Microsoft ogłosił nagrody dla polskich partnerów. Jak informuje, są przykładem firm, które wykorzystują możliwości chmury w rozwiązaniach wdrażanych u klientów.  

Uhonorowano 12 podmiotów. Jak twierdzi Microsoft, w Polsce współpracuje z nim prawie 7,5 tys. firm.

Laureaci Microsoft Partner Awards 2022

2022 Microsoft Poland Partner of the Year

Accenture

New Star: Services

GFT Poland

New Star: ISV & StartUp

Ailleron

Partner Roku ISV

Tenderhut

Partner Roku Business Applications

Xplus

Partner Roku Microsoft Azure

Bluesoft

Partner Roku Modern Work

Integrity Partners

Partner Roku Modern Disti

APN Promise

Partner Roku Microsoft Teams Rooms 

Exclusive Networks

Partner Roku Surface Commercial

IT Business Group

Partner Roku Security 

Integrity Partners

Partner Roku Competency Star

Predica Group

Wielkie gratulacje dla wszystkich nagrodzonych!

Artykuł Partnerzy Microsoftu z nagrodami za 2022 rok pochodzi z serwisu CRN.

Dlaczego dołączyliśmy do globalnego dostawcy technologii?

Przez ostatnie 12 lat włożyliśmy wiele pracy w to, aby Predica stała się poważnym graczem wśród firm konsultingowych wdrażających usługi Microsoft. Z dumą mogę powiedzieć, że osiągnęliśmy ten cel. Stworzyliśmy zespół liczący ponad 380 osób i jesteśmy czołowym partnerem Microsoft w Europie Środkowej, obsługującym niemal 100 klientów w ponad 20 krajach na trzech kontynentach. To duże osiągnięcie w tak konkurencyjnej branży.

Patrząc wstecz, myślę, że do naszego sukcesu w dużej mierze przyczyniły się trzy rzeczy. Po pierwsze skupienie się na tym, co robić i czego NIE robić. Po drugie przewidywanie trendów, które będą kształtować branżę w perspektywie kolejnych 2–3 lat, i wychodzenie im naprzeciw. I wreszcie po trzecie podejmowanie przemyślanego ryzyka przy jednoczesnym zapewnieniu zysku i rozwoju. Przy czym największym atutem, który udało nam się wypracować przez te lata, jest zaufanie naszych klientów i pracowników. Bez ludzi po obu stronach profesjonalni dostawcy usług nie są w stanie się rozwijać.

Kluczowe pytanie brzmi więc: dlaczego oddaliśmy w cudze ręce tak świetnie prosperującą, rentowną firmę działającą na dynamicznie rozwijającym się rynku? Odpowiedź można podzielić na trzy części.

Szybszy rozwój

Wiedzieliśmy, jak skalować naszą działalność. Predica z sukcesem wkroczyła na nowe rynki, takie jak: Katar, Zjednoczone Emiraty Arabskie, Dania i USA. Utworzyliśmy również nowe działy, między innymi tożsamości cyfrowej, analizy danych, a ostatnio także cyberbezpieczeństwa. Każde z tych przedsięwzięć wymagało jednak wiele czasu – mierzonego latami, nie miesiącami. Aby móc kontynuować naszą misję i pomagać większej liczbie klientów w samozarządzaniu, musieliśmy zwiększyć zasięgi.

Nasza konkurencja to w większości globalni integratorzy systemów i czołowe firmy konsultingowe. Korporacje, takie jak Accenture/Avanade, IBM, Deloitte, PwC, TCS czy HCL Technologies, były atrakcyjne zarówno dla naszych potencjalnych klientów, jak i pracowników. Podczas gdy niektóre z nich dopiero stawiały pierwsze kroki w sektorze usług chmurowych Azure, my mieliśmy już ugruntowaną pozycję. Nasi konkurenci byli jednak w stanie błyskawicznie wejść na rynek, dysponując bogatymi zasobami i zasięgami. Każde odniesione nad nimi zwycięstwo napawało nas dumą, ale rywalizacja z roku na rok robiła się coraz trudniejsza. Dzięki zapleczu SoftwareONE możemy stanąć z nimi w szranki jak równy z równym.

Podnoszenie poprzeczki

Naszymi klientami są głównie firmy międzynarodowe. Zauważyliśmy, że ciągle prosiły nas o więcej – o szerszy zakres usług, o bycie bliżej nich, o możliwość komunikacji w innym języku, o stosowanie innych technologii. Mając zespół złożony z „zaledwie” około 380 osób obsługujących szereg usług, często musieliśmy decydować, które prośby akceptować, a które odrzucać. Kto pracował jako konsultant przez całe życie, ten wie, jak trudno się odmawia.

Jako część spółki SoftwareONE może-my oferować kompleksowe usługi obejmujące różne technologie chmurowe. Spadło więc ryzyko, że klient usłyszy od nas: „Przykro nam, ale nie da rady”. Jednocześnie nie rozdrabniamy się i nadal skupiamy się na tym, w czym od zawsze jesteśmy najlepsi: usługach chmurowych Azure i powiązanych z nimi technologiach.

Nowe możliwości dla zespołu

Mieliśmy na tyle szczęścia, że do naszych szeregów dołączyli odpowiedni ludzie – pełni energii, ambitni i zmotywowani. Trudno w to uwierzyć, ale po 12 latach współpracy zorientowaliśmy się, że w niektórych dziedzinach członkowie naszej załogi nas przerośli. Nie zawsze byliśmy w stanie zapewnić im pole do popisu, na które zasługiwali. Dzięki dołączeniu do SoftwareONE przed naszym zespołem otworzyły się zupełnie nowe horyzonty.

Jak wyglądało przejęcie?

Doskonale zdawaliśmy sobie sprawę z tego, że wybór nowego partnera Predica będzie najważniejszą decyzją w naszej dotychczasowej karierze. Pochyliliśmy się więc nad nim z należytą uwagą. Na początek poświęciliśmy dużo czasu na przygotowania. Spotkaliśmy się z ponad 20 firmami i rozważyliśmy, jakie mamy opcje. W trakcie tego procesu otrzymaliśmy nieocenione wsparcie od naszych partnerów. Na specjalne podziękowania zasługują: William Blair (Pedrum Partovi!), White&Case (Marek Sawicki!) i PwC. Koniec końców, wybraliśmy SoftwareONE – a oni, rzecz jasna, wybrali nas. W żadnym razie nie była to jednostronna decyzja.

Artykuł Predica otworzyła nowy rozdział pochodzi z serwisu CRN.

Mit 1: Dane można z łatwością przesłać do chmury

Jak jest naprawdę?

W rzeczywistości przeniesienie danych do chmury wcale nie jest takie proste. Jedną z przeszkód jest fakt, że wiele osób nadal sceptycznie podchodzi do rozwiązań chmurowych i nie chce umieszczać swoich danych „gdzieś w internecie”. Wydaje się, że najistotniejszym czynnikiem, który wpływa na poziom zaufania do chmury, jest lokalizacja centrum danych. Wiele kontrowersji budzi również przesyłanie danych osobowych. Instytucje finansowe nie palą się, by przechowywać wrażliwe dane w chmurze. Kolejnym problemem jest rozproszenie źródeł danych. Dane zapisane są w różnych formatach i pochodzą od różnych właścicieli, co dodatkowo komplikuje proces migracji.

Rozwiązanie

Nie ma sensu myśleć o zaawansowanej analizie danych, dopóki nie uporamy się z przesłaniem ich do chmury. Jak się za to zabrać? Po pierwsze należy w odpowiedni sposób traktować informacje umożliwiające identyfikację osób (tzw. PII – Personally Identifiable Information). Jeśli dana organizacja zgłasza obawy dotyczące danych osobowych, można rozważyć migrację wyłącznie numerów identyfikacyjnych i robienie obliczeń na ich podstawie. Dopiero, gdy potrzebne są bardziej szczegółowe informacje, np. nazwisko lub adres, przenosimy numery identyfikacyjne z chmury na platformę lokalną i tłumaczymy.

Migrację danych należy zaplanować z dużym wyprzedzeniem. Nawet zaczynając od projektu POC (ang. Proof of Concept), polegającego na weryfikacji koncepcji, trzeba pamiętać, że regularny transfer danych do chmury, umożliwiający przekazanie rozwiązania do produkcji, wymaga wielogodzinnego planowania i podpisania wielu umów. Niezwykle istotne jest, aby dostawcy rozwiązań chmurowych, tacy jak Microsoft, dobrze komunikowali się ze swoimi klientami. W szczególności powinno zależeć im na wyjaśnieniu możliwości i mechanizmów działania chmury w zakresie bezpieczeństwa.

Mit 2: Dane są natychmiast integrowane i gotowe do analizy

Jak jest naprawdę?

Niestety nie jest tak łatwo. Wspomniałem już o trudnościach wynikających z różnic między formatami danych. Wszystkie dane – arkusze Excel, bazy danych SQL, pliki PDF, pliki JPG i inne rodzaje niekompletnych, niespójnych danych pochodzących z nie zawsze wiarygodnych źródeł – muszą być „oczyszczone” i zintegrowane zanim można przystąpić do ich analizy. Kolejną przeszkodą jest złożony proces ładowania. Źródła danych potrzebują różnych narzędzi, by okresowo ładować informacje do chmury. Ponadto ilość danych bywa tak duża, że nawet posługując się rozwiązaniami chmurowymi, do przeprowadzenia migracji trzeba skonfigurować odpowiednie ustawienia i mechanizmy optymalizacji.

Rozwiązanie

Powszechnie wiadomo, że przed przystąpieniem do zaawansowanej analizy danych – a taką jest uczenie maszynowe – należy stworzyć hurtownię danych. Zaczynając nowy projekt, zazwyczaj wdrażamy nowoczesną hurtownię danych klasy enterprise. Na tym etapie gromadzi się wszystkie źródła danych i tworzy odpowiednie procesy ładowania. Dopiero po ustrukturyzowaniu i uporządkowaniu źródeł danych uczenie maszynowe przyniesie wiarygodne rezultaty.

Pracując z danymi, kierujemy się zasadami i wzorcami będącymi częścią Predica Data Domain Framework (PDDF). Jest to kompletne repozytorium bazujące na naszym doświadczeniu oraz najlepszych praktykach DataOps. Na PDDF składają się m.in. powszechnie używane nazewnictwo, podejścia oraz procesy związane z tworzeniem usług i środowisk. W Predica stworzyliśmy nawet własne procedury testowe, aby monitorować funkcjonowanie hurtowni danych. Tylko to daje nam pewność, że dane są prawidłowe i mogą zostać z powodzeniem wykorzystane w uczeniu maszynowym.

Mit 3: Modele uczenia maszynowego wdraża się szybko, a decyzje na ich podstawie można podejmować od razu

Jak jest naprawdę?

Nic z tych rzeczy. Faktem jest, że uczenie maszynowe staje się coraz prostsze. Nowoczesne usługi, takie jak Azure ML, pozwalają tworzyć wiele modeli uczenia maszynowego jednym kliknięciem, ale uwaga – nie wiedząc, co dzieje się „pod maską”, nietrudno pomylić się w interpretacji wyników i podjąć złe decyzje. Co więcej, czasami narzędzia typu Azure ML można stosować tylko w określonych przypadkach. Nie zawsze można więc polegać na całkowitej automatyzacji usług.

Rozwiązanie

Po pierwsze: jeśli rzeczywiście zależy nam na podejmowaniu decyzji biznesowych w oparciu o wyniki dostarczone przez modele uczenia maszynowego, musimy mieć możliwość monitorowania skuteczności tych modeli. Dobrym przykładem rozwiązania, które pomaga zrozumieć tajniki modelu uczenia maszynowego, jest pulpit Power BI. Nie można też polegać na pojedynczym wskaźniku. Trzeba wziąć pod uwagę różne parametry, zależnie od okoliczności i specyfiki naszego biznesu. Na koniec warto również wyznaczyć benchmark, czyli wskaźnik referencyjny, który pozwoli nam ocenić wartość modelu uczenia maszynowego.

Mit 4: Modele są natychmiast wdrażane i wykorzystywane w produkcji

Jak jest naprawdę?

Prawda jest taka, że spora część modeli nie wychodzi nawet poza etap weryfikacji (POC). Wynika to z faktu, że wdrożenie modelu do produkcji jest wyjątkowo czasochłonnym procesem. Przed rozpoczęciem projektu musi wydarzyć się wiele rzeczy: podpisywanie umów, ustalanie praw własności, podejmowanie decyzji. Niektórym firmom po prostu brakuje do tego cierpliwości. Następny problem polega na tym, że modele wprowadzone do produkcji rzadko kiedy są monitorowane. Tymczasem warunki mogą się zmienić, powodując, że skuteczność modeli spadnie. Przykładowo wybuch pandemii miał olbrzymi wpływ na modele uczenia maszynowego i sprawił, że przewidywanie czegokolwiek stało się niemożliwe. To oczywiście dość ekstremalny przykład, ale nie brakuje też mniejszych. Jeśli modele używane w produkcji nie są monitorowane, będą zwracać fałszywe wyniki. Czasami zaś w ogóle nie docierają do etapu produkcyjnego, bo osoby decyzyjne się zniechęcają. Na koniec warto podkreślić, że modele tworzy się z myślą o wprowadzaniu uzyskanych wyników do innych systemów – a to zdarza się rzadko. Modele funkcjonują niejako „z boku”, wyjęte poza obszar pozostałych działań firmy. Ich stosowanie nie jest też zautomatyzowane, np. tak, aby wspomagały kampanię marketingową. Mówiąc krótko, model gubi się gdzieś po drodze.

Rozwiązanie

Już na samym początku projektu POC trzeba zaplanować produkcję i wyjaśnić wszystkim osobom decyzyjnym, że zatrzymanie się na etapie weryfikacji koncepcji to wyrzucanie pieniędzy w błoto. Inwestujemy w rozwiązanie, które przyniesie korzyści dopiero w dłuższej perspektywie czasowej. Chcę też zwrócić szczególną uwagę na mechanizm przeglądania wyników. Powtórzmy raz jeszcze: po wprowadzeniu modeli do produkcji trzeba mieć możliwość ich łatwego monitorowania, tak aby kierownictwo wiedziało, jakie przynoszą korzyści. Odpowiedzią jest MLOps (MachineLearningOps), czyli zestaw praktyk obejmujących budowanie i monitorowanie modeli oraz zarządzanie nimi.

Mit 5: Uczenie maszynowe to praktycznie forma magii zdolna rozwiązać każdy problem

Jak jest naprawdę?

W niektórych przypadkach uczenie maszynowe i zaawansowana analiza danych wcale nie są konieczne, a do rozwiązania problemu wystarczą inne, dużo prostsze sposoby. Wprowadzanie uczenia maszynowego tylko dlatego, że taki panuje obecnie trend, w praktyce nie przyniesie żadnych korzyści. Wdrożenie może również zawieść, jeśli za szybko podniesiemy sobie poprzeczkę. Nawet jeśli istnieją silne przesłanki, by spróbować uczenia maszynowego, nie powinniśmy zaczynać od zbyt skomplikowanych metod.

Na koniec warto dodać, że niektóre firmy po prostu nie są gotowe na wprowadzenie uczenia maszynowego, ponieważ brakuje im wewnętrznych kompetencji. Nawet jeśli zaczną od współpracy z zewnętrznym dostawcą, w przyszłości trudno im będzie rozwijać modele i dostosowywać je do zmieniających się warunków.

Rozwiązanie

Dobrym punktem wyjścia jest przyjęcie odpowiedniego podejścia do danych, czego przykładem są wspomniane już wcześniej praktyki DataOps i MLOps. Jeśli chcemy analizować dane, zamiast od uczenia maszynowego zacznijmy od wizualizacji i Power BI. Uczenie maszynowe (a mówiąc ogólniej, danologia) obejmuje bowiem procesy, nad przebiegiem których musi czuwać wiele osób. Przedsiębiorstwo potrzebuje więc pracowników, którzy mają różne kompetencje, dzięki którym są w stanie zająć się wszystkimi zaawansowanymi zadaniami. Koniec końców, aby móc korzystać z uczenia maszynowego, należy zainwestować w umiejętności, a także zadbać o to, by były one stopniowo rozwijane.

Gorąco zachęcam, żeby zacząć od prostszych metod. Oczywiście uczenie maszynowe może być bardzo przydatne, ale czasami warto odłożyć je na później.

Mit 6: Organizacje chcą korzystać z modeli uczenia maszynowego i chętnie je wdrażają

Jak jest naprawdę?

Uczenie maszynowe jest mocno reklamowane, ale entuzjazm wielu firm opada w momencie, kiedy przychodzi pierwszy rachunek. Powiedzmy szczerze: żeby czerpać korzyści z zaawansowanej analizy danych, trzeba najpierw zainwestować. Czasami przychodzi długo poczekać, aż uczenie maszynowe zacznie przynosić jakieś efekty. Znam mnóstwo organizacji, które próbowały wielu modeli uczenia maszynowego, ale ostatecznie wycofały się z powodu braku zadowalających rezultatów. A gdyby poczekały dłużej albo zainwestowały nieco więcej, uczenie maszynowe zaczęłoby owocować.

Wprowadzając uczenie maszynowe do firmy trzeba więc zadbać o to, by jego wyniki były dobrze wyjaśnione. Zazwyczaj tak się nie dzieje. Pojedyncze numery wypluwane z czarnej skrzynki nic nam przecież nie mówią.

Ostatnia, ale równie ważna rzecz: musimy uzbroić się w cierpliwość i dać naszemu modelowi trochę czasu. W niektórych przypadkach efekty nie będą widoczne od razu; tak po prostu jest. Właśnie dlatego uczenie maszynowe nie jest odpowiedzią na wszystkie bolączki.

Rozwiązanie

Warto zacząć od obszarów, w których uczenie maszynowe najszybciej przyniesie widoczne rezultaty. Ostatnio realizowaliśmy projekt dla pewnego działu finansów. Zastosowaliśmy uczenie maszynowe nie po to, aby stworzyć zaawansowany mechanizm dostarczający informacje o zachowaniach klientów, ale po to, aby wykrywać anomalie w płatnościach. Po czterech tygodniach udało nam się wychwycić wiele duplikatów, dzięki czemu nasz klient zaoszczędził sporo pieniędzy. Namacalne oszczędności okazały się przekonującym argumentem dla osób decyzyjnych i obecnie kontynuujemy naszą przygodę z uczeniem maszynowym w tej firmie. Promując uczenie maszynowe, warto podeprzeć się liczbami zaczerpniętymi z pulpitu Power BI, pulpitu Tableau albo dowolnego narzędzia do wizualizacji (sprawdzi się nawet Excel). Chodzi o to, aby pomóc osobom decyzyjnym zrozumieć sposób działania uczenia maszynowego.

Nie zapominajmy też o planowaniu długoterminowym. Jeśli nie chcemy zatrzymać się na etapie POC, stworzenie samego modelu nie wystarczy. Potrzebny będzie harmonogram działań uwzględniający m.in. ścieżkę dalszego rozwoju, potencjalne korzyści dla różnych działów firmy, możliwości doskonalenia modelu i sposoby śledzenia wyników.

Mit 7: Projekt analizy danych da się od razu zaplanować od A do Z

Jak jest naprawdę?

Projekt uczenia maszynowego może zrobić zwrot w nieoczekiwanym kierunku. Czasem okazuje się, że zastosowana metoda nie nadaje się do rozwiązania danego problemu. Może się też zdarzyć, że model nie działa z powodu zbyt niskiej jakości danych. Jeśli badane zjawisko jest rzadkie, znalezienie odpowiedniego modelu może trochę potrwać.

Raz stworzony model uczenia maszynowego należy ciągle dostosowywać i monitorować. Do tego zaś potrzeba odpowiedniego zespołu, który będzie prowadził obserwacje. Właśnie dlatego nie zawsze da się przewidzieć, jak rozwiną się tego rodzaju projekty.

Rozwiązanie

Nie należy zawsze polegać na gotowych rozwiązaniach. Zamiast tego starajmy się dopasowywać modele uczenia maszynowego do konkretnych problemów. Oprócz tego warto wprowadzić stałe monitorowanie integracji.

Takie dynamiczne podejście pozwala szybko uzyskać wyniki modelowania. Dzięki temu możemy ciągle doskonalić nasz model i osiągnąć satysfakcjonujące efekty. Jeśli w tym celu należałoby zmienić kierunek projektu, to tak właśnie trzeba zrobić. To oczywiście truizm, niemniej na tyle ważny, że warto się nim posłużyć: otóż w każdej dziedzinie – również w analizie danych – zdarzają się niepowodzenia. Trzeba wówczas podeprzeć się zdobytym doświadczeniem i obrać inny kierunek z przekonaniem, że następnym razem pójdzie lepiej.

Jak to działa w naszym przypadku? Korzystamy ze wspomnianego już wcześniej repozytorium Predica Data Domain Framework (patrz: Mit nr 2 „Dane są natychmiast integrowane i gotowe do analizy”). W naszej „Wikipedii” znajduje się sekcja dotycząca m.in. projektów baz danych, projektów Databricks i projektów uczenia maszynowego. W razie wątpliwości możemy sprawdzić, co robić – np. jak prowadzić dany projekt albo, jeśli to potrzebne, zmienić jego kierunek.

Wiktor Zdzienicki  

Autor pełni funkcję Digital Advisor Lead w firmie Predica.

 

  

Artykuł 7 mitów dotyczących analizy danych w chmurze pochodzi z serwisu CRN.

SoftwareOne przejmuje Predica, polskiego specjalistę od migracji do chmury Azure, modernizacji aplikacji i usług zarządzanych. Warunki finansowe nie zostały ujawnione.

Ok. 380-osobowy zespół wraz z kierownictwem firmy dołączy do szwajcarskiego koncernu i jego platformy usług multi-cloud.

CEO koncernu jest pod wrażeniem

Predica została założona w 2009 r. Ma biura w 9 lokalizacjach w Europie, na Bliskim Wschodzie i w USA. Jak podaje, rocznie realizuje ok. 200 projektów, a dotąd ukończyła ich ponad 1,8 tys. Liczba klientów to ponad 350. Warszawska firma ma m.in. status Azure Expert Managed Service Provider oraz 15 kompetencji „gold” Microsoftu. Oprócz Azure dostarcza także usługi związane z chmurami Dynamics 365 i Microsoft 365. Specjalizuje się w aplikacjach i DevOps, infrastrukturze chmury, bezpieczeństwie, analizie danych.

„Nie mogłem być bardziej pod wrażeniem podróży Predica i wydajnego modelu operacyjnego” – twierdzi Bernd Schlotter, prezes SoftwareOne Services.

Większe możliwości związane z Azure

SoftwareOne dzięki Predica chce rozbudować swoje możliwości związane z Azure. Jak twierdzi koncern, przejęcie znacząco poszerza jego platformę Cloud Services, co pozwoli obsługiwać klientów korporacyjnych w najważniejszych regionach Europy i na całym świecie.

Obie firmy mają międzynarodowy zasięg i w sumie 9 tys. pracowników w 90 krajach oraz klientów w 150 krajach.

Andrzej Lipka, CEO i współzałożyciel Predica, zapowiada wspólne z SoftwareOne, wsparcie organizacji w zakresie transformacji cyfrowej, „jednocześnie wnosząc naszą głęboką wiedzę techniczną, najlepsze praktyki i ducha przedsiębiorczości”.

5 strategicznych obszarów

Platforma SoftwareOne Cloud Services obecnie obsługuje ponad 1,8 tys. aktywnie zarządzanych klientów w 56 krajach, wspieranych przez ponad 3,5 tys. ekspertów na całym świecie.

CEO szwajcarskiej firmy zapowiada kontynuację inwestycji w pięciu strategicznych obszarach wzrostu – hyperscaler factory, usługi aplikacyjne, SAP w chmurze, FinOps i rozwiązania branżowe.

Partnerzy AWS i Google’a już przejęci

Zakup polskiej firmy to kolejna w ostatnim czasie transakcja SoftwareOne. W 2021 r. szwajcarski koncern wchłonął brytyjski HeleCloud, partnera AWS, oraz Intelligence Partner, hiszpańskiego dostawcę usług chmurowych Google’a. Predica reprezentuje więc w portfolio usługi kolejnego giganta z chmurowej wielkiej trójki.

Comparex połączy się z SoftwareOne Polska

W Polsce SoftwareOne AG w wyniku umów sprzedaży udziałów z końca 2020 r. stał się jedynym wspólnikiem spółki Comparex Poland, która połączy się z SoftwareOne Polska.

Artykuł SoftwareOne przejmuje polskiego „złotego” partnera Microsoftu pochodzi z serwisu CRN.

Financial Operations (FinOps)

Firmy podejmują coraz więcej działań w kierunku zrozumienia kosztów użytkowania usług chmurowych. FinOps to podejście, dzięki któremu możemy bardziej precyzyjnie określić nasze wydatki na chmurę i zaplanować nasz budżet. W efekcie jesteśmy w stanie na przykład określić pełen koszt obsługi sprzedaży danego produktu, od utrzymania strony do wygenerowania pojedynczej faktury.Możliwość dokładnego analizowania wydatków na chmurę będzie mieć coraz większe znaczenie dla tego, w jaki sposób budujemy kod czy architekturę. Rozwiązania będą planowane, biorąc pod uwagę konkretne modele rozliczeniowe. Działa to również w drugą stronę. Będziemy w stanie konkretnie określić, jaki procent czy proporcja zysku jest wynikiem inwestycji w nowe technologie. W efekcie IT przestanie być tylko obciążeniem finansowym dla biznesu, a zacznie być jego pełnoprawnym partnerem. To ważny krok, jeżeli chcemy skutecznie wykorzystać technologię do rozwoju firmy.

Serverless

Architektura bezserwerowa umożliwia budowanie aplikacji, które pomagają nam monitorować koszty naszej chmury. Pojęcie „serverless” nie jest charakterystyką funkcjonalności, tylko konceptu budowy rozwiązań. Aplikacja serverless generuje koszty wyłącznie wtedy, kiedy wykonuje jakieś działanie. Nie musimy dzięki temu utrzymywać serwerów, które działałyby 24/7, niezależnie od ich faktycznego wykorzystania. Wracając do FinOps, architektura bezserwerowa stanowi duże pole do optymalizacji kosztów. Dzięki niej jesteśmy w stanie policzyć, ile kosztuje nas konkretna akcja, np. wykonanie backupu czy wygenerowanie pliku PDF. Nie jest to zupełnie nowe podejście w branży IT, jednak dopiero teraz wchodzi ono w fazę produktu, który możemy udostępnić klientom na szerszą skalę.

Open source

Minęły czasy, gdy dostawcy systemów operacyjnych walczyli między sobą o dominację na rynku. Obecnie dostawcy chmury kierują się założeniem: „nieważne, jaki system – ważne, żeby to była nasza chmura”. W szczególności jest to widoczne w Microsofcie, który aktywnie wspiera społeczność open source. Umiejętność poruszania się w tym środowisku jest bardzo przydatna. Niewiele firm z segmentu enterprise jeszcze to robi, jednak chmura nieodłącznie jest związana z otwartym oprogramowaniem. Owszem, można przepisywać biblioteki OS na własny format, ale jeśli nie to jest głównym obszarem Twojej działalności, to jest to wyłącznie strata czasu. Lepiej nauczyć się pracować z tymi zasobami – na dłuższą metę przyniesie to więcej korzyści.

Decentralized Identity

To koncept przedstawiony podczas ostatniej edycji MS Ignite. Jest to usługa oparta na blockchain, która pozwala na potwierdzenie wybranej przez nas informacji o osobie, np. jaką ukończyła uczelnię. Jest to ogromna zmiana, która jest może niezbyt widoczna z perspektywy Europy, ale w skali świata jest bardzo znacząca. Dlaczego? Ponieważ może ona umożliwić wejście na rynek zupełnie nowym graczom. Oto przykład: w niektórych krajach ludzie mogą mieć problem z założeniem konta bankowego, bo nie mają sposobu na poświadczenie swojej tożsamości. Usługa typu Decentralized Identity mogłaby im to umożliwić. Z kolei od konta bankowego już tylko jeden krok do umożliwienia transakcji przez internet. W efekcie dana osoba może otworzyć własny biznes i prowadzić transakcje z ludźmi na całym świecie. Wyobraź sobie, że chcesz założyć biznes w kraju bez dostępu do internetu. Dzięki Starlinkowi masz teraz dostęp do szybkiego łącza. Decentralized Identity pozwala Ci na założenie konta i obsługiwanie transakcji. Z pomocą technologii możesz dziś uruchomić własny, międzynarodowy biznes – coś, co wydawałoby się niemożliwe jeszcze 10 lat temu.

Jeśli zainteresował Cię ten felieton, to zapraszam do obejrzenia mojej rozmowy z Pawłem Mączką ze Storware’u w ramach #FridayDose, gdzie dyskutujemy o tych tematach bardziej szczegółowo. Całość odcinka obejrzysz na YouTube: Predict the Future.

Felietony Tomasza Onyszko oraz innych specjalistów Predica są publikowane na firmowym blogu tego integratora: Articles by Predica.