استفاده از ابر ، مانند هزینه های مرتبط با آن – به ویژه در اواخر ، کسانی که توسط هوش مصنوعی هدایت می شوند ، افزایش می یابد. تحلیلگران گارتنر پیش بینی می کنند هزینه های کاربر نهایی در سراسر جهان برای خدمات ابری عمومی متورم شود 723.4 میلیارد دلار در سال 2025، از کمتر از 600 میلیارد دلار در سال 2024. 70 ٪ از مدیران مورد بررسی در یک گزارش IBM ، AI تولید کننده را به عنوان محرک مهم این افزایش ذکر کرد.
در همان زمان ، Deepseek چین وقتی ادعا می کرد فقط طول کشید دو ماه و 6 میلیون دلار برای آموزش مدل هوش مصنوعی خود. شک و تردید وجود دارد که آیا این ارقام کل داستان را بیان می کنند ، اما اگر قیمت سهم هنوز مایکروسافت و NVIDIA نشانه ای از آنها باشد ، این اعلامیه جهان غرب را به نیاز به سیستم های هوش مصنوعی با مقرون به صرفه بیدار می کند.
تا به امروز ، شرکت ها توانسته اند هزینه های هوش مصنوعی نصب را به عنوان نوشتن تحقیق و توسعه درمان کنند. اما هزینه های هوش مصنوعی – به ویژه هزینه های مربوط به محصولات و ویژگی های موفق – در نهایت به هزینه شرکت های شرکت های فروخته شده (COG) و در نتیجه حاشیه ناخالص آنها برخورد می کند. نوآوری های هوش مصنوعی همیشه برای مواجهه با بررسی سرد حس تجارت قرار داشتند. اعلامیه بمب Deepseek فقط این جدول زمانی را کوتاه کرد.
دقیقاً مانند آنها با بقیه ابر عمومی ، شرکت ها باید هزینه های هوش مصنوعی خود را از جمله هزینه های آموزش و مصرف خود مدیریت کنند. آنها باید هزینه های هوش مصنوعی را با نتایج کسب و کار ، بهینه سازی هزینه های زیرساخت هوش مصنوعی ، تصفیه قیمت گذاری و استراتژی های بسته بندی و به حداکثر رساندن بازده سرمایه گذاری های هوش مصنوعی خود متصل کنند.
چگونه می توانند این کار را انجام دهند؟ با اقتصاد واحد ابر (نشانه).
اقتصاد واحد ابر (CUE) چیست؟
نشانه شامل اندازه گیری و حداکثر رساندن سود ابر محور است. مکانیسم اساسی آن اتصال داده های هزینه ابر با داده های تقاضای مشتری و داده های درآمدی است و بیشترین و کمترین سودآوری یک تجارت را آشکار می کند و در نتیجه شرکت ها را نشان می دهد که چگونه و از کجا بهینه سازی می کنند. نشانه در تمام منابع هزینه های ابری ، از جمله هزینه های هوش مصنوعی اعمال می شود.
پایه و اساس نشانه است تخصیص هزینه – سازماندهی هزینه های ابر با توجه به چه کسی و یا چه چیزی آنها را سوق می دهد. ابعاد تخصیص مشترک شامل هزینه برای هر مشتری ، هزینه برای هر تیم مهندسی ، هزینه برای هر محصول ، هزینه برای هر ویژگی و هزینه برای هر میکروسرویس است. شرکت هایی که از یک بستر مدیریت هزینه مدرن استفاده می کنند ، اغلب هزینه ها را در چارچوبی اختصاص می دهند که ساختار تجاری آنها را آینه می کند (سلسله مراتب مهندسی آنها ، زیرساخت های پلتفرم و غیره).
سپس ، قلب نشانه است واحد هزینه واحد، که داده های هزینه را با داده های تقاضا مقایسه می کند تا یک شرکت هزینه همه جانبه خود را برای ارائه به یک شرکت نشان دهد. به عنوان مثال ، یک شرکت بازاریابی B2B ممکن است بخواهد “هزینه در هر 1000 پیام” ارسال شده از طریق پلتفرم خود را محاسبه کند. برای انجام این کار ، باید هزینه های ابر خود و تعداد پیام های ارسالی را ردیابی کند ، آن داده ها را به یک سیستم واحد تغذیه کند و به آن سیستم دستور دهد که هزینه های ابر خود را با پیام های خود تقسیم کند و نتیجه را در داشبورد نمودار کند.
از آنجا که این شرکت با تخصیص هزینه شروع به کار کرد ، می تواند هزینه خود را در هر 1000 پیام توسط مشتری ، محصول ، ویژگی ، تیم ، میکروسرویس یا هر نوع دیگری که آن را منعکس کننده ساختار تجاری خود می داند مشاهده کند.
نتایج:
- انعطاف پذیر ابعاد تجارت که توسط آنها می توانند متریک هزینه واحد خود را فیلتر کنند ، و به آنها نشان می دهد که کدام مناطق از مشاغل آنها هزینه های ابر خود را در پیش گرفته است
- روشن کننده واحد هزینه واحد این به آنها نشان می دهد که چقدر کارآمد هستند و تقاضای مشتری را برآورده می کنند
- توانایی بهبود بهره وری هدفمند ، مانند بازپرداخت زیرساخت ها ، تغییر قراردادهای مشتری یا پالایش مدل های قیمت گذاری و بسته بندی
نشانه در عصر AI
در مدل Cue ، هزینه های هوش مصنوعی فقط یک منبع دیگر از هزینه های ابر است که می تواند در چارچوب تخصیص کسب و کار گنجانیده شود. روشی که شرکت های هوش مصنوعی داده های هزینه را منتشر می کنند ، هنوز در حال تحول است ، اما در اصل ، سیستم عامل های مدیریت هزینه هزینه های AI را به همان روشی که با هزینه های AWS ، Azure ، GCP و SaaS رفتار می کنند ، درمان می کنند.
سیستم عامل های مدیریت هزینه ابر مدرن هزینه های هوش مصنوعی را اختصاص می دهند و تأثیر کارآیی آنها را در زمینه معیارهای هزینه واحد نشان می دهند.
شرکت ها باید هزینه های هوش مصنوعی خود را به تعداد معدودی از روش های شهودی اختصاص دهند. یکی از آنها هزینه فوق الذکر برای هر تیم خواهد بود ، یک بعد تخصیصی که برای کلیه منابع هزینه ابر مشترک است و هزینه هایی را که هر تیم مهندسی مسئول آن است ، نشان می دهد. این امر به ویژه مفید است زیرا رهبران دقیقاً می دانند چه کسی باید در هنگام افزایش هزینه های تیم خاص ، به آنها اطلاع دهد و پاسخگو باشد.
شرکت ها نیز ممکن است بخواهند خودشان را بشناسند هزینه هر نوع سرویس AI -مدل های یادگیری ماشین (ML) در مقابل مدل های بنیاد در مقابل مدل های شخص ثالث مانند OpenAI. یا ، آنها می توانند هزینه خود را در هر مرحله SDLC محاسبه کنند تا درک کنند که چگونه هزینه های یک ویژگی هوش مصنوعی تغییر می کند زیرا از توسعه به آزمایش به مرحله بندی و در نهایت به تولید منتقل می شود. یک شرکت می تواند دانه ای بیشتری کسب کند و هزینه خود را در هر مرحله چرخه توسعه هوش مصنوعی ، از جمله پاکسازی داده ها ، ذخیره سازی ، ایجاد مدل ، آموزش مدل و استنتاج محاسبه کند.
بزرگنمایی از علفهای هرز کمی: نشانه به معنای مقایسه داده های هزینه ابر سازمان یافته با داده های تقاضای مشتری و سپس فهمیدن در کجا بهینه سازی است. هزینه های هوش مصنوعی فقط یک منبع دیگر از داده های هزینه ابر است که با داشتن یک بستر مناسب ، یکپارچه در استراتژی کلی یک شرکت قرار می گیرند.
اجتناب از سونامی COGS
از سال 2024 ، فقط 61 ٪ از شرکت ها سیستم های مدیریت هزینه ابر را در محل رسمی (در صورت بررسی Cloudzero) در نظر گرفته بودند. هزینه های ابر کنترل نشده به زودی غیرقابل کنترل می شوند: 31 ٪ از شرکت ها – مشابه بخشی که به طور رسمی هزینه های خود را مدیریت نمی کنند – از بازدیدهای عمده COGS رنج می برند و گزارش می دهند که هزینه های ابر 11 ٪ یا بیشتر از درآمد خود را مصرف می کند. هزینه های کنترل نشده AI فقط این روند را تشدید می کند.
سازمان های آینده نگر امروز با هزینه های ابر مانند سایر هزینه های اصلی ، محاسبه ROI آن ، شکستن ROI را با مهمترین ابعاد تجاری خود و توانمندسازی اعضای تیم مربوطه با داده های مورد نیاز برای بهینه سازی آن ROI ، رفتار می کنند. سیستم عامل های مدیریت هزینه ابر نسل بعدی یک گردش کار جامع را ارائه می دهند و به شرکت ها کمک می کند تا از سونامی COGS جلوگیری کنند و زنده ماندن طولانی مدت را تقویت کنند.
