云财务管理：从AI/ML获得一点帮助
尽管速度、敏捷性和可扩展性是云迁移的主要目标，但许多企业的首要目标是降低成本。
不幸的是，当许多组织从云提供商那里收到包含数千个项目的难以破译的账单时，他们会感到震惊。
此外，许多组织正在迁移到多个云平台，每个平台都提供不同的选项和功能（以及成本）组合——很难知道您是否获得了最佳价格或价值。
“云服务提供商提供用于跟踪费用的专有工具，但组织仍然缺乏对成本来源以及哪些操作正在推动增长的精细可见性，”TDWI 商业智能研究高级主管 David Stodder 解释道。“注入 AI/ML 的第三方工具可以提供这种精细的可见性。”
他指出，预测是云财务管理中的一项关键活动，而 AI/ML 可以为预测带来预测建模和洞察力，使用户能够检查更大、更多样化的数据。
“他们可以持续分析预测是否准确并符合业务需求，”Stodder 说。“AI/ML 内部预测有助于制定管理云成本的总体计划以及如何在工作负载需求增加时进行调整。”
AI/ML 助力容量管理、成本优化
同时，通过预测分析和 AI/ML 加强的自动化预测使组织能够转向持续预测、资源优化和容量管理。
Gartner 副总裁分析师 Adam Ronthal 解释说，云本质上是一个巨大的成本优化问题。
“我们正试图同时对数十到数百种服务产品进行成本优化，每一种服务产品都是相互关联的，”他说。“因此，对一个组件进行更改将影响接触该组件的任何事物，并且还会产生二阶和三阶效应。”
在基础设施方面，有数百种不同的机器实例类型可供选择，因此在复杂的基础设施上存在复杂的问题——这非常适合 AI/ML 来解决。
“事实上，它非常复杂，如果没有 AI/ML，几乎不可能做到正确，”Ronthal 说。“将 AI/ML 功能应用于成本优化和预算问题被称为增强型 FinOps。这是一项仍处于相对早期阶段的新兴技术。”
他说，大多数特定的 AI/ML 工具都严格限定在解决问题的特定部分。
例如，Oracle 自治数据库使用 AI/ML 来优化 Oracle 数据库的性能和安全性，而 Sync Computing 等供应商则优化 Spark 和 Databricks 工作流程。
同时，OtterTune 和 Enteros 等供应商优化了数据库管理系统 (DBMS) 的性能。
“其他工具的范围很广，但相当肤浅，”Ronthal 说。“他们让你了解金融热点在哪里，但他们没有就如何解决这些问题提出详细的规范性建议。”
从 PwC 数据与分析合伙人 Bret Greenstein 的角度来看，AI/ML 在管理云成本方面有两个重要用途。
“第一个是自动化，使用 AI/ML 来加速服务请求并自动化进入服务请求和云环境监控的工作流程，”他解释道。“第二个是预测和优化。”
Greenstein 指出，公司正在使用自然语言处理 (NLP) 来自动管理服务请求（访问控制请求、供应请求、中断等），以便以更低的成本实时运行。
在优化方面，AI/ML 可用于预测峰值负载，并就最佳实例和运行工作的位置做出决策，以平衡成本、性能和容量。
多个利益相关者必须合作
Ronthal 解释说，随着数据和分析的重心越多地转移到云端，组织中关心运营效率的部分就越多：CFO 和 COO。
“一般来说，CFO 和 COO 角色不具备深厚的技术能力来理解所运行的工作负载的价值，因此他们将与 CDAO、CIO 和业务线主管合作，”他说。
成功的组织将在这些领导角色之间建立清晰的沟通渠道：CFO/COO、CDAO、CIO、LOB 主管。
“然而，鉴于云计算本质上是关于成本优化的，CFO 将成为主导角色，”他补充道。“这个问题需要多个参与的利益相关者。”
Greenstein 表示，制定战略的责任通常由 AI 和新兴技术领导者以及 CIO 承担，但在任何转型工作中，他们可能会进一步涉及需要管理整个企业数据的可访问性、成本和安全性的 CDO。
“此外，应用程序负责人与业务利益相关者合作，以了解应用程序工作负载的成本、性能和速度之间的权衡，”他补充道。
Stodder 同意对于云计算，所有需要为协作管理做出贡献的人。
“云计算通常是业务驱动的，需要业务方对领导做出贡献，”他说。“数据科学家需要参与指导人工智能和人工智能工具的使用。”
他增加了业务用户（包括财务办公室）、数据科学家、应用程序开发和 IT。一些组织将他们聚集在卓越委员会的中心。
“他们管理预算，以推进基于 AI 的云财务管理的数据收集和工具，”他说。
人工智能/机器学习工具的演变以辅助规划
Greenstein 表示，AI/ML 工具的未来将使推动自动化和优化决策变得更加容易。
“随着云计算变得更加强大，应用程序、分析和产品更多地使用它，将有更多的潜力来优化工作负载大小、位置、优先级以最大化 NPS 分数、改善业务成果、能源消耗以及成本、性能和速度，”他说。
例如，想象一下，由于社交媒体上发生的事件，一家零售企业的需求将出现激增。
使用 AI/ML，企业可以预测需求和供应增加的容量。
根据这样做的成本，它可以建议是否更好地发展环境以满足增加的需求（以获得更高的收入和 NPS），并且这样做的能源影响将被考虑在内。
“这反过来会推动 IT 采取其他行动来抵消能源消耗，”Greenstein 解释说。“借助 AI/ML，这可以更快地发生，从而允许动态决策并避免代价高昂的错误。”
