Bagikan melalui

Mengonfigurasi dan menggunakan agen AI

Agen Kecerdasan Buatan (AI) merevolusi cara orang dan aplikasi terlibat dengan data dengan mengintegrasikan model bahasa besar (LLM) dengan alat dan database eksternal. Agen menyederhanakan alur kerja yang kompleks, meningkatkan akurasi pengambilan informasi, dan menyediakan antarmuka bahasa alami yang intuitif ke data Anda. Artikel ini menjelaskan cara melatih agen AI untuk memahami FinOps, Spesifikasi Biaya dan Penggunaan Terbuka (FOCUS) FinOps, dan menyambungkan ke data dalam instans hub FinOps.


Prasyarat


Mengonfigurasi GitHub Copilot di Visual Studio Code

Cara paling sederhana untuk memulai hub FinOps yang didukung AI adalah dengan mode GitHub Copilot Agent.

  1. Daftar untuk GitHub Copilot Free jika Anda tidak memiliki GitHub Copilot.

  2. Instal Node.js 20 atau yang lebih baru.

  3. Instal Visual Studio Code.

  4. Buka ruang kerja dan simpan instruksi GitHub Copilot untuk hub FinOps:

    1. Buka Visual Studio Code.
    2. Buka folder atau ruang kerja tempat Anda ingin menyambungkan ke instans hub FinOps Anda.
    3. Buat .github folder di akar ruang kerja.
    4. Unduh instruksi GitHub Copilot untuk hub FinOps dan ekstrak konten ke .github folder .

  5. Instal GitHub Copilot dan Azure MCP:

Untuk detail tentang server Azure MCP, lihat Azure MCP di GitHub.


Menghubungkan dari platform AI lainnya

Hub FinOps menggunakan Protokol Konteks Model (MCP) untuk menyambungkan dan mengkueri data Anda di Azure Data Explorer menggunakan server Azure MCP. Selain GitHub Copilot, ada banyak klien populer yang mendukung server MCP, seperti Claude, Continue, dan banyak lagi. Meskipun kami belum menguji instruksi dengan klien lain, Anda mungkin dapat menggunakan kembali beberapa atau semua instruksi AI untuk hub FinOps dengan klien lain. Coba instruksi dengan klien yang Anda gunakan dan buat permintaan perubahan atau kirim permintaan pull jika Anda menemukan celah atau peningkatan.

Untuk mempelajari selengkapnya tentang server Azure MCP, lihat Azure MCP di GitHub.


Kueri hub FinOps dengan AI

Setelah Anda menginstal server Azure MCP dan mengonfigurasi klien AI Anda, gunakan langkah-langkah sampel berikut untuk menyambungkan dan mengkueri instans hub FinOps Anda. Langkah-langkah ini didasarkan pada mode GitHub Copilot Agent dengan instruksi AI untuk hub FinOps. Mereka mungkin bekerja secara berbeda di klien lain.

Menyambungkan ke hub Anda

Jika Anda menggunakan GitHub Copilot, mulailah dengan membuka Obrolan dalam mode Agen:

Instruksi AI untuk hub FinOps telah dikonfigurasi sebelumnya untuk tugas FinOps dan sudah tahu cara menemukan dan menyambungkan ke instans hub FinOps Anda. Untuk memulai, minta untuk menyambungkan ke instans hub FinOps Anda:

/ftk-hubs-connect

Copilot harus secara otomatis tersambung ke instans hub FinOps Anda. Jika Anda memiliki beberapa, Anda seharusnya melihat daftarnya. Anda dapat meminta untuk menyambungkannya berdasarkan grup sumber daya, nama hub, nama kluster, URI pendek kluster (nama dan lokasi kluster), atau URI kluster lengkap.

Saat menyambungkan ke hub, Anda mungkin diminta untuk menggunakan kredensial Anda. Pilih Lanjutkan.

Langkah-langkah lainnya akan menggunakan kemampuan FinOps untuk menunjukkan contoh jenis pertanyaan yang dapat Anda ajukan.

Ingesti data: Dapatkan waktu pembaruan terakhir

Kueri Anda hanya selengkap data Anda. Mulailah dengan memeriksa kapan data terakhir kali dimuat ke dalam instans hub FinOps Anda. Ini harus menjadi bagian dari langkah koneksi pertama. Anda juga dapat bertanya secara langsung:

When was my data last refreshed?

Ekspor Pengelolaan Biaya biasanya berjalan setiap 24 jam. Jika menggunakan ekspor terkelola, Anda dapat mengonfigurasi jadwal untuk berjalan lebih sering. Jika data tidak up-to-date, periksa ekspor Manajemen Biaya.

Alokasi: Biaya menurut grup sumber daya

Cara paling umum untuk mengalokasikan biaya di Azure adalah dengan grup sumber daya. Untuk mengidentifikasi grup sumber daya dengan biaya terbanyak, tanyakan:

What are the top resource groups by cost?

Anda juga dapat bertanya tentang langganan (SubAccountName di FOCUS), bagian faktur, atau bahkan tag.

Pelaporan + analitik: Perubahan terbesar dalam tren biaya

Dua contoh terakhir cukup mudah. Mari kita coba sesuatu yang sedikit lebih kompleks dengan memintanya menganalisis tren dari waktu ke waktu. Copilot akan melakukan penelitian terlebih dahulu untuk menyusun rencana. Dan mengingat kompleksitasnya, Copilot juga dapat meminta Anda untuk meninjau dan menyetujui kueri KQL yang akan dijalankan untuk melakukan analisis.

Analyze cloud service spending trends over the past 3 months. Show the top 5 services with the highest increase and top 5 with the highest decrease in cost, including percentage changes.

Jika diminta untuk menyetujui kueri, Anda dapat memberi tahu Copilot untuk mengubah atau menjalankan kueri berdasarkan kebutuhan Anda.

Mengingat kompleksitas yang satu ini, Anda mungkin ingin meminta kueri sehingga Anda bisa menjalankannya sendiri. Anda selalu dapat menjalankan kueri yang sama dari portal Data Explorer. Atau minta Copilot untuk memberi Anda tautan untuk menjalankan kueri:

Give me a link to run this query myself.

Manajemen anomali: Mengidentifikasi anomali

Sekarang mari kita cari anomali:

Are there any unusual spikes in cost over the last 3 months?

Anda harus mendapatkan ringkasan tentang apa yang ditemukan, apakah ada anomali atau tidak. Ini adalah tempat lain di mana Anda mungkin ingin meminta tautan ke kueri untuk melihat detailnya sendiri. Anda juga bisa meminta kueri atau bahkan memintanya menjelaskan kueri.

Show me the query with comments on each line to explain what the line does.

Ini harus menggunakan fungsionalitas deteksi anomali Data Explorer bawaan. Minta Copilot untuk menjelaskan apa pun yang tidak Anda pahami. Ini bisa menjadi kesempatan bagus untuk mempelajari KQL. Beri tahu Copilot untuk mengubah kueri atau mengubahnya sendiri agar sesuai dengan kebutuhan Anda.

Dalam kasus saya, ia menambahkan baris kosong di antara setiap baris yang dikomentari. Untuk menjalankan ini, Anda harus memilih semua teks di editor kueri Data Explorer dan memilih Jalankan.

Prakiraan: Biaya proyek akhir bulan

Deteksi anomali adalah tentang memprediksi berapa biaya sehari akan didasarkan pada prakiraan. Jadi, jika Copilot dapat membantu Anda menganalisis prakiraan historis dengan kemampuan Data Explorer bawaan, maka Anda juga dapat memproyeksikan biaya di masa mendatang:

Show me the cost for last month, this month, and the forecasted cost by the end of the month for the subscriptions that have the highest cost this month.

Pengoptimalan tarif: Penghematan kuantifikasi

Selanjutnya, mari kita lihat penghematan. Mari kita cari penghematan dari diskon yang dinegosiasikan dan diskon komitmen, dan mengukur Tingkat Penghematan Efektif (ESR) untuk memberi kita gambaran tentang bagaimana kita lakukan dengan upaya pengoptimalan tarif kita:

What was my cost last month, how much did I save on commitment discounts, and how much did I save with my negotiated discounts? Show my total savings and effective savings rate.

Jelajahi sampel Anda

Ini hanyalah beberapa contoh jenis permintaan yang bisa Anda dapatkan jawabannya hari ini. Ajukan pertanyaan Anda sendiri dan uji bagaimana AI dapat membantu Anda. Ingatlah bahwa AI terbatas pada apa yang diajarkannya dan data yang tersedia. Jika Anda menemukan skenario yang tidak tercakup atau dapat ditingkatkan, harap bagikan perintah, respons apa yang Anda terima, dan bagaimana Anda ingin melihatnya ditingkatkan sebagai permintaan perubahan toolkit FinOps.


Berikan umpan balik

Beri tahu kami bagaimana kinerja kami melalui ulasan singkat. Kami menggunakan ulasan ini untuk meningkatkan dan memperluas alat dan sumber daya FinOps.

Berikan umpan balik

Jika Anda mencari sesuatu yang spesifik, pilih yang sudah ada atau buat ide baru. Bagikan ide dengan orang lain untuk mendapatkan lebih banyak suara. Kami fokus pada ide-ide dengan suara terbanyak.

Memilih atau menyarankan ide


Konten terkait

Kemampuan FinOps terkait:

Produk terkait:

Solusi terkait: