← Financial Cloud Cloud Cloud Club · AWS Re:cap

極點宏觀|Financial Cloud Cloud · AWS Re:cap

AWS Re:cap 13: Amazon 的 FinOps:全球電子商務巨擘的雲端成本經驗 (AMZ308)

講者: AWS re:Invent 2025

場次: 13

場次
Summit Dev Lounge2026 Re:cap
01 把架構寫成 Steering,引導 AI Agent
02 Agent Harness 才是真正的工程護城河
03 用白話詢問可觀測性資料
04 以 Bedrock AgentCore 打造 Serverless AR 遊戲
05 AgentCore 上的多 Agent 量化回測
06 三分鐘用 Kiro 把部落格變簡報
AWS Community Day Hong Kong 2025 Re:cap
02 使用 Terraform 實現 AWS 合規
03 從新手到開發者:一段精彩的 AWS 雲端旅程
04 以團隊為優先:使用 Laravel 與 Bref 進行無伺服器工程
05 活動開幕
06 Agent-to-Agent:在 AWS 上打造可互通的 AI
07 運用另一種遙測資料,透過 AI Agent 加速改善
08 告別 Vibe Coding:運用 Kiro 實踐規格驅動開發(Spec-Driven Development)
09 運用 MCP 與 AI 代理進行自動化測試
10 以 ML 驅動的方法實現電信安全現代化
11 重新思考 GenAI Agent:RAG 與 MCP
12 運用 TAK 與 AWS 進行災害及緊急應變
13 從測試角度重新思考 Serverless 應用程式工作流程
14 運用實務 AWS FinOps 邁向雲端成功
15 運用 AWS 打造 AI 驅動的全球 Pure-Alpha 宏觀交易:革新風險調整後資產報酬
FSI Recap
01 現代交易生命週期:從交易到結算
02 Goldman Sachs:透過 Fast Track 將應用程式移至雲端 - AWS Re:cap Q1/2023
03 Zurich Insurance Group:在 AWS 上建置有效的日誌管理解決方案
04 FSI Meetup 2025 Q4 - Brex 資料庫災難復原
05 FSI Meetup 2025 Q4 - Graviton 遷移成功案例
06 FSI Meetup 2025 Q4 - Stifel 現代化資料平台
07 FSI Meetup 2025 Q4 - PayPal 金融交易資料對帳器
08 FSI Meetup 2025 Q4 - 擴展韌性
09 最大化 AI 推論成本效益:策略性採用 AWS GPU 執行個體
10 進階代理式 AI 設計模式
11 在 AWS 上建置全新現代化應用程式
AWS re:Invent 2025
01 Coinbase re:Invent 回顧 (IND3312)
02 利用 AI 和 AWS 構建未來交易平臺
03 交易創新:Jefferies 在 Amazon Bedrock 上的 AI 助理 (IND3315)
04 FSI 如何運用代理式 AI 徹底改造 HFT 分析 (GBL302)
05 透過 Amazon Time Sync 改善分散式系統,Nasdaq 專題分享
06 Amazon Aurora HA 與 DR 的全球韌性設計模式 (DAT442)
07 建構代理式 AI:Amazon Nova Act 與 Strands Agents 實務應用 (DEV327)
08 深入探討 Amazon Aurora 及其創新 (DAT441)
09 深入探討 Amazon S3 (STG407)
10 Nasdaq:為全球金融服務打造具彈性的基礎設施(HMC327)
11 AWS Lambda 的最新功能 (CNS376)
12 使用 Kiro 進行規格驅動開發 (DEV314)
13 Amazon 的 FinOps:全球電子商務巨擘的雲端成本經驗 (AMZ308)
14 AWS 上的 Tick-to-trade 延遲交易平台
政務資料
01 The AI Era: The Boundary Between Development and Design Is Disappearing
02 裝置端多模態 AI 與智慧城市實踐
03 大模型能力評測與 AI 專案落地方法論
04 基於雲端代理的政府開發全鏈路受控自動化
05 從多智能體看 Agent 時代軟體新生態
06 AI 驅動的宏觀量化研究與智慧治理
07 公共數據授權營運與智慧政務實踐
08 数据资产化落地实践:确权合规、工程治理与数字政府案例
09 AI技術賦能心理健康公益:可信平台的治理、架構與實踐
Amarathon 2025 回顧
01 開發人員的代理架構設計路線圖
02 Amazon Bedrock 資料自動化
03 AgentCore 上的多代理
04 實務建置代理式 AI:Nova Act 與 Strands Agents
04 運用規格驅動開發,以 Kiro 加速移轉專案
06 從「比對」到「理解」:由 AgentCore Memory 驅動的個人化 AI 搜尋實踐
07 從觀察到最佳化:從 LLM 可觀測性邁向 AIOps,將即時洞察轉化為智慧自動化
08 部署 TEAM 並打造最佳工程團隊
09 五年來所謂無伺服器資料庫帶來的五個慘痛教訓
14 如果 AI 替我工作會怎樣:Q Developer CLI 與 Kiro 如何改變我的日常工作
16 兼顧速度與警覺:Amazon Bedrock Agent 開發的安全要點
26 在單張 H100 上執行 OSS LLM:更聰明、更便宜、更快速
28 現代化統一中繼資料架構:打破資料孤島的新方法
29 無伺服器 MediaOps:運用 Amazon Web Services 上的 AI 自動化影片工作流程
30 透過大規模效能測試建構兼具效率與可靠性的架構
31 透過開放原始碼連結世界:技術、社群與全球開發者關係的實踐歷程
33 建置串流 Iceberg 資料表以進行即時物流分析
34 加速大規模機器人策略訓練:以 Kiro、Trainium 與 EKS 為基礎的自動化閉環架構
35 透過規格驅動開發,從 Vibe 走向可行方案
36 讓雲端成本分析更智慧:使用 Strands 與 AgentCore 建置 FinOps 智慧 Agent
37 使用 CNCF Kagent、K8sGPT 與 Nova Sonic,轉型 K8s 對話式 Agentic AIOps

影片: https://www.youtube.com/watch?v=-GuZhm4XGxM

Amazon 現代化歷程的重要經驗

● 建構於 AWS Billing and Cost Management 服務之上

● 奠定 FinOps 實務的基礎

● Amazon 在 AWS 上營運,因此需要採取全面的 FinOps 策略

● 起初使用自訂財務報表呈現每月雲端成本

● 逐步轉向 AWS Data Exports、Cost and Usage Reports (CUR),以及其他 AWS 帳務服務

● 將視覺化粒度從每月/帳戶層級提升至 ARN 與每小時層級

● 讓各團隊(建置人員、主管、財務、FinOps)都能平等取得成本資料

● 啟用 Cost Explorer,讓團隊自行分析成本並即時做出決策

● 在整個組織內部署標記策略,以改善成本控管

● 與 Compute Optimizer 和 Cost Optimization Hub 等 AWS 功能整合

● 從集中式報表轉型為分散式成本情報模式

● 運用 AWS Organizations 實施一致的控管並彙整工具集

透過與業務目標一致的機制提升效率

● 挑戰:廣泛採用成本管理實務

● 關鍵洞察:在團隊層級將雲端成本與業務成果連結

● 將 AWS Cost & Usage Report (CUR) 的細緻成本資料,與團隊重視的業務指標結合

● 清楚呈現支出,以及每一美元支出所獲得的價值

透過智慧自動化擴展 FinOps 實務

● 專注於流程自動化,以有效率地擴展 FinOps

● 詳述所採用的特定自動化策略與工具

● 強調自動化對維持及擴展 FinOps 實務的重要性

整合業務情境

透過連結成本與業務成果來推動採用

● 推動採用的關鍵:將成本與團隊的業務成果連結

● 納入帳戶及以標記為基礎的成本分攤,以連結業務情境並追蹤投資

● 使用 AWS 成本管理服務自動分析投資報酬率,

● 簡化成本可視性

● 使用 AWS Cloud Intelligence Dashboard (CID) 取得可採取行動的洞察與最佳化機會

● 將 AWS 各服務的預算資料與實際用量進行巢狀比對,以呈現預算差異

● 讓財務與營運效率團隊能推動降低成本計畫,以及修訂預算/預測

● 將具備情境脈絡的業務資料與 AWS 基礎設施用量整合

● 建立角色專屬檢視,供團隊深入分析服務的

● 實際案例

● 團隊可找出成本突增、來源帳戶、服務及資源

● 將業務影響與營收或預算等指標並列視覺化

● 將成本突增連結至個人或計畫,以便立即採取行動;

● 持續演進效率方法

● 認知到效率並非一體適用

● 衡量基本資源使用率指標(CPU、記憶體、網路輸送量)

● 不同工作負載需要不同的效率改善方法

● 建立中央效率機制

● 追蹤特定業務的效率

● 依據中央共同議定的理想值監控資源使用率

● 適用的業務線在效率提升與成本降低方面獲得顯著成果

整合業務情境(續)

信用評分指標

● 建立名為信用評分的指標,用以衡量各種服務的資源效率

● 透過反覆迭代完善中央基準

● 評估與中央效率推動計畫的一致性(例如容量使用率、儲存類別最佳化)

● 與業務資料(營收、預算)建立關聯,以衡量各業務線的 FinOps 成熟度

● 讓團隊能進行最佳化並大幅節省成本;

● 每週效率評分

● 團隊每週會收到附有成本建議的效率評分

● 建議可依技術類別分組(儲存、運算、生成式 AI、資料庫、網路)

● 建議會與帳戶、團隊及負責人建立關聯

● 所有利害關係人(財務團隊、主管、技術負責人、營運效率團隊)都能從各自角度檢視資料;

● 透過自動化擴展 FinOps 實務

● 真正的雲端財務管理是一個持續運作的智慧循環

● 將 AWS 服務與自動化工作流程整合,把手動流程轉化為可自我改善的系統

● FinOps 自動化歷程始於提升雲端成本的可視性

● 持續反覆改進,以建立能更深入洞察基礎設施支出模式的系統

● 每項改進都會回饋至學習循環,逐步強化智慧雲端財務管理能力

● 有效的 FinOps 自動化需要全面運用趨勢、預算差異及容量需求

透過智慧自動化擴展 FinOps 實務

通知與自動回應

● 團隊透過偏好的管道接收最佳化機會通知

● 對於已有充分理解的情境,團隊可定義政策及門檻值,以觸發自動回應

● 在自動化與監督之間取得平衡,是建立信任並推動採用的關鍵;

● 透過透明度建立信任

● 擴展 FinOps 需要持續維持透明度

● 每項動作(自動或手動)都必須詳細記錄及追蹤

● 團隊需要確切了解其基礎設施成本發生了什麼變化,以及背後原因

● 透明度優先的方法,是採用自動化與規劃功能的關鍵;

● 結合人類洞察與自動分析

● 在零售業尤其具有顯著影響

● 以 AWS 服務為基礎,展開 FinOps 自動化歷程

● 首先專注於掌握成本可視性

● 逐步自動化已有充分理解的流程(例如財務規劃、OP1 週期、規劃、容量管理)

● 隨著透明度與成果建立起信任,進一步擴大自動化的範圍及複雜度

● 目標不是取代人員,而是透過自動化強化其能力

建立自己的 FinOps 路線圖

穩固的基礎

● 從自訂工具、機制及流程開始

● AWS 帳務與成本管理服務提供比自訂解決方案更佳的可視性

● AWS Cost and Usage Report 提供細緻資料,以進行細粒度成本控管

● Cost Explorer 直接為團隊提供分析能力

● AWS Organizations 能以大規模方式實施治理;

● 將業務成果與雲端成本連結

● 當業務成果與雲端成本連結時,才會發生真正的轉型

● 了解成本如何歸因於營收,比只知道支出金額更能協助採取行動

● AWS Cost Intelligence Dashboards 顯示團隊層級的價值,以及與目標一致的指標;

● 透過自動化實現規模化與效率

● 從每月檢討轉向每日最佳化行動

● 智慧系統會偵測異常、提出最佳化建議,並自動實施改善

● 團隊專注於策略決策,而由自動化處理例行工作

● 透過自動化進行大規模營運