Das Beste und das beste Merkmal von Cast AI ist die wunderschöne Abbildung von

1. Knoten-Skalierung

2. Horizontale Skalierung

3. bietet eine Nur-Lese-Ansicht, damit LLMs die Strategie lernen und optimieren können, anstatt sie direkt in unsere Umgebung zu implementieren und selbst 0-Ausfallzeit-Strategien zu lernen.

4. Ihr Kundensupport ist sehr gut, bei P0-Problemen ist Chandani von castAI prompt verfügbar.

5. Wir können castAI einfach implementieren, indem wir die erforderlichen IAM-Berechtigungen bereitstellen und castAI innerhalb von 30 Minuten in unsere EKS-Umgebung installieren.

6. Unsere Infrastrukturkosten wurden durch die Nutzung von castAI in nur 40-50 Tagen um 30 % reduziert. Bewertung gesammelt von und auf G2.com gehostet.

Es gibt nichts zu bemängeln, aber es könnte eine Verbesserung geben.

Wir können eine korrekte Zuordnung haben, wenn wir nginx-ingress verwenden, da wir die Zielgruppen des nginx-ingress in der castAI-Konsole zuordnen müssen. Bewertung gesammelt von und auf G2.com gehostet.

Was mir an Cast AI am besten gefällt, ist, wie effektiv es Kostenoptimierung mit betrieblicher Einfachheit kombiniert. Es analysiert kontinuierlich unsere Kubernetes-Workloads und passt automatisch die Größe der Knoten an, skaliert Cluster und nutzt Spot-Instanzen, ohne dass unser DevOps-Team ständig manuell eingreifen muss. Die Sichtbarkeit der Ressourcennutzung und Einsparungen ist klar und umsetzbar, was es einfacher macht, interne Infrastrukturentscheidungen zu rechtfertigen. Neben den Kosteneinsparungen liegt der wahre Wert in der eingesparten Zeit und dem Vertrauen, dass der Cluster immer in einem optimierten Zustand läuft, ohne tägliche Eingriffe. Bewertung gesammelt von und auf G2.com gehostet.

Ein Nachteil ist, dass einige der fortgeschritteneren Konfigurations- und Optimierungsfunktionen ein tieferes Verständnis von Kubernetes und Cloud-Infrastruktur erfordern, um sie vollständig nutzen zu können. Während die Grundlagen einfach einzurichten sind, kann das Feinabstimmen von Richtlinien und das Verstehen der Auswirkungen bestimmter Automatisierungsentscheidungen Zeit in Anspruch nehmen. Darüber hinaus wären detailliertere Kostenberichte und Prognosefähigkeiten hilfreich für Organisationen, die detaillierte finanzielle Aufschlüsselungen über Teams oder Projekte hinweg benötigen. Bewertung gesammelt von und auf G2.com gehostet.

Seine Fähigkeit, Kubernetes-Kosten automatisch zu optimieren, ohne die Leistung zu beeinträchtigen, sticht hervor. Die Automatisierung rund um die Anpassung der Arbeitslast und das intelligente Autoscaling spart eine erhebliche Menge an Zeit und reduziert den manuellen Aufwand erheblich. Ich schätze auch die klare Sichtbarkeit der Cluster-Leistungs- und Kostenmetriken, die es einfacher macht, fundierte Entscheidungen zu treffen und den Überblick über die Nutzung zu behalten. Insgesamt ist die Plattform benutzerfreundlich, integriert sich nahtlos in bestehende Cloud-Umgebungen und liefert schnell messbare Kosteneinsparungen. Die Einrichtung wurde vom Support-Team geleitet und wir nutzen dies häufig, um Nodegroups usw. zu erstellen. Bewertung gesammelt von und auf G2.com gehostet.

Ein Nachteil von Cast AI ist, dass die anfängliche Einrichtung und Feinabstimmung einige Zeit in Anspruch nehmen kann, insbesondere in komplexeren Kubernetes-Umgebungen. Obwohl die Automatisierung leistungsstark ist, kann es eine Weile dauern, bis man alle Optimierungsfunktionen vollständig versteht und konfiguriert, und es kann eine Lernkurve für Teams geben, die neu im Kubernetes-Kostenmanagement sind. Darüber hinaus würden tiefere Anpassungsoptionen und detailliertere Berichte in bestimmten Bereichen die Plattform insgesamt noch stärker machen. Bewertung gesammelt von und auf G2.com gehostet.

Es hilft uns, unsere K8-Cluster zu optimieren und Kosten zu senken. Die Benutzeroberfläche ist großartig und zeigt klar, wie viel wir bisher gespart haben und was innerhalb unseres Clusters noch verbessert werden kann. Der Workload-Optimierer ist ebenfalls eine wirklich nützliche Funktion. Bewertung gesammelt von und auf G2.com gehostet.

Es ist schwierig, Protokolle für bestimmte Dinge zu finden, und es ist auch schwer zu verstehen, warum etwas nicht funktioniert, wenn ein Problem auftritt. Zum Beispiel funktionierte kürzlich mein geplantes Rebalancing nicht richtig, und selbst das Support-Team konnte zunächst nicht herausfinden, warum. Nach viel Recherche fanden wir heraus, dass es daran lag, dass eine Maschine nach einem vorherigen Rebalancing in einem seltsamen Zustand feststeckte. Es war nicht einfach nachzuvollziehen, was dies verursacht hatte, und es schien, als ob der Support das Problem auch nicht sofort identifizieren konnte. Bewertung gesammelt von und auf G2.com gehostet.

Cast AI automatisiert die Knotenorchestrierung und das Right-Sizing, indem es fortschrittliches Bin-Packing verwendet, um eine hohe Clusterdichte und Leistung sicherzustellen. Es verwaltet effektiv die Lebenszyklen von Spot-Instanzen mit automatisiertem Fallback, was den Rechenaufwand und die manuelle Infrastrukturabstimmung erheblich reduziert. Bewertung gesammelt von und auf G2.com gehostet.

Die anfängliche Konfiguration von IAM-Berechtigungen und Automatisierungsleitplanken erfordert eine sorgfältige Einrichtungsphase, bevor die vollständige Kontrolle über die Infrastruktur übergeben wird. Bewertung gesammelt von und auf G2.com gehostet.

Was mir an Cast AI am besten gefällt, ist, wie es die Kostenoptimierung von Kubernetes von einer manuellen, reaktiven Aufgabe in ein automatisiertes, intelligentes System verwandelt.

Anstatt sich auf statische Knotengruppen oder einfache Logik des Cluster-Autoscalers zu verlassen, analysiert Cast AI kontinuierlich Pod-Ressourcenanforderungen, tatsächliche Nutzung, Bin-Packing-Effizienz und Echtzeit-Preise für Spot- und On-Demand-Instanzen. Basierend auf diesen Daten wählt es dynamisch die kosteneffektivsten Instanztypen aus, ohne dass manuell eingegriffen werden muss.

Einige Dinge, die hervorstechen:

Arbeitslastbewusstes Autoscaling, das die Auswahl des Instanztyps optimiert, nicht nur die Anzahl der Knoten

Starke Spot-Optimierung mit Stabilitätskontrollen für Produktionsarbeitslasten

Klare Sichtbarkeit von Überprovisionierung und Ineffizienzen

Reduzierter Betriebsaufwand im Vergleich zur manuellen Anpassung von Knotengruppen

In meiner Erfahrung in einer Produktions-Kubernetes-Umgebung ist der größte Wert die kontinuierliche Optimierung, ohne die Zuverlässigkeit zu beeinträchtigen. Es fühlt sich weniger wie ein Überwachungs-Dashboard an und mehr wie eine aktive Steuerungsschicht für die Kosteneffizienz der Infrastruktur. Bewertung gesammelt von und auf G2.com gehostet.

Während Cast AI starke Automatisierung und Kostenoptimierung bietet, gibt es eine Lernkurve, um das automatisierte Entscheidungsfindungssystem vollständig zu verstehen und ihm zu vertrauen, insbesondere für Teams, die es gewohnt sind, die Infrastruktur auf einer sehr granularen Ebene zu verwalten. In einigen Fällen würde ein tieferer Einblick in die genauen Gründe für die Auswahl von Instanzen oder Entscheidungen zum Austausch von Knoten noch mehr Vertrauen während Audits oder Vorfallüberprüfungen schaffen. Dies betrifft jedoch eher die Verbesserung von Transparenz und Vertrautheit als Einschränkungen in der Leistungsfähigkeit, und mit einer ordnungsgemäßen Kubernetes-Konfiguration und Governance arbeitet die Plattform zuverlässig und effizient. Bewertung gesammelt von und auf G2.com gehostet.

Anstatt dass Teams Stunden damit verbringen, die Knoten richtig zu dimensionieren, Autoscaler anzupassen oder Instanztypen zu erraten, analysiert Cast AI kontinuierlich die Anforderungen der Arbeitslasten und wählt automatisch:

Wählt die kosteneffizientesten Instanztypen aus

Optimiert die Cluster-Autoskalierung in Echtzeit

Verwendet Spot-Instanzen intelligent, um Kosten zu senken

Beseitigt Überprovisionierung, ohne die Leistung zu beeinträchtigen Bewertung gesammelt von und auf G2.com gehostet.

Abhängigkeit von Anbietern: Die Abhängigkeit von Automatisierung zur Entscheidungsfindung in der Kerninfrastruktur erhöht unsere operative Abhängigkeit von einem Drittanbieter. Bewertung gesammelt von und auf G2.com gehostet.

Cast AI hat echte, automatisierte Kostensenkungen in GCP für unsere hoch skalierbare Kommunikations-API geliefert, ohne die Zuverlässigkeit oder Kontrolle zu beeinträchtigen. Es optimiert kontinuierlich unsere Kubernetes-Workloads auf eine Weise, die sicher, vorhersehbar und gut auf die Produktionsanforderungen abgestimmt ist.

Was ich am meisten schätze, ist, dass unser SRE-Team fest die Kontrolle behält. Cast AI bietet klare Empfehlungen, setzt die von uns definierten Leitplanken durch und automatisiert die Ausführung, ohne zu einer Blackbox zu werden.

Wir haben bedeutende Einsparungen bei der Infrastruktur gesehen, ohne Auswirkungen auf die Produktion und mit minimalem laufendem Aufwand. Für ein Team, das in großem Maßstab arbeitet, ist diese Balance aus Automatisierung, Sicherheit und Kontrolle der größte Gewinn. Bewertung gesammelt von und auf G2.com gehostet.

Die Hauptlücke besteht in der höheren Sichtbarkeit und Berichterstattung. Während die Optimierung selbst gut funktioniert, erfordert die Umwandlung der Daten in klare, für Führungskräfte geeignete Ansichten von Einsparungstrends und Attributionen zusätzlichen Aufwand.

Zusätzlich würde mehr eingebaute Erklärung hinter bestimmten Empfehlungen beim Onboarding und beim Verständnis im breiteren Team helfen. Eine Verbesserung der Berichterstattung und Erklärbarkeit würde eine bereits starke Plattform noch besser machen. Bewertung gesammelt von und auf G2.com gehostet.

Ich schätze die Vielfalt der Ressourcen, die das Tool bietet, und neben den ständigen Updates, die auf die Verbesserung des Tools abzielen, kann man die Wertschätzung derjenigen erkennen, die an diesem Projekt arbeiten, und ihr Engagement für Exzellenz. Die Möglichkeit, die Kosten der Anwendung jedes Teams, das im Cluster läuft, zu identifizieren, ist sensationell. Bewertung gesammelt von und auf G2.com gehostet.

Manchmal ist seine Skalierung nicht so interessant. Ich weiß nicht, ob das an den Berechnungen von Requests und Limits liegt, aber er versucht oft, einige Nodes mit absurden Mengen an Speicher hochzufahren, was mich viel mehr kosten würde, als zu sparen. Deshalb ist es notwendig, mehrere Grenzen zu setzen und ihn nicht frei laufen zu lassen; andernfalls könnten die Kosten steigen, anstatt zu sinken. Bewertung gesammelt von und auf G2.com gehostet.

Ich liebe es, wie CAST AI nicht nur aufzeigt, wo ich zu viel ausgebe, sondern tatsächlich die Korrekturen automatisiert, sodass ich nicht den ganzen Tag manuell an Clustern herumtüfteln muss. Seine Fähigkeit, Spot-Instanzen zu verwalten, ist ein echter Lebensretter, weil es meine Apps reibungslos am Laufen hält und gleichzeitig meine Cloud-Rechnung um mehr als die Hälfte reduziert. Ehrlich gesagt, es ist, als hätte man einen dedizierten DevOps-Profi, der rund um die Uhr arbeitet, um sicherzustellen, dass wir nie mehr bezahlen, als wir tatsächlich nutzen. Bewertung gesammelt von und auf G2.com gehostet.

Eine Sache, die ich frustrierend finde, ist, dass es nervenaufreibend sein kann, so viel Kontrolle an eine autonome "Black Box" abzugeben, besonders da sie gelegentlich Arbeitslasten neu startet, um sie zu verschieben, und die Berichterstattung nicht immer so detailliert ist wie die native Cloud-Abrechnung, die ich gewohnt bin. Bewertung gesammelt von und auf G2.com gehostet.