguntó qué más podría imitar la artritis. Chatgpt sugerido Enfermedad de Hashimotoun trastorno de tiroides autoinmune, y le dijo que solicitara una prueba para Anticuerpos de peroxidasa tiroidea (TPO).

Su médico era escéptico Sin historia familiar, sin fatiga, sin signos clásicos. Pero Bannon insistió: “Simplemente me anime”, les dijo.

El resultado

Las pruebas volvieron anormales. Otros escaneos revelaron dos pequeños tumores malignos en su cuello. “Sé con certeza que el cáncer se habría extendido sin chatgpt”, dijo. “100% me salvó la vida”.

Bannon no tenía síntomas de libros de texto y resultados normales en chequeos de rutina. Si hubiera aceptado el diagnóstico inicial y permaneciera en medicamentos para la artritis, el cáncer podría no haber sido detectado por mucho más tiempo.

Lauren Bannon, de 40 años, recurrió a las redes sociales para compartir ese chat GPT ayudó a salvar su vida (Imagen: Kennedy News and Media)

Las herramientas de IA como ChatGPT se utilizan cada vez más para apoyar las decisiones médicas

• Ya se aplicó para detectar el cáncer de mama, el cáncer de piel y la enfermedad ocular diabética.
• Los pacientes los usan para comprender los síntomas, sugerir pruebas y prepararse para las citas.
• La historia de Bannon es una de las crecientes empoderamiento de los pacientes, que usa la IA para ser escuchada cuando el sistema falla.

La IA no es un reemplazo para los médicos. Pero puede marcar problemas raros, llenar los huecos de diagnóstico y ayudar a los pacientes a presionar una mejor atención.

Consejo de Bannon

“Animo a otros a usar Chatgpt con atención. Pero le da algo para traerle a su médico. No puede doler; Y podría salvar tu vida “.

ChatGPT no diagnosticó el cáncer. Pero hizo la pregunta correcta. Y eso cambió todo.