# 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?