Avis et détails du produit Cast AI

L'automatisation est vraiment impressionnante - une fois que Cast AI est connecté à nos clusters, il gère les décisions de mise à l'échelle qui prenaient auparavant des heures de travail à nos ingénieurs chaque semaine. Les économies de coûts ont commencé assez rapidement après l'installation, et la visibilité sur l'endroit où va notre dépense cloud a été vraiment utile. Nous avions une configuration multi-cluster et Cast AI l'a gérée mieux que je ne l'avais prévu. Les recommandations sont solides et l'interface utilisateur permet de voir facilement ce qui se passe sans avoir à fouiller dans les journaux. Avis collecté par et hébergé sur G2.com.

La documentation initiale de configuration et d'intégration pourrait être un peu plus claire - il y avait quelques pièges concernant les autorisations IAM qui nous ont pris plus de temps à comprendre que cela n'aurait dû. Les options d'alerte semblent un peu limitées par rapport à ce à quoi nous sommes habitués avec d'autres outils. Rien qui ait été un obstacle majeur, mais il y a de la place pour s'améliorer sur ces points. Avis collecté par et hébergé sur G2.com.

La rééquilibrage automatisé et la gestion des instances Spot sont des éléments révolutionnaires. Contrairement à d'autres outils FinOps qui vous donnent simplement une liste de suggestions à corriger manuellement, CAST AI exécute réellement les changements en temps réel. L'Autoscaler est incroyablement agressif (dans le bon sens) pour le bin-packing des pods, ce qui nous a permis de réduire considérablement l'empreinte de notre cluster sans aucun temps d'arrêt. De plus, leur mécanisme de repli sur Spot nous donne la confiance nécessaire pour exécuter des charges de travail de production sur des instances Spot, car nous savons qu'il les déplacera instantanément vers des instances à la demande si la capacité diminue. Avis collecté par et hébergé sur G2.com.

Bien que l'intégration soit rapide, il y a une légère courbe d'apprentissage lorsqu'il s'agit d'affiner les politiques pour des charges de travail complexes et avec état. J'ai également remarqué que les autoscalers de charge de travail et de nœud semblent parfois fonctionner sur deux plans différents—ce serait formidable de voir une coordination encore plus étroite entre les deux afin que les demandes de ressources et l'approvisionnement des nœuds soient parfaitement synchronisés à 100 % du temps. Enfin, le prix peut sembler un peu élevé pour les clusters très petits et statiques où il n'y a pas grand-chose à optimiser. Avis collecté par et hébergé sur G2.com.

Ce qui m'a le plus marqué, c'est l'automatisation. Une fois configuré, CastAI a analysé en continu nos charges de travail et ajusté les ressources en temps réel. Nous avons constaté des réductions notables des ressources informatiques gaspillées, notamment autour des nœuds sous-utilisés. La capacité de la plateforme à exploiter automatiquement les instances Spot sans compromettre la stabilité a été un grand avantage pour nous. Elle a géré la complexité en arrière-plan, ce qui a permis à notre équipe de se concentrer davantage sur le travail produit plutôt que sur l'ajustement de l'infrastructure.

La visibilité sur les coûts a également été précieuse. Pouvoir décomposer les dépenses par cluster et charge de travail nous a aidés à comprendre exactement où allait notre budget cloud. Cette transparence a rendu beaucoup plus facile d'avoir des conversations productives en interne sur l'optimisation et la responsabilité. Avis collecté par et hébergé sur G2.com.

J'ai rarement observé des recommandations erronées appliquées à certaines charges de travail où CastAI a attribué des ressources supérieures à la capacité maximale disponible sur notre cluster EKS, ce qui a conduit certains services à rester en état d'attente sans aucun moyen de les contrôler. Avis collecté par et hébergé sur G2.com.

Je suis vraiment impressionné par la façon dont CAST AI présente son interface utilisateur. La mise en page est propre, intuitive et bien conçue, ce qui la rend incroyablement facile à naviguer et à comprendre sans avoir besoin d'une documentation ou d'une intégration approfondie. Cette expérience intuitive me permet de prendre des décisions basées sur les données avec confiance et de suivre rapidement les actions correctives chaque fois que nécessaire.

Depuis l'adoption de CAST AI, j'ai constaté une réduction de près de 80 % de l'effort manuel précédemment requis pour la surveillance continue. Les tâches qui nécessitaient autrefois une attention constante sont désormais rationalisées et largement automatisées.

Une fonctionnalité que j'apprécie particulièrement est la visibilité claire sur l'analyse des coûts. CAST AI met en évidence de manière distincte le coût réel par rapport au coût effectif optimisé, ce qui rend simple la compréhension de l'impact financier de son automatisation. La plateforme fournit également des informations transparentes sur les économies réalisées grâce à la dimensionnement adéquat et à l'allocation des ressources basées sur les modèles d'utilisation réels. Ce niveau de clarté m'aide considérablement dans la planification, la prévision et l'exécution globale.

De plus, le processus de configuration initiale a été remarquablement rapide et sans tracas, me permettant de commencer à exploiter ses capacités presque immédiatement. Avis collecté par et hébergé sur G2.com.

J'ai remarqué que pendant l'initialisation initiale des pods, CAST AI ne suit pas vraiment les métriques. Voici les détails

Observations clés sur les métriques d'initialisation des pods dans CAST AI

Les métriques de démarrage initial des pods ne sont pas entièrement capturées

Pendant la toute première phase de l'initialisation des pods, CAST AI semble manquer les pics de demande de ressources de courte durée. Cela conduit à une collecte de métriques incomplète ou inexacte pour cette fenêtre spécifique.

Les brèves poussées de besoins en CPU ne sont pas signalées

Si un pod nécessite brièvement un cœur complet au démarrage, même pour une fraction de seconde, CAST AI n'enregistre actuellement pas ce pic. En conséquence, la plateforme néglige un besoin important nécessaire pour une initialisation réussie.

L'utilisation signalée du CPU ne reflète pas les besoins réels de démarrage

Lorsque l'utilisation moyenne du CPU du pod se stabilise autour de, disons, 300 millicores, CAST AI ne rapporte que cette moyenne. Il ne reflète pas que le pod avait initialement besoin d'un cœur complet pour démarrer avec succès.

Cela conduit à des informations trompeuses sur le CPU

Étant donné que CAST AI n'affiche que les métriques moyennes, il suggère que le besoin en CPU du pod est constamment faible. Cependant, opérationnellement, le pod ne peut toujours pas démarrer sans cette poussée initiale d'un cœur.

Implication pratique : échecs de démarrage malgré un CPU "adéquat" signalé

Même si le tableau de bord peut montrer que 300 millicores sont suffisants, l'absence d'une poussée garantie d'un cœur à l'initialisation peut entraîner des retards ou des échecs de démarrage des pods, ce que le rapport actuel ne met pas en évidence.

Effet global sur la planification de la capacité et le dimensionnement

Cette lacune en matière de visibilité peut causer de la confusion lors des exercices de dimensionnement, car CAST AI ne reflète pas l'image complète. Les équipes pourraient allouer trop peu de CPU en se basant sur des métriques moyennes, ignorant le besoin critique de démarrage. Avis collecté par et hébergé sur G2.com.

La centralisation des métriques de Kubernetes dans une interface utilisateur intuitive, ainsi que la configuration des nœuds et des autoscalers de workloads, facilite l'optimisation des ressources. Avis collecté par et hébergé sur G2.com.

Ce qui complique un peu l'utilisation de l'outil, c'est l'installation via Helm, car nous le déployons avec Terraform à l'aide de manifestes. Dans ce contexte, certains composants, comme par exemple l'évictor, nous posent des problèmes lorsqu'il s'agit de les gérer sans l'interface utilisateur. Avis collecté par et hébergé sur G2.com.

La meilleure chose et la meilleure caractéristique de Cast AI est la belle cartographie de

1. mise à l'échelle des nœuds

2. mise à l'échelle horizontale

3. fournit une vue en lecture seule pour que les LLMs puissent apprendre et optimiser la stratégie au lieu de l'implémenter directement dans notre environnement et apprend lui-même des stratégies sans temps d'arrêt.

4. Leur support client est excellent, pour les problèmes P0, Chandani de castAI est disponible rapidement.

5. Nous pouvons implémenter castAI simplement en fournissant les autorisations IAM nécessaires et en installant facilement castAI dans notre environnement EKS en 30 minutes.

6. Notre coût d'infrastructure a été réduit de 30 % en utilisant castAI pendant seulement 40 à 50 jours. Avis collecté par et hébergé sur G2.com.

Il n'y a rien à détester, mais il peut y avoir une amélioration.

Nous pouvons avoir une cartographie correcte si nous utilisons nginx-ingress, car nous devons mapper les groupes cibles de nginx ingress dans la console castAI. Avis collecté par et hébergé sur G2.com.

Ce que j'aime le plus chez Cast AI, c'est la façon dont il combine efficacement l'optimisation des coûts avec la simplicité opérationnelle. Il analyse en continu nos charges de travail Kubernetes et ajuste automatiquement la taille des nœuds, met à l'échelle les clusters et utilise des instances spot sans nécessiter un réglage manuel constant de notre équipe DevOps. La visibilité sur l'utilisation des ressources et les économies est claire et exploitable, ce qui facilite la justification des décisions d'infrastructure en interne. Au-delà des économies de coûts, la véritable valeur réside dans le temps économisé et la confiance que le cluster fonctionne toujours dans un état optimisé sans intervention quotidienne. Avis collecté par et hébergé sur G2.com.

Un inconvénient est que certaines des fonctionnalités de configuration et d'optimisation plus avancées nécessitent une compréhension plus approfondie de Kubernetes et de l'infrastructure cloud pour être pleinement exploitées. Bien que les bases soient faciles à configurer, le réglage fin des politiques et la compréhension de l'impact de certaines décisions d'automatisation peuvent prendre du temps. De plus, des capacités de rapport de coûts et de prévision plus granulaires seraient utiles pour les organisations qui ont besoin de décompositions financières détaillées par équipes ou projets. Avis collecté par et hébergé sur G2.com.

Sa capacité à optimiser automatiquement les coûts de Kubernetes sans sacrifier la performance se distingue. L'automatisation autour du dimensionnement des charges de travail et de l'autoscaling intelligent permet de gagner un temps considérable et réduit grandement l'effort manuel. J'apprécie également la visibilité claire sur les performances des clusters et les métriques de coûts, ce qui facilite la prise de décisions éclairées et permet de rester au courant de l'utilisation. Dans l'ensemble, la plateforme est conviviale, s'intègre parfaitement aux environnements cloud existants et offre rapidement des économies de coûts mesurables. La configuration a été guidée par l'équipe de support et nous l'utilisons fréquemment pour créer des groupes de nœuds, etc. Avis collecté par et hébergé sur G2.com.

Un inconvénient de Cast AI est que la configuration initiale et le réglage fin peuvent prendre du temps, en particulier dans des environnements Kubernetes plus complexes. Bien que l'automatisation soit puissante, il peut falloir un certain temps pour comprendre et configurer pleinement toutes les fonctionnalités d'optimisation, et il peut y avoir une courbe d'apprentissage pour les équipes qui découvrent la gestion des coûts Kubernetes. De plus, avoir des options de personnalisation plus approfondies et des rapports plus détaillés dans certains domaines rendrait la plateforme encore plus solide dans l'ensemble. Avis collecté par et hébergé sur G2.com.

Cela nous aide à optimiser nos clusters K8 et à réduire les coûts. L'interface utilisateur est excellente et montre clairement combien nous avons économisé jusqu'à présent, ainsi que ce qui peut encore être amélioré au sein de notre cluster. L'optimiseur de charge de travail est également une fonctionnalité très utile. Avis collecté par et hébergé sur G2.com.

Il est difficile de trouver des journaux pour certaines choses, et il est également difficile de comprendre pourquoi quelque chose ne fonctionne pas lorsqu'un problème survient. Par exemple, récemment, mon rééquilibrage programmé ne fonctionnait pas correctement, et même l'équipe de support n'a pas pu comprendre pourquoi au début. Après de nombreuses recherches, nous avons découvert que c'était parce qu'une machine était bloquée dans un état étrange après un rééquilibrage précédent. Il n'était pas facile de déterminer ce qui avait causé cela, et il semblait que le support n'était pas en mesure d'identifier le problème immédiatement non plus. Avis collecté par et hébergé sur G2.com.

J'utilise CAST AI pour l'optimisation des coûts, la surveillance des coûts et la vérification des anomalies. Ce que j'apprécie le plus chez CAST AI, c'est sa visibilité dans un tableau de bord commun pour la surveillance des coûts et l'utilisation du CPU et de la mémoire par pod. J'adore l'autoscaler de charge de travail car il fournit la bonne taille des pods. Il apprend du modèle d'utilisation sur les sept derniers jours de données, ce qui nous aide à économiser des ressources. L'autoscaler ajuste automatiquement la taille des pods en fonction des ressources et des limites fournies, éliminant ainsi le besoin de tâches manuelles. Il gère également intelligemment le nombre de répliques, le HPA et le VPA. La console classique offre une grande facilité d'utilisation. La mise en place de CAST AI a été très facile, et avec les étapes mentionnées, un cluster peut être intégré en un rien de temps. Avis collecté par et hébergé sur G2.com.

Parfois, le cluster doit être réconcilié pour permettre le rééquilibrage. Bien qu'il se connecte efficacement à AWS, Azure et GCP, l'intégration avec Oracle doit être ajoutée. Avis collecté par et hébergé sur G2.com.