‏صورت‌حساب ابری هوش مصنوعی، قراردادهای AWS و Azure و GCP رو زیر سؤال برده

نویسندهٔ این مقاله تو CIO.com می‌گه قراردادهای بلندمدتی که شرکت‌ها با AWS، Azure و GCP بستن، برای روزهایی طراحی شده بودن که بار کاری هوش مصنوعی هنوز جدی نبود. اولین ضربه، دسترسیه. بعضی تیم‌ها مدلشون آماده بوده ولی نتونستن ظرفیت GPU کافی برای production رو با قیمتی که پیش‌بینی کرده بودن بگیرن. ظرفیتی که پیدا می‌شد بیرون از فرض‌های قرارداد بود و قیمت بازار هم خیلی از بودجه جلوتر رفته بود.

مشکل بعدی جابه‌جایی داده‌ست. بارهای کاری AI گاهی برای پیدا کردن GPU خالی یا چیپ ارزون‌تر، بین regionها یا حتی بین ارائه‌دهنده‌ها جابه‌جا می‌شن. نویسنده تعریف می‌کنه که تیم‌های مالی صورت‌حساب‌هایی دیدن که خیلی بالاتر از پیش‌بینی بوده، فقط چون داده باید از یه ابر خارج می‌شد تا به GPU یه ابر دیگه برسه. یعنی این افزایش ربطی به استخدام یا اپلیکیشن جدید نداشت و از معماری‌ای اومد که دور ظرفیت چیده شده بود، نه هزینه.

هزینهٔ egress (یعنی پولی که بابت خروج داده از یه ابر می‌دی) قابلیت جابه‌جایی رو هم گرون می‌کنه. اگه همه‌چی رو پیش یه hyperscaler جمع کرده باشی و اون نتونه ظرفیت درست رو جای درست بده، عوض کردن مسیر گرون تموم می‌شه و دستت تو مذاکره خالی می‌مونه. نویسنده می‌گه بعضی CIOها حتی نمی‌تونن با اطمینان به هیئت‌مدیره بگن AI سال بعد چقدر خرج داره.

به گفتهٔ نویسنده، CIOهایی که آماده‌ترن هزینهٔ AI رو از بقیهٔ هزینه‌های ابری جدا کردن و training و inference (یعنی اجرای مدلِ آموزش‌دیده برای جواب دادن) رو به تفکیک workload، region و نوع چیپ حساب می‌کنن. این بهشون مدرک واقعی برای مذاکره می‌ده. بعضی‌ها هم چند workload مهم رو قابل‌جابه‌جایی نگه داشتن یا training سنگین رو به شرکت‌های تخصصی GPU سپردن. البته portability خودش هزینهٔ مهندسی و مدیریتی داره.

درخواست‌ها تو قراردادها هم عوض شده: تضمین ظرفیت برای مدل مشخص چیپ، مدت کوتاه‌تر برای ظرفیت پرنوسان AI و امکان جابه‌جا کردن بودجه بین دسته‌ها. مثلاً به‌جای credit عمومی compute، سهمیهٔ رزروشده برای یه نسل مشخص GPU می‌گیرن، یا یه تعهد کوتاه‌مدت مخصوص AI رو روی قرارداد بلندمدت بقیهٔ زیرساخت سوار می‌کنن. قیمت خوب هم تضمین نمی‌کنه چیپ لازم موقع نیاز باشه، پس هم هزینهٔ مصرف ظرفیت رو بسنج و هم هزینهٔ نگه داشتنش.

توصیهٔ نویسنده اینه که قبل از رسیدن پیشنهاد ارائه‌دهنده، از workload شروع کنی: کدوم use caseها به production می‌رسن و کدوم با یه مدل managed بدون GPU اختصاصی راه می‌افتن. بعد جای داده و قوانین residency رو چک کن. portability کامل multi-cloud گرونه و اغلب لازم نیست، ولی برای چندتا workload پرهزینه ارزشش رو داره. به قول نویسنده، قرارداد سه‌ساله نباید سه سال تعطیلی قضاوت باشه.

نکات کلیدی:

• هزینهٔ AI رو به تفکیک workload، region و نوع چیپ حساب کن، نه به‌عنوان یه عدد کلی ابری.
• هزینهٔ egress می‌تونه ارزونی compute تو یه region یا ابر دیگه رو کاملاً از بین ببره.
• یه گزینهٔ قراردادی: سهمیهٔ رزروشده برای نسل مشخص GPU به‌جای credit عمومی compute.
• گزینهٔ دیگه: تعهد کوتاه‌مدت مخصوص AI روی قرارداد بلندمدت زیرساخت عمومی.
• قیمت پایین تضمین دسترسی به چیپ نیست و رزرو ظرفیت هم ممکنه آخرش پول دادن برای ظرفیت بی‌مصرف باشه.