管理云计算资源很困难 这是技术生活中的一个重大事实

除了接受问题之外，在无服务器计算时代，我们对云的前向处理方式似乎不仅仅是二进制开关决策的问题。

通常，它不仅仅是软件工具A与工具B的情况。

在混合多云无服务器世界中，我们经常需要同时使用这两种选择，以及在我们第一次开始构建云模型本身时可能从未想到的工具C的额外工具。

与我们用于检查云实例并与云实例交互的数据分析功能相比，这种多管理工具“现象”无处可见。

如果我们想要与云应用程序或工作负载“交谈”以了解有关其状态的更多信息，我们可以立即看到启动对话有三种截然不同的路径。从长远来看，可能会超过三个。

语言的力量

语音到文本处理的新进展使我们能够建立自然语言理解(NLU)系统，该系统可以按照我们自己的条件与人类互动。

能够不仅处理不同人的口音，而且能够处理我们通过语义解释使用的惯用特性，这使得NLU可以在上下文中找出我们对给定命令可能意味着什么。

从NLU我们可以构建自然语言查询(NLQ)技术，该技术将允许用户询问他们正在运行的云系统的问题，以确定资源分配的可用位置。

混合多云部署提供了可能配置的矩阵，我们人类(在这种情况下，我们主要谈论的是云系统管理员，架构师和软件开发人员)需要能够很快地找出应该去的地方，通常在很短的决策窗口。

能够在心跳时“向NLQ查询谈话”以确定放置或转移每个工作负载的位置是一个巨大的优势。

这将使我们能够在可接受的延迟和数据合规性限制内为应用程序或数据库作业找到最便宜，最有效，最合适的功能。

AI是第二种方式

但是，幸运的是，人类控制和与云计算系统管理功能的交互只能到目前为止。我们还可以使用人工智能(AI)形式的自动化与云进行对话，人工智能能够从历史事务数据和日志文件分析中学习最有效的方法。

通过实施人工智能与云谈话意味着我们人类有效地保持沉默，但谈话本身仍然存在。

在这种情况下，AI引擎被引导参与客户的云部署，以了解公司用例场景的周期性，同时还寻找识别峰值，峰值和低谷。

如果我们正确地构建这种类型的AI控制大脑(记住，它仍然只是软件代码)，我们可以开始向外精细化它的神经能力，将事件，季节，股票价格等纳入客户较小的运营数据范围之外。

建模三垒

第三，我们可以通过我们为从一开始就管理我们的云部署而建立的数据模型稍微不那么深奥并且“谈论云”。

数据模型是构成应用程序或数据库结构的元素和对象的基本抽象组织，以及允许它们运行和执行时应具有的关系。

如果我们谈论的是“云对话”，那么数据模型可能会被比作我们可用的语言词典。在我们扩展模型本身之前，我们无法开始在该语言集之外提出问题。

越线和喋喋不休？

正如我们在开始时所说的，我们可能会考虑使用一些或实际上所有这些方法与云实例进行对话，并找出如何最好地管理我们对可用的使用。

从理论上讲，如果建筑和工程是正确的，那么就不存在交叉线的危险，而且我们通过多个通道与云交谈。

话虽这么说，将所有云谈话频道合并，整合和合并到一个界面的选项将有助于避免任何太多的厨师场景....这当然是云管理圈的当前趋势。