云为IT提供了全新的成本模型,基于弹性和按需付费的方式。大多数公司不得不重新考虑他们的项目计划,更好的使用云,但很多公司并没有意识到很容易就会部署的太多,这一挑战被称为云服务滥用。
除非你采取措施控制它,云服务滥用可能会破坏你的项目计划。 云服务滥用是指不断增加云资源,使得部署变得非常昂贵。
公司通常会引用三个云服务滥用的原因:缺乏对云资源的总体协调, 多个云供应商的不合理运用,以及为一个应用配置过多的资源。然而,只要有合理的云资源管理,这一切都是可以避免的。
总体协调,设立政策是关键
云计算是一项支出,而不是一个资本项目。很多公司对于IT服务,比如云计算,不进行严格的采购控制,这意味IT部门或业务部门不需要审查,就可以购买新的云服务。
公司的公有云服务是一个虚拟数据中心,需要进行优化,从而共享。这并不意味着总部的IT团队需要管理所有的公有云使用,但他们应该设立基本的指导方针,以确保用户没有浪费云资源。需要设立一个云政策。
云政策应该定义用于支持公司应用的云模型的最小数量,比如基础设施即服务,平台即服务和软件即服务,或者虚拟机和容器。然后,选择提供这些模型的主要的和后备的公有云供应商。要求IT和业务部门从这些供应商中选择公有云服务,并使用计划中包含的模型。
多个供应商可以增加云服务滥用的风险
多个供应商可能会增加服务滥用,使云资源管理更加复杂,因为服务冗余。很多云供应商计划都要求最低资源承诺,特别是涉及专用或指派托管的计划。如果两个部门选择不同的供应商,每个部门都必须满足最低资源要求,那么其他部门也不能使用其他多余资源。
这个问题说明要预防云服务滥用不只是设立政策那么简单。 必须有个人或团队负责监测所有的云合同,确保不违反政策。这个团队还应该将同一个供应商的所有云合同合并,以获得最好的商业条款。
总部的IT部门是最好的选择,没有这个部门的公司可以选择一个员工向高层汇报,比如,首席运营官,负责合同协调。 云协调的任务其实是获取和分配。当你需要一个新的云服务是,与其通过新合同获得,应该从现有合同中,选择合适的云容量,进行分配。
如果容量不够,通过扩展现有合同进行增加,或者取得新合同,但任何应用都不应该独占云资源;而是由容量池享有。
避免过度
以上这些步骤也不能完全消除云服务滥用,仍然可能造成应用的过量资源使用,并造成资源浪费。
当没有IT技能的部门协商云托管合同,或者与第三方经销商或集成商进行交易时,最有可能发生问题。例如,一个应用可能在一个专用的云服务器上运行,或使用高可用性特性,而实际上,该应用并不需要这些功能。 在云服务的资源选择时,其中的问题是,很难判断合适的标准。使用最基本的云服务,进行一个短期的应用试用,或在公司内部的容量池内,使用云资源。
如果这一试用在体验质量(QoE)上出现问题,那么额外的云特性是有必要的。 避免服务滥用和优化云资源管理的最后措施,是不断审查计费和合同续签。公有云用户通常在没有正式审查他们需求和服务成本的情况下,添加云服务。
为了避免这种情况,你需要CFO或应付账款的配合,因为新的收费通常很难在复杂的云账单中找到。任何新的收费都应该是合理的。 云的按需付费模式会导致太多的支出。 企业应该认识到低效的使用和代价过高的风险是分布式云决策的不可避免的后果。尽早解决这些挑战,拥有一个更好的云资源管理计划。
好文章,需要你的鼓励
新加坡国立大学研究团队开发了名为IEAP的图像编辑框架,它通过将复杂编辑指令分解为简单原子操作序列解决了当前AI图像编辑的核心难题。研究发现当前模型在处理不改变图像布局的简单编辑时表现出色,但在需要改变图像结构时效果差。IEAP框架定义了五种基本操作,并利用思维链推理技术智能分解用户指令,实验证明其性能显著超越现有方法,尤其在处理复杂多步骤编辑时。
Character AI的研究者开发出TalkingMachines系统,通过自回归扩散模型实现实时音频驱动视频生成。研究将预训练视频模型转变为能进行FaceTime风格对话的虚拟形象系统。核心创新包括:将18B参数的图像到视频DiT模型改造为音频驱动系统、通过蒸馏实现无错误累积的无限长视频生成、优化工程设计降低延迟。系统可让多种风格的虚拟角色与人进行自然对话,嘴型与语音同步,为实时数字人交互技术开辟了新可能。
这项由中国人民大学高瓴人工智能学院研究团队发表的研究解决了大语言模型评判中的自我偏好问题。研究提出了DBG分数,通过比较模型给自身回答的分数与黄金判断的差异来测量偏好度,有效分离了回答质量与自我偏好偏差。实验发现,预训练和后训练模型都存在自我偏好,但大模型比小模型偏好度更低;调整回答风格和使用相同数据训练不同模型可减轻偏好。研究还从注意力分析角度揭示了自我偏好的潜在机制,为提高AI评判客观性提供了重要指导。
这篇研究提出了DenseDPO,一种改进视频生成模型的新方法,通过三大创新解决了传统方法中的"静态偏好"问题:使用结构相似的视频对进行比较,采集细粒度的时序偏好标注,并利用现有视觉语言模型自动标注。实验表明,DenseDPO不仅保留了视频的动态性,还在视觉质量方面与传统方法相当,同时大大提高了数据效率。这项技术有望推动AI生成更加自然、动态的视频内容。