ക്ലൗഡ് കോസ്റ്റ് ഒപ്റ്റിമൈസേഷൻ (ഫിൻഓപ്‌സ്): കൃത്രിമ ബുദ്ധി ഉപയോഗിച്ച് മാലിന്യങ്ങൾക്കായി വേട്ടയാടൽ

നേട്ടങ്ങൾ:

• ക്ലൗഡ് ചെലവുകൾ (കമ്പ്യൂട്ട്, സ്റ്റോറേജ്, നെറ്റ്‌വർക്ക്/എഗ്രസ്), പാഴ് പാറ്റേണുകൾ (നിഷ്‌ക്രിയ, ഓവർസൈസ്, തെറ്റായ വില മോഡൽ) എന്നിവയുടെ ശരീരഘടന മനസ്സിലാക്കാനും ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് ഇൻവോയ്‌സ് വിശകലനം നടത്താനുമുള്ള കഴിവ്
• അപകടസാധ്യതയും സ്ഥിരീകരണവും ഉപയോഗിച്ച് ശരിയായ വലുപ്പത്തിലുള്ളതും പ്രതിബദ്ധതയുള്ളതുമായ കിഴിവ് തീരുമാനങ്ങൾ എടുക്കാനും ആദ്യം മാലിന്യം നീക്കം ചെയ്യുന്നതിനുള്ള ക്രമം പ്രയോഗിക്കാനുമുള്ള കഴിവ്
• ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസിൻ്റെ 'ഡിലീറ്റ്/മിനിമൈസ്' നിർദ്ദേശങ്ങളുടെ ഉപയോഗം പരിശോധിച്ച് ആപ്ലിക്കേഷനും ബില്ലിംഗ് ഡാറ്റ മാസ്‌കിംഗ് നയങ്ങളും പ്രയോഗിക്കാനുള്ള കഴിവ്

ക്ലൗഡ് ഒരു ക്രെഡിറ്റ് കാർഡ് പോലെയാണ്: ഉപയോഗിക്കാൻ എളുപ്പമാണ്, മാസാവസാനം ഞെട്ടിക്കുന്ന ബിൽ. ഒറ്റരാത്രികൊണ്ട് മറന്നുപോയ ഒരു ടെസ്റ്റ് സെർവർ, തെറ്റായ വലുപ്പത്തിലുള്ള ഒരു ഡാറ്റാബേസ്, ഒരിക്കലും ഇല്ലാതാക്കാത്ത പഴയ ബാക്കപ്പുകൾ - ഓരോന്നും നിശബ്ദമായി പണം കത്തിക്കുന്നു. FinOps (ഫിനാൻഷ്യൽ ഓപ്പറേഷൻസ്) എന്നത് ക്ലൗഡ് ചിലവുകളെ എഞ്ചിനീയറിംഗ്, ഫിനാൻസ്, ബിസിനസ് ടീമുകളുടെ സംയുക്ത ഉത്തരവാദിത്തമാക്കി മാറ്റുകയും ചെലവ് ദൃശ്യവും ഒപ്റ്റിമൈസ് ചെയ്യുകയും ചെയ്യുന്ന അച്ചടക്കമാണ്. DevOps പ്രൊഫഷണലിനെ സംബന്ധിച്ചിടത്തോളം, "അത് പ്രവർത്തിക്കാൻ അനുവദിക്കുക" എന്ന മാനസികാവസ്ഥയിൽ നിന്ന് "ഇത് പ്രവർത്തിക്കട്ടെ, പാഴാക്കരുത്" എന്ന മാനസികാവസ്ഥയിലേക്ക് മാറുക എന്നാണ് ഇതിനർത്ഥം.

ക്ലൗഡിലെ മാലിന്യങ്ങൾ പലപ്പോഴും പരിചിതമായ ചില പാറ്റേണുകളിൽ നിന്നാണ് വരുന്നത്: നിഷ്‌ക്രിയ വിഭവങ്ങൾ (ഉപയോഗിക്കാത്തതും എന്നാൽ പണം നൽകി), ഓവർ പ്രൊവിഷനിംഗ് (ആവശ്യമുള്ളതിലും വലിയ വിഭവങ്ങൾ), തെറ്റായ വിലനിർണ്ണയ മോഡൽ (കിഴിവുള്ള പ്രതിബദ്ധതയേക്കാൾ പൂർണ്ണ വില), അദൃശ്യത (എന്താണ് വില എന്ന് ആർക്കും അറിയില്ല). AI ഇവിടെ ശക്തമായ ഒരു വിശകലന പങ്കാളിയാണ്: ഇത് സങ്കീർണ്ണമായ ബില്ലിംഗ് ഇനങ്ങളെ സംഗ്രഹിക്കുന്നു, മാലിന്യ പാറ്റേണുകൾ ഫ്ലാഗ് ചെയ്യുന്നു, സമ്പാദ്യ സാഹചര്യങ്ങൾ സൃഷ്ടിക്കുന്നു. എന്നാൽ ഒരു റിസോഴ്‌സ് ഓഫാക്കാനോ സ്കെയിൽ ബാക്ക് ചെയ്യാനോ ഉള്ള തീരുമാനം - കാരണം അത് തെറ്റായി ലഭിക്കുന്നത് ഒരു തടസ്സത്തിലേക്ക് നയിച്ചേക്കാം - നിങ്ങളുടേതാണ്.

ക്ലൗഡ് ചെലവിൻ്റെ അനാട്ടമി

ഒപ്റ്റിമൈസേഷനായി, ചെലവ് എവിടെ നിന്നാണ് വരുന്നതെന്ന് നിങ്ങൾ അറിയേണ്ടതുണ്ട്:

• കണക്കുകൂട്ടൽ: വെർച്വൽ മെഷീനുകൾ, കണ്ടെയ്നറുകൾ. സാധാരണയായി ഏറ്റവും വലിയ ഇനം. ഇത് പലപ്പോഴും ആവശ്യമുള്ളതിനേക്കാൾ വലുതായി തിരഞ്ഞെടുക്കപ്പെടുന്നു.
• സംഭരണം: ഡിസ്കുകൾ, ഒബ്ജക്റ്റ് സ്റ്റോറുകൾ, ബാക്കപ്പുകൾ. അത് നിശബ്ദമായി വളരുന്നു; പഴയ ഡാറ്റ മായ്‌ച്ചില്ലെങ്കിൽ, അത് കുമിഞ്ഞുകൂടുന്നു.
• നെറ്റ്‌വർക്ക്: പ്രത്യേകിച്ച് എഗ്രസ് — ക്ലൗഡിൽ നിന്നോ പ്രദേശങ്ങൾക്കിടയിലോ ഡാറ്റ കൈമാറുന്നത് ചെലവേറിയതും ആശ്ചര്യകരവുമാണ്.
• നിയന്ത്രിത സേവനങ്ങൾ: ഡാറ്റാബേസ്, ക്യൂ, ലോഡ് ബാലൻസർ തുടങ്ങിയ റെഡിമെയ്ഡ് സേവനങ്ങൾ; സൗകര്യാർത്ഥം നിങ്ങൾ ഒരു പ്രീമിയം അടയ്ക്കുന്നു.

രണ്ട് അടിസ്ഥാന വില ലിവറുകൾ: റിസർവ് ചെയ്ത സന്ദർഭങ്ങൾ / സേവിംഗ്സ് പ്ലാനുകൾ - 1-3 വർഷത്തേക്ക് ഒരു നിശ്ചിത ഉപയോഗത്തിൽ ഏർപ്പെടുകയും വലിയ കിഴിവ് നേടുകയും ചെയ്യുന്നു; കൂടാതെ സ്‌പോട്ട്/ഇൻ്ററപ്റ്റബിൾ കപ്പാസിറ്റി - ക്ലൗഡിൻ്റെ നിഷ്‌ക്രിയ ശേഷി ഉപയോഗിക്കുന്നത് വളരെ വിലകുറഞ്ഞതും എന്നാൽ വീണ്ടെടുക്കാവുന്നതുമാണ് (തടസ്സം സഹിക്കുന്ന ജോലികൾക്ക് അനുയോജ്യം).

FinOps-ൻ്റെ അടിസ്ഥാന തത്വം ഉത്തരവാദിത്തത്തിൻ്റെ വികേന്ദ്രീകരണമാണ്: ക്ലൗഡ് ചെലവ് ധനകാര്യ ടീമിന് ഒറ്റയ്ക്ക് പരിഹരിക്കാൻ കഴിയുന്ന ഒരു അക്കൗണ്ടിംഗ് ഇനമല്ല. ആ വിഭവം സൃഷ്ടിച്ച എഞ്ചിനീയർക്ക് ഒരു വിഭവത്തിൻ്റെ വില എത്രയാണെന്നും അത് ശരിക്കും ആവശ്യമാണോ എന്നും നന്നായി അറിയാം. അതുകൊണ്ടാണ് പ്രായപൂർത്തിയായ ഒരു FinOps സംസ്കാരത്തിൽ, ഓരോ ടീമും സ്വന്തം ചെലവുകൾ കാണുകയും സ്വന്തമാക്കുകയും ചെയ്യുന്നത്. ഈ ദൃശ്യപരത നൽകുന്നതിനുള്ള ശക്തമായ സഹായമാണ് AI: ഇതിന് ടീം, പ്രോജക്റ്റ്, പരിസ്ഥിതി എന്നിവ പ്രകാരം ചിതറിക്കിടക്കുന്ന ഇൻവോയ്‌സ് ഡാറ്റ സംഗ്രഹിക്കാനും “ഈ മാസം ആരാണ് കൂടുതൽ ചെലവഴിച്ചത്, എന്തിന്?” എന്ന് ചോദിക്കാനും കഴിയും. എന്ന ചോദ്യത്തെ ഉത്തരമുള്ളതാക്കുന്നു. എന്നാൽ ഓർക്കുക - ചെലവ് ഒപ്റ്റിമൈസേഷൻ ഒറ്റത്തവണ പദ്ധതിയല്ല, മറിച്ച് ഒരു തുടർച്ചയായ ചക്രം: അറിയിക്കുക, ഒപ്റ്റിമൈസ് ചെയ്യുക, പ്രവർത്തിക്കുക; പിന്നെ വീണ്ടും തുടക്കത്തിലേക്ക് മടങ്ങുക. ക്ലൗഡ് പരിസ്ഥിതി നിരന്തരം മാറിക്കൊണ്ടിരിക്കുന്നതിനാൽ, മാലിന്യങ്ങൾ നിരന്തരം കുമിഞ്ഞുകൂടുന്നു.

നുറുങ്ങ്: വേഗത്തിലുള്ള സമ്പാദ്യങ്ങൾ സാധാരണയായി "വലത്-വലിപ്പം", "നിഷ്‌ക്രിയ വിഭവങ്ങൾ വൃത്തിയാക്കൽ" എന്നിവയാണ്; ഇവയ്ക്ക് പ്രതിബദ്ധത ആവശ്യമില്ല, അപകടസാധ്യതയില്ലാത്തവയാണ്. പ്രതിജ്ഞാബദ്ധമായ കിഴിവുകളിലേക്ക് നീങ്ങുന്നതിന് മുമ്പ് ആദ്യം മാലിന്യം വൃത്തിയാക്കുക - അല്ലെങ്കിൽ നിങ്ങൾ ഡിസ്കൗണ്ട് വിലയിലേക്ക് മാലിന്യം പൂട്ടും.

ഘട്ടം ഘട്ടമായി: AI ഉപയോഗിച്ചുള്ള ചെലവ് വിശകലനം

1. ഇൻവോയ്സ് ഡാറ്റ എക്‌സ്‌ട്രാക്‌റ്റ് ചെയ്യുക. ക്ലൗഡിൻ്റെ വിശദമായ ചിലവ് ബ്രേക്ക്ഡൗൺ (ചെലവ് കയറ്റുമതി/CSV) നേടുക. അക്കൗണ്ട് ഐഡികളും സെൻസിറ്റീവ് ഫീൽഡുകളും മാസ്ക് ചെയ്യുക.
2. വലുത് മുതൽ ചെറുത് വരെ അടുക്കുക. ചെലവിൻ്റെ 80% സാധാരണയായി കുറച്ച് ഇനങ്ങളിൽ നിന്നാണ് വരുന്നത്; അവിടെ ശ്രദ്ധ കേന്ദ്രീകരിക്കുക.
3. മാലിന്യത്തിൻ്റെ പാറ്റേണുകൾ നോക്കുക. നിഷ്‌ക്രിയവും വലുപ്പമേറിയതും ടാഗ് ചെയ്യാത്തതുമായ വിഭവങ്ങൾ.
4. രംഗം നിർമ്മിക്കുക. "ഞാൻ ഈ വിഭവം ഒരു വലിപ്പം ചെറുതാക്കിയാൽ എത്ര ലാഭം, എത്ര അപകടസാധ്യത?"
5. അപകടസാധ്യത വിലയിരുത്തുക. പ്രകടനത്തിൻ്റെയും തടസ്സത്തിൻ്റെയും അടിസ്ഥാനത്തിൽ ഓരോ നിർദ്ദേശവും സ്വയം തൂക്കിനോക്കുക.
6. ക്രമേണ പ്രയോഗിക്കുക, നിരീക്ഷിക്കുക. ചെറുതാക്കുക, തുടർന്ന് മെട്രിക്കുകൾ നിരീക്ഷിക്കുക; ഒരു പ്രശ്നവുമില്ലെങ്കിൽ, തുടരുക.

സുരക്ഷയും സ്വകാര്യതയും: ബില്ലിംഗ് ഡാറ്റ സെൻസിറ്റീവ് ആണ്

ഒരു ക്ലൗഡ് ബില്ലിംഗ് ഡംപ് തോന്നുന്നതിലും കൂടുതൽ സെൻസിറ്റീവ് ആണ്: അക്കൗണ്ട് ഐഡികൾ, റിസോഴ്‌സ് പേരുകൾ (ചിലപ്പോൾ ഉപഭോക്തൃ നാമം അടങ്ങിയിരിക്കുന്നു), നിങ്ങളുടെ ആർക്കിടെക്ചർ ടോപ്പോളജി, ത്രൂപുട്ട് എന്നിവ അവിടെ നിന്ന് വായിക്കാനാകും. അക്കൗണ്ട് നമ്പറുകൾ, ഇഷ്‌ടാനുസൃത ഉറവിട നാമങ്ങൾ, ഉപഭോക്തൃ-നിർദ്ദിഷ്ട ടാഗുകൾ എന്നിവ വിശകലനത്തിനായി AI-ക്ക് നൽകുന്നതിന് മുമ്പ് മാസ്ക് ചെയ്യുക. ഒരു എതിരാളി അവരുടെ കൈകളിൽ എത്തിയാൽ, അത് നിങ്ങളുടെ സ്കെയിലും ചെലവ് ഘടനയും നൽകുന്നു.

മുന്നറിയിപ്പ്: AI നിർദ്ദേശിക്കുന്ന സമ്പാദ്യങ്ങളിൽ ഭൂരിഭാഗവും ശരിയാണ്, എന്നാൽ ചിലത് അപകടകരമാണ്: "ഈ റിസോഴ്‌സ് നിഷ്‌ക്രിയമാണെന്ന് തോന്നുന്നു, അത് ഇല്ലാതാക്കുക" എന്ന് പറയുന്നത് യഥാർത്ഥത്തിൽ മാസത്തിലൊരിക്കൽ പ്രവർത്തിക്കുന്ന ഒരു നിർണായക ബാക്കപ്പ് ജോലിയായിരിക്കാം. ഒരു ഉറവിടം ഇല്ലാതാക്കുന്നതിന് മുമ്പ്, ആരാണ് അത് ഉപയോഗിക്കുന്നതെന്നും എന്തിനുവേണ്ടിയാണെന്നും പരിശോധിക്കുക. ഇല്ലാതാക്കാനുള്ള തീരുമാനം മാറ്റാനാകാത്തതായിരിക്കാം.

മാലിന്യ പാറ്റേണുകളും പരിഹാര പട്ടികയും

മാലിന്യ പാറ്റേൺ

ലക്ഷണം

സാധാരണ പരിഹാരം

റിസ്ക്

നിഷ്ക്രിയ വിഭവം

ഏകദേശം 0% ഉപയോഗം

അടയ്ക്കുക/ഇല്ലാതാക്കുക (പരിശോധിച്ചതിന് ശേഷം)

താഴ്ന്ന ഇടത്തരം

ഓവർസൈസിംഗ്

സിപിയു/മെമ്മറി നിരന്തരം കുറവാണ്

ഒരു വലുപ്പം കുറയ്ക്കുക (വലത് വലുപ്പം)

താഴ്ന്ന

പൂർണ്ണ വില കണക്കുകൂട്ടൽ

സ്ഥിരമായ, തുടർച്ചയായ ലോഡ്

സേവിംഗ്സ് പ്ലാൻ/സംവരണം

കുറഞ്ഞ (പ്രതിബദ്ധത)

തടസ്സം-സഹിഷ്ണുതയുള്ള ബിസിനസ്സ്

ബാച്ച്/ടെസ്റ്റ് ലോഡുകൾ

സ്പോട്ട് ശേഷി

ഇടത്തരം (ഇളവ്)

പഴയ സംഭരണം

ഡാറ്റ വർഷങ്ങളായി സ്പർശിച്ചിട്ടില്ല

തണുത്ത പാളിയിലേക്ക് നീക്കുക/ഇല്ലാതാക്കുക

ഇടത്തരം (വീണ്ടെടുക്കൽ)

മൂന്ന് മിനി കേസുകൾ

കേസ് 1 - പ്രതിമാസം $4,200 സമ്പാദ്യം. ഒരു സംഘം മുഖംമൂടി ധരിച്ച ഒരു പ്രതിമാസ ബിൽ AI-ക്ക് കൈമാറി, "മികച്ച 10 ഇനങ്ങളും മാലിന്യത്തിന് സാധ്യതയുള്ളവയും പട്ടികപ്പെടുത്താൻ" പറഞ്ഞു. ഒരു ടെസ്റ്റ് എൻവയോൺമെൻ്റ് 24/7 തുറന്നിരിക്കുന്നതായും മൂന്ന് ഡാറ്റാബേസുകൾക്ക് ആവശ്യമായതിൻ്റെ നാലിരട്ടി ശേഷിയുണ്ടെന്നും AI ഫ്ലാഗ് ചെയ്തു. മണിക്കൂറുകൾക്ക് ശേഷം ടീം ടെസ്റ്റ് എൻവയോൺമെൻ്റ് അടച്ചുപൂട്ടി, ഡാറ്റാബേസുകൾ കുറച്ചു: പ്രതിമാസ ബിൽ $4,200 കുറഞ്ഞു. മെട്രിക്കുകൾ പിന്തുടർന്ന് അവർ മിനിഫിക്കേഷൻ നടത്തിയതിനാൽ ആപ്ലിക്കേഷൻ പ്രകടനത്തെ ഒട്ടും ബാധിച്ചില്ല.

കേസ് 2 - അപകടകരമായ "ഇല്ലാതാക്കുക" നിർദ്ദേശം പിടികൂടി. AI പറഞ്ഞു, "ഈ സ്റ്റോറേജ് ബക്കറ്റ് മാസങ്ങളായി വായിച്ചിട്ടില്ല, അത് ഇല്ലാതാക്കാം". ആരാണ് ഇത് ഉപയോഗിക്കുന്നതെന്ന് എഞ്ചിനീയർ ചോദ്യം ചെയ്തപ്പോൾ, കൂട് പരിശോധനാ രേഖകൾ സൂക്ഷിക്കുന്നതായി കണ്ടെത്തി, അത് സൂക്ഷിക്കേണ്ടത് നിയമപരമായ ആവശ്യമാണ്. അത് ഡിലീറ്റ് ചെയ്താൽ അത് പാലിക്കൽ ലംഘനമാകും. അത് ഇല്ലാതാക്കുന്നതിനുപകരം, അവർ അത് വിലകുറഞ്ഞ കോൾഡ് സ്റ്റോറേജ് ടയറിലേക്ക് മാറ്റി; സമ്പാദ്യവും ഐക്യവും.

കേസ് 3 - എക്ഗ്രസ് സർപ്രൈസ് പരിഹരിച്ചു. ബില്ല് അപ്രതീക്ഷിതമായി പെരുപ്പിച്ചു. AI തകർച്ചയെ സംഗ്രഹിക്കുകയും "എഗ്രസ്" ഇനത്തിൽ നിന്നാണ് വർദ്ധനവ് ഉണ്ടായതെന്ന് കാണിക്കുകയും ചെയ്തു. കാരണം: ഒരു സേവനം അതേ മേഖലയിൽ ഉണ്ടായിരിക്കേണ്ട മറ്റൊരു മേഖലയിൽ നിന്നുള്ള ഡാറ്റ പിൻവലിക്കുകയായിരുന്നു. ഞങ്ങൾ അതേ പ്രദേശത്ത് വാസ്തുവിദ്യ കേന്ദ്രീകരിച്ചപ്പോൾ, പുറത്തേക്കുള്ള ചെലവ് മൂന്നിലൊന്നായി കുറഞ്ഞു.

പകർത്താവുന്ന നാല് ടെംപ്ലേറ്റുകൾ

1) ഇൻവോയ്സ് വിശകലനം (മാസ്ക്):

മാസ്ക് ചെയ്ത ക്ലൗഡ് കോസ്റ്റ് ബ്രേക്ക്‌ഡൗൺ ചുവടെ വിശകലനം ചെയ്യുക. എനിക്ക് തരൂ: (1) ഏറ്റവും വിലപിടിപ്പുള്ള 10 ഇനങ്ങൾ, (2) സാധ്യമായ പാഴ് പാറ്റേണുകൾ (നിഷ്‌ക്രിയ, വലുപ്പം, കാലഹരണപ്പെട്ട സംഭരണം, പുറത്തേക്ക്), (3) ഓരോന്നിനും കണക്കാക്കിയ പ്രതിമാസ സമ്പാദ്യം, (4) ഓരോ നിർദ്ദേശത്തിൻ്റെയും മുടക്കം/പ്രകടന സാധ്യത. നിങ്ങൾ ഇല്ലാതാക്കാൻ നിർദ്ദേശിക്കുന്ന ഓരോ ഉറവിടത്തിനും "ആദ്യം പരിശോധിക്കുക" എന്ന കുറിപ്പ് ചേർക്കുക. ട്രാൻസ്ക്രിപ്റ്റ്: [CSV/SUMMARY]

2) വലത് വലുപ്പത്തിലുള്ള സാഹചര്യം:

ഇനിപ്പറയുന്ന ഉറവിടത്തിനായുള്ള അവസാന 30 ദിവസത്തെ ഉപയോഗം: [സിപിയു/മെമ്മറി/അഭ്യർത്ഥന അളവുകൾ]. ഞാൻ ഇത് ഒരു വലുപ്പം കുറയ്ക്കുകയാണെങ്കിൽ: കണക്കാക്കിയ സമ്പാദ്യം എന്താണ്, പ്രകടന അപകടസാധ്യത എന്താണ്, ഏത് മെട്രിക് എനിക്ക് ആത്മവിശ്വാസത്തോടെ നിരീക്ഷിക്കാനാകും? ക്രമാനുഗതമായ ഒരു പദ്ധതി നിർദ്ദേശിക്കുക.

3) പ്രതിബദ്ധത/കിഴിവ് തീരുമാനം:

കഴിഞ്ഞ 6 മാസമായി എൻ്റെ കമ്പ്യൂട്ട് ഉപയോഗം സ്ഥിരമാണ്: [SUMMARY]. റിസർവ്ഡ്/സേവിംഗ്സ്പ്ലാനിലേക്ക് മാറുന്നതിൽ അർത്ഥമുണ്ടോ എന്ന് പരിഗണിക്കുക: എന്താണ് ബ്രേക്ക്-ഇവൻ, ഏത് പ്രതിബദ്ധത കാലയളവ്/സ്കോപ്പ് അനുയോജ്യമാണ്, എന്തൊക്കെ അപകടസാധ്യതകളുണ്ട് (ഉപയോഗം കുറയുകയാണെങ്കിൽ)? ആദ്യം മാലിന്യം വൃത്തിയാക്കണമെങ്കിൽ പറയൂ.

4) ടാഗിംഗ് തന്ത്രം:

ഒരു ടീം/പ്രൊജക്‌റ്റ്/പരിസ്ഥിതി അടിസ്ഥാനത്തിൽ ചെലവ് ദൃശ്യമാക്കുന്നതിന് ഒരു റിസോഴ്‌സ് ടാഗിംഗ് സ്റ്റാൻഡേർഡ് നിർദ്ദേശിക്കുക: ഏതൊക്കെ ടാഗുകൾ നിർബന്ധമായിരിക്കണം, ടാഗ് ചെയ്യാത്ത ഉറവിടങ്ങൾ എങ്ങനെ ക്യാപ്‌ചർ ചെയ്യാം, ഈ ടാഗുകൾക്കനുസരിച്ച് ചെലവ് എങ്ങനെ റിപ്പോർട്ട് ചെയ്യാം? ഒരു കോൺക്രീറ്റ് സ്റ്റാർട്ടർ കിറ്റ് നൽകുക.

ദുർബലമായ പ്രോംപ്റ്റ് / ശക്തമായ പ്രോംപ്റ്റ്

ദുർബലമായത്: "എൻ്റെ ക്ലൗഡ് ബിൽ എങ്ങനെ കുറയ്ക്കാം?"

ഫലം: ഡാറ്റയില്ല, സന്ദർഭമില്ല; നിങ്ങളുടെ ബില്ലിനെ ബാധിക്കാതെ, "നിങ്ങൾ ഉപയോഗിക്കാത്തത് ഓഫാക്കുക" എന്ന പൊതുവായ ഉപദേശം AI നൽകുന്നു.

ശക്തമായത്: "ചുവടെയുള്ള മാസ്‌ക് ചെയ്‌ത ചെലവ് തകർച്ചയിൽ, ഏറ്റവും വിലയേറിയ 10 ഇനങ്ങൾ നീക്കം ചെയ്യുക, പാഴ് പാറ്റേണുകൾ അടയാളപ്പെടുത്തുക, ഓരോന്നിനും കണക്കാക്കിയ സമ്പാദ്യവും തടസ്സപ്പെടുത്തൽ അപകടസാധ്യതയും നൽകുക. ഇല്ലാതാക്കാൻ നിങ്ങൾ ശുപാർശ ചെയ്യുന്ന ഓരോ ഉറവിടത്തിനും, ഞാൻ ആദ്യം പരിശോധിച്ചുറപ്പിക്കേണ്ടത് എഴുതുക. ഞാൻ അക്കൗണ്ട് ഐഡികൾ മാസ്ക് ചെയ്‌തു."

വ്യത്യാസം: രണ്ടാമത്തെ പ്രോംപ്റ്റ് യഥാർത്ഥ (മാസ്ക്) ഡാറ്റയും വ്യക്തമായ ഔട്ട്പുട്ട് ഫോർമാറ്റും അപകടസാധ്യത/സാധുവാക്കൽ പ്രതീക്ഷയും നൽകുന്നു; ഔട്ട്പുട്ട് നേരിട്ട് സേവിംഗ്സ് ആയി മാറുന്നു.

സാധാരണ തെറ്റുകൾ

• മാലിന്യം വൃത്തിയാക്കാതെ പ്രതിബദ്ധതയിലേക്ക് നീങ്ങുന്നു. കുറഞ്ഞ വിലയിൽ മാലിന്യം പൂട്ടുന്നു.
• AI-യുടെ "ഇല്ലാതാക്കുക" നിർദ്ദേശം പരിശോധിച്ചുറപ്പിക്കാതെ പ്രയോഗിക്കുന്നു. ഗുരുതരമായ ബാക്കപ്പ്/ഓഡിറ്റ് ഡാറ്റ ഇല്ലാതാക്കിയേക്കാം.
• മെട്രിക്‌സ് ട്രാക്ക് ചെയ്യാതെ കുറയ്ക്കൽ നടത്തുന്നു. അമിതമായ ചെറുവൽക്കരണം പ്രകടനത്തെയും ഉപഭോക്താവിനെയും ബാധിക്കുന്നു.
• എഗ്രസ് മറക്കുന്നു. നെറ്റ്‌വർക്ക് എഗ്രസ് ചെലവ് പലപ്പോഴും അവഗണിക്കപ്പെടുന്ന ആശ്ചര്യമാണ്.
• ലേബൽ ചെയ്യുന്നില്ല. ചെലവ് വഹിക്കുന്നത് ആരാണെന്നറിയില്ലെങ്കിൽ ആരും ഉത്തരവാദിത്തം ഏറ്റെടുക്കില്ല.
• മാസ്ക് ഇല്ലാതെ ഇൻവോയ്സ് ഡാറ്റ പങ്കിടുന്നു. സ്കെയിലും ടോപ്പോളജി ചോർച്ചയും.

ചുരുക്കത്തിൽ

FinOps എന്നത് ക്ലൗഡ് ചിലവ് ദൃശ്യമാക്കുകയും വ്യവസ്ഥാപിതമായി മാലിന്യങ്ങളെ വേട്ടയാടുകയും ചെയ്യുന്നതാണ്. ഉപയോഗശൂന്യമായ വിഭവങ്ങൾ, അമിത വലിപ്പം, തെറ്റായ വില മോഡൽ, അദൃശ്യത എന്നിവയിൽ നിന്നാണ് പലപ്പോഴും മാലിന്യങ്ങൾ വരുന്നത്. സങ്കീർണ്ണമായ ഇൻവോയ്സ് തകരാറുകൾ സംഗ്രഹിക്കുന്നതിനും മാലിന്യ പാറ്റേണുകൾ ഫ്ലാഗുചെയ്യുന്നതിനും സമ്പാദ്യ സാഹചര്യങ്ങൾ സൃഷ്ടിക്കുന്നതിനുമുള്ള ശക്തമായ അനലിറ്റിക്സ് പങ്കാളിയാണ് AI. എന്നാൽ ആദ്യം മാലിന്യം വൃത്തിയാക്കുക, തുടർന്ന് പ്രതിജ്ഞാബദ്ധമാക്കുക, ഉപയോഗം പരിശോധിച്ച് ഓരോ "ഇല്ലാതാക്കുക/കുറയ്ക്കുക" എന്ന നിർദ്ദേശവും നടപ്പിലാക്കുക, മെട്രിക്‌സ് ട്രാക്ക് ചെയ്തുകൊണ്ട് മിനിമൈസേഷൻ നടത്തുക, ബില്ലിംഗ് ഡാറ്റ മറയ്ക്കുക എന്നിവ നിങ്ങളുടെ ഉത്തരവാദിത്തമാണ്.

ആപ്ലിക്കേഷൻ ടാസ്ക്

ചെലവ് തകരുകയും ഒരു ക്ലൗഡ് അക്കൗണ്ട് മാസ്ക് ചെയ്യുകയും ചെയ്യുക (സ്വന്തം അല്ലെങ്കിൽ ഉദാഹരണം). (1) "ഇൻവോയ്സ് വിശകലനം" ടെംപ്ലേറ്റ് ഉപയോഗിച്ച് ഏറ്റവും ചെലവേറിയ ഇനങ്ങളും മാലിന്യ പാറ്റേണുകളും നീക്കം ചെയ്യുക. (2) ഫ്ലാഗുചെയ്‌ത "നിഷ്‌ക്രിയ" ഉറവിടത്തിനായി, അത് ഇല്ലാതാക്കുന്നതിന് മുമ്പ് അവർ അത് ആർക്ക്/എന്തിന് ഉപയോഗിക്കുന്നുവെന്ന് പരിശോധിച്ച് നിങ്ങളുടെ കണ്ടെത്തൽ ശ്രദ്ധിക്കുക. (3) "ഏത് മെട്രിക് ആണ് ഞാൻ ശരിയായ വലുപ്പത്തിലുള്ള ശുപാർശ നടപ്പിലാക്കുന്നത്?" എന്ന ചോദ്യത്തോടൊപ്പം ഒരു സുരക്ഷിത പ്ലാനിലേക്ക് അതിനെ ബന്ധിപ്പിക്കുക.

ചെക്ക്ലിസ്റ്റ്

• [ ] ഇൻവോയ്സ് സ്റ്റേറ്റ്‌മെൻ്റിലെ അക്കൗണ്ട് ഐഡികളും സെൻസിറ്റീവ് റിസോഴ്‌സ് പേരുകളും ഞാൻ മറച്ചുവച്ചു.
• [ ] ഞാൻ ആദ്യം ചെലവുള്ള ഏറ്റവും വലിയ ഇനങ്ങളിൽ ശ്രദ്ധ കേന്ദ്രീകരിച്ചു.
• [ ] ഓരോ "ഇല്ലാതാക്കുക" നിർദ്ദേശത്തിനും, വിഭവം ആർക്ക്/എന്തിനാണ് ഉപയോഗിച്ചതെന്ന് ഞാൻ പരിശോധിച്ചു.
• [ ] മെട്രിക് പിന്തുടർന്ന് ഞാൻ ക്രമേണ കുറയ്ക്കൽ പ്രയോഗിച്ചു.
• പ്രതിജ്ഞാബദ്ധമായ കിഴിവിലേക്ക് നീങ്ങുന്നതിന് മുമ്പ് ഞാൻ മാലിന്യങ്ങൾ വൃത്തിയാക്കി.
• [ ] എക്‌സ്‌സ്, സ്‌റ്റോറേജ് തുടങ്ങിയ ഒളിഞ്ഞിരിക്കുന്ന ഇനങ്ങളും ഞാൻ പരിശോധിച്ചു.