Застосування математичного моделювання у домейні FinOps

Автор(и)

DOI:

https://doi.org/10.24144/2616-7700.2024.45(2).238-248

Ключові слова:

математичне моделювання, управлiння хмiрними обчисленнями, аналiз даних, прогнозування, FinOps, оптимiзацiйнi процеси

Анотація

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.

Біографії авторів

М. В. Роботишин, ДВНЗ «Ужгородський національний університет»

Аспірант

М. М. Маляр, ДВНЗ «Ужгородський національний університет»

Професор кафедри кібернетики і прикладної математики. Доктор технічних наук

Посилання

  1. State of FinOps. Retrieved from: https://data.finops.org
  2. AI and FinOps Predicted to Lead Observability Innovation in 2024. Retrieved from https://www.infoq.com/news/2024/02/observability-2024-predictions
  3. Gaur, R. R., Budruk, S. C., & Patil, N. V. (2022). Survey on Cloud Load Prediction using Machine Learning Techniques. IJIRT, 9(1), 792–796.
  4. 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.
  5. 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.
  6. 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.
  7. FinOps Open Cost and Usage Specification. Retrieved from https://focus.finops.org
  8. Find Open Datasets and Machine Learning Projects. Retrieved from https://www.kaggle.com/datasets
  9. 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/
  10. BigQuery public datasets. Retrieved from https://cloud.google.com/bigquery/public-data

##submission.downloads##

Опубліковано

2024-11-21

Як цитувати

Роботишин, М. В., & Маляр, М. М. (2024). Застосування математичного моделювання у домейні FinOps. Науковий вісник Ужгородського університету. Серія «Математика і інформатика», 45(2), 238–248. https://doi.org/10.24144/2616-7700.2024.45(2).238-248

Номер

Розділ

Iнформатика, комп’ютернi науки та прикладна математика