Ein Ansatz, bei dem die Nachfrage im Voraus prognostiziert und die Kapazität bereitgestellt wird, bevor Lastspitzen eintreten, anstatt erst auf sie zu reagieren, nachdem sie aufgetreten sind.
Zwei Ingenieure von Adobe stellen einen Entwurf für die proaktive Skalierung von GPU-Workloads auf Kubernetes vor, um die langsame Bereitstellung von Nodes zu kompensieren, durch die die reaktive Skalierung hinter den Bedarfsspitzen zurückbleibt. Der Entwurf basiert auf einem Bi-LSTM-Modell, einem Detektor für plötzliche Anstiege und einem schrittweisen Scaler. Schattentests zeigten eine Genauigkeit von 85% innerhalb einer Abweichung von ±10% zehn Minuten vor dem Bedarf.