За да автоматизират настройката на производителността на облака и откриването на аномалии, потребителите на облак по целия свят търсят следващото поколение софтуер за управление на облак, управляван от изкуствен интелект (AI). AI инструментите се нуждаят от споделено представяне на облачни ресурси и поддръжка за оптимизация на машинно обучение, насочена към множество цели, за да бъдат успешни в облаците. Базираните на онтологията модели, твърдим ние, могат да поемат и двете.
ПОДХОД ЗА УПРАВЛЕНИЕ В ОБЛАКА, БАЗИРАН НА МАШИННО ОБУЧЕНИЕ
Способността на доставчиците на публичен облак да предоставят евтини услуги за машинно обучение (ML) предизвика интерес към използването на ML и за управление на облак. За да дефинират, предвидят и оптимизират облачните натоварвания, техниките за машинно обучение анализират тенденциите в параметрите на облачните обекти.
Стандартното решение за наука за данни е да се премащабира и центрира отново данните, като се извади средната стойност от всяка променлива и се раздели на стандартното отклонение, изчислено за всички виртуални машини. Между другото, това повишава изчислителното натоварване на внедряването на модела, което позволява използването на облачни ресурси, които не могат да бъдат таксувани на потребителите.
Разширяването на облачната онтология за отразяване на еквивалентността на ресурсите 12 ще гарантира, че всички ML модели, преконфигуриращи облака, се държат еднакво, за да постигнат цел, посочена на онтологично (символно) ниво, като например нефункционално свойство, посочено в споразумение за ниво на услугата.
Също така си струва да се отбележи, че AI агентът ще работи върху няколко цели едновременно: Две различни метрични пространства с различни справочни таблици, както и два различни модела на машинно обучение, могат да се използват за постигане на целите за справедливост и ефективност. Естественият показател може да бъде разширен до „хибриден“ клас на еквивалентност.
