管理云計算資源很困難 這是技術生活中的一個重大事實

除了接受問題之外，在無服務器計算時代，我們對云的前向處理方式似乎不僅僅是二進制開關決策的問題。

通常，它不僅僅是軟件工具A與工具B的情況。

在混合多云無服務器世界中，我們經常需要同時使用這兩種選擇，以及在我們第一次開始構建云模型本身時可能從未想到的工具C的額外工具。

與我們用于檢查云實例并與云實例交互的數據分析功能相比，這種多管理工具“現象”無處可見。

如果我們想要與云應用程序或工作負載“交談”以了解有關其狀態的更多信息，我們可以立即看到啟動對話有三種截然不同的路徑。從長遠來看，可能會超過三個。

語言的力量

語音到文本處理的新進展使我們能夠建立自然語言理解(NLU)系統，該系統可以按照我們自己的條件與人類互動。

能夠不僅處理不同人的口音，而且能夠處理我們通過語義解釋使用的慣用特性，這使得NLU可以在上下文中找出我們對給定命令可能意味著什么。

從NLU我們可以構建自然語言查詢(NLQ)技術，該技術將允許用戶詢問他們正在運行的云系統的問題，以確定資源分配的可用位置。

混合多云部署提供了可能配置的矩陣，我們人類(在這種情況下，我們主要談論的是云系統管理員，架構師和軟件開發人員)需要能夠很快地找出應該去的地方，通常在很短的決策窗口。

能夠在心跳時“向NLQ查詢談話”以確定放置或轉移每個工作負載的位置是一個巨大的優勢。

這將使我們能夠在可接受的延遲和數據合規性限制內為應用程序或數據庫作業找到最便宜，最有效，最合適的功能。

AI是第二種方式

但是，幸運的是，人類控制和與云計算系統管理功能的交互只能到目前為止。我們還可以使用人工智能(AI)形式的自動化與云進行對話，人工智能能夠從歷史事務數據和日志文件分析中學習最有效的方法。

通過實施人工智能與云談話意味著我們人類有效地保持沉默，但談話本身仍然存在。

在這種情況下，AI引擎被引導參與客戶的云部署，以了解公司用例場景的周期性，同時還尋找識別峰值，峰值和低谷。

如果我們正確地構建這種類型的AI控制大腦(記住，它仍然只是軟件代碼)，我們可以開始向外精細化它的神經能力，將事件，季節，股票價格等納入客戶較小的運營數據范圍之外。

建模三壘

第三，我們可以通過我們為從一開始就管理我們的云部署而建立的數據模型稍微不那么深奧并且“談論云”。

數據模型是構成應用程序或數據庫結構的元素和對象的基本抽象組織，以及允許它們運行和執行時應具有的關系。

如果我們談論的是“云對話”，那么數據模型可能會被比作我們可用的語言詞典。在我們擴展模型本身之前，我們無法開始在該語言集之外提出問題。

越線和喋喋不休？

正如我們在開始時所說的，我們可能會考慮使用一些或實際上所有這些方法與云實例進行對話，并找出如何最好地管理我們對可用的使用。

從理論上講，如果建筑和工程是正確的，那么就不存在交叉線的危險，而且我們通過多個通道與云交談。

話雖這么說，將所有云談話頻道合并，整合和合并到一個界面的選項將有助于避免任何太多的廚師場景....這當然是云管理圈的當前趨勢。