FinOps基金会于周四更新其FinOps开放成本和使用规范(FOCUS)云成本管理工具,旨在更好地支持多供应商工作流程。
FOCUS 1.3版本新增了合同承诺和协商协议的数据集,增加了跟踪成本在不同工作负载间分配的列,以及提升云支出和使用报告及时性和完整性的元数据可见性,这家非营利行业协会和Linux基金会附属机构在公告中表示。
"FOCUS 1.3版本深入解析共享成本分配,使更多供应商能够支持该规范,新增了可与成本和使用数据分别授权的合同数据集,并有助于提升数据的新鲜度透明性,"FinOps基金会执行董事J.R. Storment在新闻发布中说道。
随着云和人工智能采用推动企业IT预算增长,技术供应商保持高度关注。将成本与价值关联的努力——这是FinOps的核心理念——在云计算及相关行业获得了发展动力。
"我们生活在一个令人愉快的混合世界中,大型公司拥有三到四个云供应商,小型公司可能有两个,同时它们还拥有一些数据中心、SaaS和许可服务,"Storment告诉Channel Dive。"Focus旨在整合所有这些混乱局面,使价值计算变得更容易,并将其与业务联系起来。"
随着云的按使用付费定价模式从基础设施扩展到软件和人工智能服务,FOCUS今年将其数据计算能力扩展到SaaS和平台服务。该组织正在推进一项计划,将数据中心支出纳入成本跟踪菜单。
基金会的努力得到了包括AWS、谷歌云、微软在内的最大超级云服务商的支持。该组织在5月份迎来了AMD、英伟达、Snowflake和Service Now加入其不断壮大的队伍。
根据Futurum集团渠道研究和实践运营副总裁Alex Smith的说法,FinOps实践在渠道合作伙伴中也获得了关注。云财务运营评估是"以更战略性方式获得客户的关键产品",Smith在3月份的LinkedIn帖子中说道。
随着大型增值转售商将云服务引入之前专注于本地硬件和软件的产品组合,这一趋势得以确立。
"他们无法纯粹依靠转售利润运营,"Smith告诉Channel Dive。"在云领域,这种经济模式实际上行不通。你必须拥有一套伴随云配置的咨询和专业服务,而FinOps正是这些关键产品之一。"
埃森哲、德勤和安永是FinOps基金会的顶级成员。
"那些从事技术和专业服务的最大全球系统集成商拥有强大的FinOps实践,他们正将这些实践带入大型企业,"Storment说道。"支持长尾客户的中型MSP和转售商拥有FinOps实践、工具和服务,他们正将这些带给那个群体。真正成熟的公司已将其整合到工程、财务、采购等部门中,并通过服务、工具和技术对其进行增强。"
Q&A
Q1:FOCUS 1.3版本新增了哪些功能?
A:FOCUS 1.3版本新增了合同承诺和协商协议的数据集,增加了跟踪成本在不同工作负载间分配的列,以及提升云支出和使用报告及时性和完整性的元数据可见性。该版本深入解析共享成本分配,使更多供应商能够支持该规范。
Q2:FinOps在云成本管理中起到什么作用?
A:FinOps的核心理念是将成本与价值关联起来。在混合云环境中,企业通常使用多个云供应商、数据中心、SaaS和许可服务,FinOps帮助整合这些复杂情况,使价值计算变得更容易,并将成本效益与业务目标联系起来。
Q3:渠道合作伙伴为什么重视FinOps服务?
A:渠道合作伙伴无法纯粹依靠云服务转售利润运营,因为在云领域这种经济模式行不通。他们必须提供包括FinOps在内的咨询和专业服务套件,这些服务成为获得客户并以更战略性方式进入市场的关键产品。
好文章,需要你的鼓励
2025年,企业技术高管面临巨大压力,需要帮助企业从持续的AI投入中获得回报。大多数高管取得了进展,完善了项目优先级排序方法。然而,CIO仍面临AI相关问题。支离破裂的AI监管环境和宏观经济阻力将继续推动技术高管保持谨慎态度。随着AI采用增长的影响不断显现,一些CIO预期明年将带来劳动力策略变化。
这篇论文提出了CJE(因果法官评估)框架,解决了当前LLM评估中的三大致命问题:AI法官偏好倒置、置信区间失效和离线策略评估失败。通过AutoCal-R校准、SIMCal-W权重稳定和OUA不确定性推理,CJE仅用5%的专家标签就达到了99%的排名准确率,成本降低14倍,为AI评估提供了科学可靠的解决方案。
FinOps基金会周四更新了其FinOps开放成本和使用规范云成本管理工具,新版本1.3更好地支持多供应商工作流。该版本新增了合同承诺和协商协议数据集,增加了跨工作负载成本分摊跟踪列,以及云支出和使用报告时效性和完整性的元数据可见性。随着云和AI采用推动企业IT预算增长,技术供应商正在关注将成本与价值联系起来的努力。大型企业通常使用三到四家云供应商,小企业可能使用两家,同时还有数据中心、SaaS和许可等服务。
NVIDIA团队开发出Fast-FoundationStereo系统,成功解决了立体视觉AI在速度与精度之间的两难选择。通过分而治之的策略,该系统实现了超过10倍的速度提升同时保持高精度,包括知识蒸馏压缩特征提取、神经架构搜索优化成本过滤,以及结构化剪枝精简视差细化。此外,研究团队还构建了包含140万对真实图像的自动伪标注数据集,为立体视觉的实时应用开辟了新道路。