Облачные технологии упрощают разработку ML-моделей. Однако не каждый бизнес может извлечь выгоду из облачного окружения. Мешают внутренние регламенты или сложности с адаптацией к требованиям законодательства. Поэтому для таких организаций мы запустили платформу для разработки и внедрения ML-моделей полного цикла Cloud ML Space Private — ее можно развернуть на частной инфраструктуре. Алёна Дробышевская, руководитель направления по развитию бизнеса и работе с клиентами AI Cloud, расскажет, на что обратить внимание, начиная работу с машинным обучением.
200 просмотров
Изображение сгенерировано нейросетью Kandinsky 2.1
Кому можно и нельзя
ML-модели применяют на производстве, в ритейле, логистике, сельском хозяйстве и медицине. С их помощью предприятия планируют объемы производства, прогнозируют спрос, контролируют качество производимой продукции и соблюдение регламентов безопасности и охраны труда. Торговые сети распределяют товары по полкам магазинов и управляют складскими запасами, цепочками поставок. Агрокультурные предприятия — прогнозируют урожайность, планируют ремонт и техобслуживание, а также выявляют угрозы сельскохозяйственным культурам. В здравоохранении ML-модели повышают точность компьютерной томографии и диагностики злокачественных опухолей.
Артем Коханевич, Антон Хвастунов / GigaCloud / Бизнес в облаках
Согласно отчету IDC, объем мирового рынка AI-решений в 2023 достигнет $154 млрд и будет расти на 27% ежегодно в течение следующих трех лет. Фактически всё больше компаний разрабатывают собственные системы, использующие алгоритмы на базе машинного обучения. При этом, в среднем, ML-зрелость компаний остается достаточно низкой: в большинстве из них до продакшена доходит менее четверти моделей машинного обучения. Основные технические причины неудач при внедрении ML — это сложности подготовки данных для использования в продукционных окружениях, увеличенная сложность реализации по сравнению с классическими решениями, непредсказуемость результата.
Российский рынок столкнулся с еще одной проблемой — уходом западных поставщиков, предлагающих инструментарий для самостоятельной ML-разработки. Поскольку с ухода иностранных вендоров прошло меньше года, AI-рынок перестроился не до конца — недостаток решений на всех уровнях, включая on-premise end-to-end решений всё еще ощущается. И компаниям, которые использовали иностранные продукты, приходится искать достойную замену.
Алёна Дробышевская
Руководитель направления по развитию бизнеса и работе с клиентами AI Cloud
Опции «не внедрять решения на основе систем AI» сегодня для большинства индустрий и компаний нет. Их наличие ― слишком явное конкурентное преимущество на рынке. Существует несколько подходов к запуску подобных сервисов — каждый со своими рисками и требует определенного уровня ML-зрелости компании. Иначе разработка систем AI может обернуться для бизнеса разочарованием и убытками.
Какому решению отдать предпочтение? Рассмотрим несколько кейсов.
У вас есть потребность в автоматизации ряда функций с помощью систем AI, но нет ни одного ML-пилота, своей инфраструктуры, дата-сайентистов и разработчиков.
Как облака влияют на бизнес: случилась или нет облачная революция
В этом случае ваша компания находится на нулевом уровне ML-зрелости. Это не хорошо и не плохо — просто факт. На этом этапе стоит с осторожностью подходить к расходам на свою инфраструктуру, поскольку такой подход потребует инвестиций в оборудование, ПО и дорогостоящие кадры. А также время на закупку и внедрение оборудования и систем.
Как раз в такой ситуации самое правильное ― подумать о вариантах использования ML-инструментов в облаках. Облако дает готовые решения и инфраструктуру практически моментально, на всех уровнях (IaaS, PaaS, SaaS). На начальной стадии можно попробовать несколько подходов: например, посмотреть, какие готовые AI-продукты уже есть на рынке.
Полезно (даже на этом этапе) нанять одного-двух дата-сайентистов и начать эксперименты с готовыми решениями. Свои специалисты помогут оценить качество внешних решений и их применимость для собственных задач. Можно использовать и внешние ресурсы — консалтинг или аутсорс. На этом этапе полезно идентифицировать модели, способные улучшить бизнес-процессы или производство, например, посмотрев, что делают локальные или глобальные «коллеги по цеху». Главная цель на данном этапе — понять, что может выиграть бизнес от внедрения ML-инструментов, и начать эксперименты в этом направлении, выставляя правильные ориентиры для оценки результата.
У вас есть потребность в разработке сервисов «под себя», дата-сайентисты и несколько пилотных проектов на open source продуктах или своей инфраструктуре.
На этом этапе вы уже проводите эксперименты. Скорее всего компания столкнется с тем, что для проведения экспериментов нужна инфраструктура и инструменты для их проведения и для работы команд. И, кроме того, нужно выстраивать процессы и пайплайн для перевода моделей из стадии экспериментов в стадию промышленного использования.
Конечно же, объем ресурсов сильно зависит от того, какие задачи необходимо решать. Например, промышленная аналитика по отказу оборудования чаще содержит табличные данные, которые требуют относительно небольшого количества ресурсов. А вот работа с видеоаналитикой, языковыми моделями, большим объемом клиентских данных уже потребует значительных мощностей. И мощности, и инструменты для работы с моделями и пайплайнами могут предоставить облачные провайдеры, причем как на уровне инфраструктуры (IaaS), так и платформ ML-разработки (PaaS). Важно, что на этом этапе еще бывает сложно оценить общий объем требуемых ресурсов, поэтому облака предоставляют важную дополнительную возможность по масштабированию по мере роста количества задач и бизнеса.
Вы выпускаете ML-продукты на регулярной основе, и с ростом команды становится сложнее координировать работу, возникает потребность в специализированных инструментах.
На данном этапе компании начинают думать о промышленной ML-разработке. Возникает выбор — строить платформу самим либо выбирать какое-то из существующих на рынке решений. Построение своей платформы требует развития отдельной экспертизы ― технологической.
То есть придется фокусироваться не только на AI для бизнеса, но и взращивать отдельную технологическую экспертизу по разработке платформ, что на самом деле будет означать также дополнительные расходы и время на разработку. При этом компании необходимо повторить уже пройденный кем-то путь, а значит инвестировать в разработку, которая не принесет конкурентного преимущества.
Не удивительно, что большинство компаний всё же решают посмотреть на то, что уже есть на рынке инструментов и платформ машинного обучения. С учетом того, что спектр доступных продуктов сузился после ухода зарубежных поставщиков, стоит обратить внимание на новые решения российских провайдеров. Если данные можно обрабатывать в облаке, спектр потенциальных решений расширяется: можно смотреть не только on-premise решения, но и возможности облачных провайдеров. Облачные решения можно использовать как для всего цикла работы с моделями, так и, например, только для этапа разработки моделей, который зачастую является самым ресурсоемким.
В облаках стоит обращать особое внимание на аттестаты и сертификацию платформ. Так, если вы планируете обрабатывать персональные данные пользователей, облачные сервисы должны быть аттестованы по 152-ФЗ. Это подтверждает, что инфраструктура облака соответствует приказам ФСТЭК, и работа с персональными данными безопасна. Этим критериям соответствует, например, платформа ML Space. Она оптимизирует разработку моделей машинного обучения и позволяет не тратить ресурсы на развертку дорогостоящей аппаратной инфраструктуры.
Облака позволяют быстро запустить новые решения и получать гибко масштабируемую инфраструктуру, поэтому часть их выбирают для стадии пилотирования.
Однако есть нюанс — примерно 70% крупных компаний не могут держать приложения в публичном облаке. Правила диктуют федеральные законы, отраслевые стандарты и регламенты службы безопасности. Такие требования часто встречаются в банковских, государственных структурах, нефтегазовой сфере и других добывающих компаниях.
В подобных ситуациях ограничений стоит подумать о вариантах гибридных решений. Они помогают справиться сразу с двумя проблемами ― дают возможность быстрого старта или масштабирования под новые задачи в облаке, а также позволяют переносить нагрузку из облака в собственный контур, если возникает такая потребность. Важно, что при использовании гибридных решений у вас будет полная совместимость сред разработки, то есть, по сути, облако станет для вас полноценным стендом для разработки, тестирования, а также переноса части промышленных нагрузок (для тех данных и задач, которые это позволяют).
Если у вас есть постоянные задачи, требующие собственной ML-разработки, нет проблем ни со штатом, ни с инфраструктурой, однако есть ограничения на вынос данных в публичные облака — то в таком контексте можно рассмотреть два пути.
Первый подразумевает разработку набора инструментов для работы с ML-моделями in-house. Разработка таких систем требует отдельной экспертизы и дополнительного штата специалистов-разработчиков. По статистике, менее трети организаций обладает экспертизой для работы с системами AI и машинного обучения. Кроме того, open source продуктов на рынке существует много, построение единой системы с использованием набора компонентов и развитие этой системы требует определенного уровня зрелости ML-команд. Чтобы поддерживать и развивать подобные фреймворки, также нужны соответствующие компетенции.
Второй вариант — перейти на готовое on-premise решение. Как раз чтобы помочь организациям, ограниченным в выносе данных в облако, мы разработали частную версию платформы Cloud ML Space — Cloud ML Space Private. Ее можно развернуть на инфраструктуре заказчика.
Что такое Cloud ML Space Private
Если говорить про имеющийся инструментарий, то в составе Cloud ML Space Private есть несколько специализированных модулей для разных задач. Вот лишь некоторые из них:
- ML Space Data Catalog. Набор сервисов для управления жизненным циклом данных, моделей и контейнеров.
- ML Space Environments. Предварительно настроенные окружения на базе технологии Jupyter, ускоряющие разработку моделей машинного обучения. В списке есть решения для обучения на базе CPU, GPU, SPARK, распределенного обучения, мониторинга CPU/GPU.
- ML Space Deployments. Утилиты для развертки и управления ML-моделью. Все ресурсы масштабируются автоматически в зависимости от нагрузки.
Проект внедрения предусматривает возможность интегрировать Cloud ML Space Private в IT-ландшафт предприятия. Это важно, поскольку скорее всего потребуется использовать в качестве источников данных корпоративные хранилища и базы или подключить платформу к внутренним системам ИБ-аудита и многое другое. Дополнительной важной опцией Cloud ML Space Private является возможность гибкого управления ресурсами. Это обеспечивается целым рядом функциональных блоков, в том числе механизм «умных очередей».
Так, разные команды разработки могут взаимодействовать с разным количеством вычислительных ядер и объемом хранилищ. За счет этих функций стандартизируются рабочие процессы, увеличиваются показатели утилизации ресурсов компании. Аналитика показывает, что только 17% компаний, создающих AI-решения, могут добиться высокой степени использования своих дорогостоящих ресурсов.
22% утверждают, что их инфраструктура в основном простаивает. На примере заказчиков Cloud ML Space мы видим, что полезная утилизация ресурсов после внедрения решения значительно увеличивается, и, в зависимости от задач, составляет не менее 75%. По ряду задач утилизация достигает 93-95%.
Благодаря использованию готовых решений, в которых преднастроен процесс перевода моделей в продакшен, сокращается показатель time to market для ML-моделей. В частности, возможность реализации полного цикла работы с ML-моделями экономит время дата-сайентистов и, соответственно, повышает скорость запуска продуктов и приложений — по некоторым оценкам до 50%.
Что касается безопасности, то Cloud ML Space Private удовлетворяет требованиям 152-ФЗ и, согласно приказу ФСТЭК, может работать с данными первого уровня защищенности (УЗ-1). К тому же решение входит в Единый реестр российского ПО и реестр программ для ЭВМ Роспатента. Таким образом, платформа подходит для государственных структур и организаций со строгими требованиями службы безопасности. К слову, мы уже развернули свое решение на одном промышленном предприятии — на частной инфраструктуре, изолированной от облака.
На что обратить внимание
Платформа Cloud ML Space Private может работать в двух режимах — on-premise и гибридном. В первом случае данные и вычисления не выходят за пределы частной инфраструктуры. Во втором — часть платформы установлена на серверах клиента, а другая реализует вычисления в облаке Cloud. Гибридный подход можно применять, когда для обучения моделей нужны специализированные ресурсы: как инфраструктурные, например, большой объем GPU-ускорителей или кластера SPARK, так и «человеческие», когда, например, для разработки моделей используются внешние команды. Ту часть, которая может быть вынесена в облако, компания запускает в Cloud, а самые чувствительные данные или процессы промышленной эксплуатации моделей могут «жить» в контуре заказчика.
Требования для установки on-premise решения довольно низкие:
- Рекомендованная конфигурация: необходимы четыре сервера управляющего контура — 2xCPU (24 ядра, 3 ГГц), 1 Тбайт RAM, 2xSSD 100 Гбайт RAID1, 2x25GbE. Поддержка протоколов для предоставления доступа к данным: S3, NFS, iSCSI (опционально).
- Требования к общему полезному пространству, количеству и типу портов, сетевой подсистеме, серверам GPU и Inference CPU обычно определяются на этапе уточнения спецификации.
В целом, начиная работу с машинным обучением — будь то коробочное решение, собственный проект или облачная платформа, — стоит обратить внимание на то, как давно решение существует на рынке, кто из заказчиков уже его использует, какая команда работает над развитием этого решения, насколько вложения в ML являются целевыми для вендора решения.
Источник: vc.ru
Бизнес на облаке
Кто бы мог подумать, что, представляя первый iPhone миру, Стив Джобс вскоре «подсадит» весь бизнес на облачные технологии. Из этой же области – сервис LiteBox, созданный Романом Арифуллиным и Сергеем Музыкантовым из Ульяновска. Их проект представляет собой ПО для розничной торговли, которое уже помогло многим предпринимателям автоматизировать процессы управления своим бизнесом. О том, как развивался LiteBox и каковы его перспективы, Роман и Сергей рассказали «Жажде».
Как все начиналось
Идея такого бизнеса пришла в результате общего мозгового штурма. Изначально Роман занимался ритейл-проектами, одним из которых была сеть алкогольных магазинов. Руководство сети искало решение, как быстро масштабировать ее по франшизе и получить при этом максимально управляемую и контролируемую структуру. Сергей в то время являлся руководителем ИТ-департамента данной сети. Занимаясь этой задачей, коллеги приняли решение запустить новый проект.
Роман Арифуллин: «Наша компания ООО «Облачный ритейл» разрабатывает программное обеспечение для розничной торговли с 2010 года. Принимая во внимание то, что малая и средняя розницы были практически не автоматизированы, наши разработчики представили новое решение – проект LiteBox. Это сочетание товароучетной системы и кассового терминала позволяет вам управлять своим бизнесом, находясь где угодно, в режиме онлайн. Проект подойдет для розницы любого формата: от киосков у дома до бутиков класса «люкс».
Роман стал генеральным, а Сергей – техническим директором ООО «Облачный ритейл». Сейчас их компания стремится сделать жизнь малого и среднего бизнеса проще и удобнее за счет предоставления современных инструментов для автоматизации процессов управления розничной торговлей. C помощью LiteBox они помогают развить финансово устойчивый и технологичный бизнес, сократить издержки и увеличить прибыль.
Сергей Музыкантов: «Многолетний опыт автоматизации розничной торговли позволил нам создать максимально простой, интуитивно понятный и в то же время функциональный продукт. C LiteBox очень просто в режиме реального времени управлять своим бизнесом: контролировать денежные потоки, следить за товаром (матрицей, категориями, движением, остатками), проверять работу персонала, отслеживать коммуникацию с поставщиками и покупателями, анализировать результаты деятельности и принимать правильные управленческие решения. Изначально этот проект был обречен на успех, потому что сделан он был для крупного бизнес-ритейла с оборотом в 15-20 млрд рублей. А только потом выведен как отдельная компания и несколько упрощен».
О прошлых проектах
До создания LiteBox у Романа и Сергея были свои проекты, и довольно успешные. Сергей ранее владел собственной ИТ-компанией. После ее продажи был онлайн-проект в Москве, связанный с государственными органами, который тоже впоследствии был успешно передан в управление другим бизнесменам. Уже потом Сергей занялся автоматизацией различных компаний, накапливая и приумножая свой опыт в ритейл-бизнесе. Роман же был одним из тех, кто эти сети открывал.
Сергей Музыкантов: «С прошлыми своими проектами мы расставались без сожаления, потому что в большинстве своем работать над ними становилось неинтересно. Профессиональное выгорание бывает даже у собственников бизнеса. И важно уметь выходить из дела на пике его популярности, тогда удастся выгодно передать проект в другие руки, при этом окупив свои вложения. Крупные сети всегда поглощают мелкие, поэтому перед вами рано или поздно встанет выбор: либо влиться в такую сеть, либо кануть в Лету. А можно просто выйти из бизнеса и заняться чем-то новым с чистого листа».
Почему же именно программа для управления розничным магазином? Потому что и Роман, и Сергей очень долго «варились» именно в этом бизнесе, у них уже был наработан мощный «розничный бэкграунд». Крайне логично делать то, что знаешь, умеешь и в чем хорошо разбираешься. Они вовремя поняли, что та автоматизация, которая была раньше, необходима только крупным игрокам рынка, а для мелких нужно что-то свое.
Роман Арифуллин: «Мы проанализировали рынок и пришли к выводу, что кроме 1С, тяжелой и архаичной, ничего нет. Тогда было принято решение подготовить подобный автоматизированный проект под малый бизнес. И с декабря 2015 года наша система поступила в продажу. Мы убедились, что она хорошо занимает тот рынок, который пустовал, и очень востребована.
У нас свыше 10 тысяч клиентов, и это даже не 1/100 доля компаний России. Основной наплыв клиентов мы ждем в 2018 году. Ниша была практически незанятой на тот момент – сейчас, конечно, конкуренции уже больше.
Вообще автоматизация розничной торговли существует уже много лет, но самые первые подобные компании в России занимались немного другим. Например, делали облачный сервис для управления складом и интернет-магазином, а уже позже переквалифицировались непосредственно под розничную торговлю. Но до сих пор эта опция у них все равно немного «атрофирована», по сравнению с предыдущими».
LiteBox изначально зашел с другой стороны. Компания сразу ориентировалась на розничную торговлю и только сейчас переходит к интернет-магазинам. Важно быть заточенными под разную специфику – ресторан отличается от обычной розницы, а интернет-магазин – от производства. Основные конкуренты в общем ориентированы, скорее, на помощь в учете товара в интернет-магазине или помощь в бухгалтерии и документообороте. LiteBox же готов решать и основные проблемы товародвижения в розничной торговле.
Роман Арифуллин: «Нас выбирают не только одиночные магазины, но и сети, которые по своей структуре напоминают обычные ларьки. Но, если посмотреть детально, этих «ларьков» в сети может быть от 100 до 400. Таким бизнесом важно управлять уже по-взрослому, и LiteBox идеально подходит для выполнения данной задачи, предоставляя необходимый функционал для решения подобных вопросов и техническую поддержку в режиме 24/7.
Малому бизнесу важно работать быстро, потому что скорость выживания у него сумасшедшая. Сегодня ты притормозил – завтра тебя уже нет. Мы предоставляем свои услуги в максимально короткие сроки, не требуя долгосрочных согласований разного рода. Очень многие компании прибегают к нашим услугам на аутсорсе и получают полное обеспечение, экономя немалые деньги. Если бы компании создавали у себя отдел, занимающийся тем, что делаем мы, они тратили бы в 3 раза больше денег, чем стоят наши услуги».
Головной офис компании находится в Ульяновске, в Москве – лишь небольшое представительство с отделом продаж. Отвечая на вопрос о поиске сотрудников, Роман утверждает, что Ульяновск – абсолютно уникальный город в техническом плане. Действительно, два сильных технических университета и правительство, которое очень сильно развивает IT-инфраструктуру, делают свое дело. Большинство ульяновских компаний постоянно входят в топы лучших по России.
Роман Арифуллин: «У нас очень много хороших «технарей», с которыми можно построить отличный IT- и диджитал-бизнес. Но, с другой стороны, при наличии такого количества технических компаний все талантливые сотрудники уже заняты в интересных проектах.
Тем более в последнее время в Ульяновске базируется ряд международных компаний, которые выплачивают своим сотрудникам зарплату в соотношении с курсом доллара, и с ними очень тяжело бороться. У таких сотрудника «не схантишь». Что касается LiteBox, у нас развито не только направление разработки, но и продаж, маркетинга, технической поддержки.
По сравнению с московскими компаниями, мы сильно экономим, находясь в Ульяновске. Просто потому что специалистов найти проще и стоят они дешевле. Есть у нас и ряд удаленных сотрудников в отделах разработки и тестирования. При необходимости они могут приехать на совещание или для общего мозгового штурма».
О трудностях и приятных сюрпризах
Как и в любом бизнесе, в ритейле их тоже достаточно. Не бывает так, чтобы все шло гладко. Главной проблемой основатели облачной программы для розничной торговли называют выстраивание дистрибуционной истории. Особенность облачного софта в том, что большинство компаний распространяет его сейчас через прямую регистрацию в интернете.
То есть люди сами идут в интернет, сами регистрируются, читают инструкцию и разбираются со всем тоже сами. Но большая часть российского бизнеса к такому формату работы оказалась не готова. Они не в состоянии что-то самостоятельно изучать и просто не хотят этого делать. Классический облачный сервис подходит, скорее, для крупных городов, и то только для очень узкой категории бизнес-проектов.
Роман Арифуллин: «Сложность заключалась в том, что наши ожидания и фактическая действительность сильно разнились. Поэтому нам нужно было привлечь партнерскую программу с классическими софтами. Сейчас у нас уже более 200 партнеров по всей России. Наши клиенты проживают во всех регионах. К примеру, на одном только Сахалине их больше 120.
Многие регионы принципиально не пользовались облачными сервисами, например Ямало-Ненецкий автономный округ.
В Астрахани даже была такая история на одном из семинаров, где мы рассказывали про услуги облачного сервиса. Одна из бабушек-продавщиц вышла на улицу и долго всматривалась в облака, удивляясь, «где же там находятся ребята с сервиса». Это как раз показывает уровень готовности людей.
Если их не загружать лишней информацией и сложными терминами, то в общем они понимают, что такое интернет, браузер, электронная почта и как со всем этим работать. Если использовать специфическую терминологию, они очень теряются. Поэтому важно подстраиваться под аудиторию и сильно упрощать общение. Не пугать людей и уводить их в сторону понятных решений».
Если брать во внимание маркетинг, сейчас доля таких сервисов в России около 3-5%. А все компании облачных услуг пытаются потеснить классические программы. Например, онлайн-бухгалтерия хочет «переплюнуть» 1С, но тенденция такая, что все делают пока пробные шаги. Существует общемировой прогноз: сегодня в Европе и Америке доля облачных сервисов составляет 20%, необлачных – 80%. В течение 5-8 лет они должны поменяться местами – облачные сервисы займут 80% рынка, а остальным останется только 20%.
Роман Арифуллин: «В бизнесе пока очень много консерватизма. Наверное, осталось еще с советских времен, когда существовала, скажем, фабрика, и при ней были столовая, санаторий, детский сад, школа и т.д. Потом пришел современный бизнес со своими правилами и сказал, что столовая убыточная, ее надо закрыть, детский сад может быть муниципальным, а вам нужно заниматься только фабрикой.
Нелёгкая конструкция. Почему бизнес всё чаще использует несколько облаков?
Последние пандемические потрясения напомнили бизнесу о том, как важны устойчивость и гибкость, адаптируемость и масштабируемость. Технологическим обеспечением этих компетенций компании становятся облака — более 90% предприятий уже используют облачные технологии.
Правда, при этом почти две трети респондентов Accenture признают, что пока не добились с их помощью ожидаемых результатов. Одна из проблем заключается в том, что для реализации объёмных и сложных облачных проектов может оказаться недостаточно ресурсов и компетенций единственного провайдера. Решением может стать «облачный конструктор» — комбинация инструментов нескольких провайдеров для реализации единого проекта. Как это работает и что нужно учесть при внедрении такой модели?
Когда актуально?
Мультиоблако может быть и логичной моделью реализации проекта, и потребностью бизнеса распределить ресурсы между несколькими исполнителями. Провайдеры, или так называемые гиперскейлеры (Microsoft Azure, Amazon Web Services (AWS), Alibaba или Google Cloud), отличаются друг от друга как по вендорному наполнению инфраструктуры, так и по условиями сотрудничества.
Зачастую просто не существует единого подрядчика, способного реализовать нетиповой проект. При этом требования к ИТ-проектам у компаний со временем только растут. Цена вопроса нередко является решающим фактором для пользователей мультиоблака: используя дорогие и надёжные ресурсы для бизнес-критичных сервисов и относительно недорогие публичные облака для некритичных для бизнеса направлений, компании могут финансово диверсифицировать свой аутсорсинговый портфель. Важно быть уверенным пользователем облачных ресурсов, чтобы извлекать из такой модели максимум преимуществ и действительно экономить.
Специфика бизнеса, подталкивающая к использованию многооблачной модели
Совместимость облачной среды с сервисами, размещаемыми в ней, играет ключевую роль для компаний в цифровой среде. От грамотного подбора облачной среды и подрядчика зависят конкурентные позиции на рынке. При использовании мультиоблачности средства должны оправдывать цель. Самые распространённые цели — это экономия финансов и оптимизация нагрузки.
Когда у компании в арсенале процессообразующие сервисы, от стабильности которых прибыль зависит напрямую, компания понимает важность резервирования инфраструктуры и равномерного распределения нагрузки. Обычно под такие системы проектируют географически распределённый кластер, чтобы обеспечить возможность восстановить ресурсы в случае аварии.
Если облака ещё и от разных подрядчиков, это максимально диверсифицирует риски. В случае проблем у одного подрядчика можно переключиться на работу в облаке другого. Мультиоблачная модель в данном случае позволяет изолировать облачные ресурсы как физически, так и юридически.
Распределение работы отделов одной компании на сервисы различных провайдеров поможет предотвратить остановку работы всей инфраструктуры в случае, например, успешной DDoS-атаки или отключения электропитания в регионе провайдера. Субъекты критической информационной инфраструктуры (часто это госорганизации) и операторы персональных данных нередко обращаются к провайдерам за аттестованным облаком со зрелыми инструментами инфобезопасности.
Для некритичных сервисов они могут использовать ресурсы других подрядчиков. В целом крупные компании нередко устраивают тендеры на размещение в облаках той или иной части их сервиса. Тендеры — отличный рыночный консолидатор и фильтр подрядчиков.
Публичный заказ собирает все существенные условия и позволяет выбрать из «отфильтрованного» предложения наиболее оптимальные по цене и другим критериям. Бизнес часто использует мультиоблачные модели для функционального или территориального менеджмента сервисов через облака.
Модель сыграет на руку игрокам с распределённой филиальной сетью или широкой географией пользователей. Стриминговые сервисы размещают пользовательский интерфейс у одного провайдера, а сервисы доставки контента — у другого. За счёт нескольких провайдеров или гиперскейлеров можно существенно расширить географию присутствия. Кроме того, если падает дата-центр в одном из регионов обслуживания, другие подхватывают его работу и обслуживают пострадавший регион. Расширяя или сокращая географию присутствия, можно резервировать ресурсы у местных провайдеров и в короткие сроки разворачивать или сворачивать точки присутствия.
Преимущества и сложности многооблачной модели
Модель multicloud довольно сложна в проектировании и обслуживании, так как облака от разных провайдеров потенциально несовместимы друг с другом из-за разнокалиберного технологического наполнения. Появляются сложности автоматизации управления.
Требуется высокий уровень эксклюзивной экспертизы, обучение сотрудников и выделение отдельного структурного подразделения для контроля биллинга и безопасности работы мультиоблака. Это должна быть обособленная команда архитекторов, инженеров и сотрудников информационной безопасности, ответственная за проектирование надёжной многооблачной системы по параметрам компании.
Проект становится относительно подъёмным, когда разные ресурсы разнесены по облакам разных подрядчиков. Задача сильно усложняется, если несколько провайдеров берутся за обслуживание связанных элементов единой системы.
Стирается граница ответственности, необходимо промежуточное звено, подкованное по техническим и юридическим вопросам, необходимо подключение к команде юристов, финансистов, аналитиков. Отсутствие необходимых компетенций отсрочивает во времени финансовый и технологический эффект от внедрения инновации.
Часто мультиоблако организуют для балансировки нагрузки между частями единого сервиса. В таком случае провайдеры перетягивают одеяло каждый на себя. Понимая, что заказчику есть с чем сравнивать, в ход идёт и демпинг, и апсейл, и «персонализация» условий сотрудничества.
Такие «качели» могут служить рычагом для оптимизации бюджета на облачные ресурсы в целом, а в демпинговой гонке каждый исполнитель будет стремиться предложить более выгодные условия сотрудничества. Важен не только технологически подкованный, но и в некотором роде мудрый менеджмент мультиоблака. Грамотный менеджмент превратит эту модель в очень удобный инструмент оперативного реагирования на изменения рыночной конъюнктуры и позволит снизить цену эксперимента.
Источник: sber.pro