# AI Scale: presentation ## Who we are? @wbIzkZjwT4mgAaBVW6Hfag make 1-2 slides Команда инжеров с опытом * 10+ лет опыта в cloud adoption * from start-up to enterprice * давно работает вместе ## Mission @wbIzkZjwT4mgAaBVW6Hfag * Go green / eco * Оптимизация костов * Flexible (гибко реагировать на изменяющиеся обстоятельства) Решение, что позволит многим компаниями лучше реагировать на изменяющиеся обстоятельства. Это актуально для 3 групп компаний: cloud, on-prem, hybrid ## Cases ### Cloud subscription fee use case > How can AI Autoscaler help the customer reduce Cloud Subscription charges. * Помогает сократить число одновременно-работающих инстансов за счет более оптимального и предсказуемого auto-scale * Рекомендаций оптимизации на уровне архитектуры / выбора типа инстансов для более оптимального распределения ресурсов * Поиск неиспользуемых/простаивающих ресурсов * Использования spot-instances для допустимых типов нагрузок > What alternatives methods exist? * https://spot.io * https://www.molecula.com/solutions/ai-and-machine-learning/ * https://www.katen.ai/ > Why is AI Autoscaler different? * В отличии от spot.io мы не только используем spot-инстансы, но и скалируем приложения, не оставляя большого запаса простаивающих инстансов (в то время, как более оперативно добавляем недостающие ресурсы в случае надобности) #### Examples * Marketplace + marketing activity (promo) * Video Streaming Platforms (like Netflix, sport video translations) * Sportbetting #### Pains * Revenue loss / missed revenues * Loss of customer trust / loyalty #### Current solution / Alternative Использовать большой запас мощностей, что несет дополнительные издержки #### AI Scale way Использовать технологию AI Scale для решения тех же проблем с выдерживанием нагрузки, но используя меньший объем ресурсов, что позволяет экономить ресурсы и иметь более **экологичную инфраструктуру**. ## On-prem Оборудование 3+ лет давности имеет более значительный carbon footprint и более высокое энергопотребление при меньше эффективности. Часть задач в on-prem мы выносим в облако (при возможности на избыточные (spot) ресурс), тем самым уменьшая carbon footprint и разрывая границы масштабирования. #### Что такое эффективный скейлинг? * Predict traffic for pro-active scale * Optimal size of cluster for current load (optional) TODO: add charts * without AI scale * with AI scale ### On prem charges use case > How can AI Autoscaler minimise and optimise DC charges in a Hybrid scenario. > What alternatives methods exist? https://www.katen.ai/ > Why is AI Autoscaler different? Katen только анализирует и дает рекомендации по оптимизации ресурсов. Наш же продукт применяет проактивные меры, чтобы проблема в принципе не возникла, а ресурсы использвались эффективно. Как on-prem, так и внешние, cloud ресурсы. ### Cloud Migration use case > How can AI Autoscaler accelerate the customers cloud migration programme? Многие опасаются миграции из-за невозможности вынести чувствительные данные за пределы собственного периметра. Мы понимаем и принимаем такую позицию, потому разделяем данные на Black data и White data. Далее строим гибридные системы, которые при необходимости могут использовать внешние мощности. И распределяем нагрузки так, что в Cloud-часть окружения выносится только White data. Таким образом мы получаем привелегии Cloud-технологий, но не нарушаем безопасность. > What alternatives methods exist? > Why is AI Autoscaler different?