# 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?