Застосування математичного моделювання у домейні FinOps
DOI:
https://doi.org/10.24144/2616-7700.2024.45(2).238-248Ключові слова:
математичне моделювання, управлiння хмiрними обчисленнями, аналiз даних, прогнозування, FinOps, оптимiзацiйнi процесиАнотація
Розвиток хмарних обчислень революціонізував підхід організацій до управління ІТ-ресурсами, пропонуючи масштабовані та гнучкі рішення для різноманітних операційних потреб. Проте, з підвищеним впровадженням хмарних сервісів, фінансові операції (FinOps) стали більш складними, створюючи виклики в управлінні витратами, розподілі ресурсів та фінансовому прогнозуванні. Традиційні методи часто не здатні ефективно вирішувати ці складнощі, що призводить до неефективності та субоптимального прийняття рішень. У цій роботі досліджується застосування математичного моделювання в сфері FinOps як потужного рішення цих викликів. Пропонується класифікація проблем FinOps на окремі класи та математична постановка задачі для кожного класу, що має на меті підвищити ефективність FinOps-практик. Інтеграція математичних моделей покращує точність та ефективність, забезпечуючи систематичний підхід до управління фінансовими операціями у хмарному середовищі. Через вивчення кейсів та прикладів з реального світу ця робота демонструє трансформаційний потенціал математичного моделювання у стимулюванні інновацій та досягненні операційної досконалості в FinOps.
Посилання
- State of FinOps. Retrieved from: https://data.finops.org
- AI and FinOps Predicted to Lead Observability Innovation in 2024. Retrieved from https://www.infoq.com/news/2024/02/observability-2024-predictions
- Gaur, R. R., Budruk, S. C., & Patil, N. V. (2022). Survey on Cloud Load Prediction using Machine Learning Techniques. IJIRT, 9(1), 792–796.
- Archana, Y., Kushwaha, Sh., Gupta, J., Saxena, D., & Singh, A. K. (2021). A survey of the workload forecasting methods in cloud computing. In Proceedings of 3rd International Conference on Machine Learning, Advances in Computing, Renewable Energy and Communication. MARC. Singapore: Springer Nature Singapore.
- Hofmann, E., & Rutschmann, E. (2018). Big data analytics and demand forecasting in supply chains: a conceptual analysis. The international journal of logistics management, 29(2), 739–766.
- Kureljusic, M., & Karger, E.(2023). Forecasting in financial accounting with artificial intelligence — A systematic literature review and future research agenda. Journal of Applied Accounting Research, 25(1), 81–104.
- FinOps Open Cost and Usage Specification. Retrieved from https://focus.finops.org
- Find Open Datasets and Machine Learning Projects. Retrieved from https://www.kaggle.com/datasets
- Automate the deployment of an Amazon Forecast time-series forecasting model. Retrieved from https://aws.amazon.com/blogs/machine-learning/automate-the-deployment-ofan-amazon-forecast-time-series-forecasting-model/
- BigQuery public datasets. Retrieved from https://cloud.google.com/bigquery/public-data
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2024 М. В. Роботишин, М. М. Маляр
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.