Avec Graviton Savings Dashboard, AWS optimise les coûts d'infrastructures

Amazon Web Services a lancé un tableau de bord adossé à son processeur Graviton basé sur Arm qui mesurera les possibilités d'économies dans le but d'aider les entreprises à optimiser davantage leurs dépenses d'abonnement en matière d'infrastructures. Le fournisseur de services cloud a lancé Graviton en 2018 en vantant son efficacité énergétique et ses performances élevées pour les charges de travail cloud. Au cours des six dernières années, AWS a construit quatre générations du processeur, la dernière étant Graviton 4 lancée plus tôt cette année. L'ajout de Savings Dashboard aidera les utilisateurs en entreprise, tels qu'un membre FinOps, un chef de produit ou un ingénieur logiciel, à planifier la migration des charges de travail existantes vers des instances basées sur Graviton en apportant des informations détaillées, telles que les impacts sur les performances et les économies cumulées, a expliqué AWS dans un billet de blog.

Le tableau de bord comprend notamment une visibilité centralisée sur les comptes et les charges de travail d'une entreprise de sorte que l'utilisateur dispose d'une vue consolidée de l'adoption de Graviton sur plusieurs comptes de gestion, comptes de membres et régions AWS. Cet outil comprendra également des onglets dédiés pour examiner l'utilisation actuelle de Graviton et déterminer des économies potentielles en matière de calcul et de services managés. Plus d'informations seront par exemple données pour connaitre les charges de travail à déplacer en premier. « Le tableau de bord classe les opportunités de migration Graviton en deux groupes principaux : Typically Easy et Requires Additional Planning, pour les instances EC2 », explique l'entreprise.

Comment cela fonctionne-t-il ?

Le tableau de bord intègre des services AWS existants, tels que Amazon S3, Athena et QuickSight. Au niveau du back-end, cet outil utilise d'abord le service Cost and Usage Reports (CUR) du fournisseur, mais aussi son SDK et son API de tarification publique pour générer des données sur l'utilisation, le coût et l'inventaire des ressources, qui sont stockées dans S3. Ensuite, il analyse ces données à l'aide d'Athena - un service de requête serverless pour générer des idées sur les économies potentielles. Ces informations ou les résultats de la requête, sont présentés dans un format visualisé à l'aide de l'outil de veille stratégique QuickSight.

Les entreprises qui souhaitent déployer le tableau de bord peuvent le faire via les modèles CloudFormation et un outil de ligne de commande « cid-cmd », a indiqué la société. Cependant, le fournisseur a souligné que pour déployer le tableau de bord, les entreprises devront configurer leur service CUR, le module Inventory Collector du laboratoire Optimization Data Collection et QuickSight. En outre, l'hyperscaler a expliqué que le tableau de bord coûte généralement entre 50 et 100 $ par mois.

Plus d'offres pour optimiser les dépenses informatiques

Ce dashboard n'est pas la seule offre d'AWS pour aider les entreprises à optimiser leurs dépenses d'infrastructure. Lors de sa conférence annuelle re:Invent 2024, la semaine dernière, le fournisseur de services cloud a publié plusieurs mises à jour, notamment des plans pour des accélérateurs Tranium3 (pour l'IA) plus économes en énergie et de instances EC2 P6 qui intégreront les GPU Blackwell de Nvidia. En ce qui concerne les modèles, Matt Garman, CEO d'AWS, a dévoilé les modèles Nova Foundational qui, selon lui, offrent une meilleure valeur, notamment en termes de coût, que la plupart des modèles concurrents.

En outre, la société a publié des mises à jour, telles que Model Distillation, et prompt caching pour sa plateforme d'IA générative - Bedrock - visant à aider les entreprises à réduire leurs coûts d'exploitation de grands modèles de langage (LLM). Le module IA d'Amazon SageMaker a également reçu des fonctionnalités de réduction des coûts, notamment les plans de formation flexibles et la gouvernance des tâches de SageMaker Hyperpod. Ces mises à jour ont été conçues pour permettre aux entreprises d'utiliser au moins 90 % des clusters et instances qu'elles ont achetés, tout en réduisant le temps nécessaire à la formation LLM, à l'inférence LLM et aux tâches de développement de modèles d'IA.