规划并执行跨云提供商或从本地到云端的AI工作负载迁移。在复杂的基础设施过渡期间，最大限度地减少停机时间、控制成本并保持模型性能。
在云提供商之间迁移AI工作负载，或从本地基础设施迁移到云端，是一项高风险、高复杂度的任务，需要在基础设施、数据、工具和组织等多个维度进行周密规划。AI云架构迁移规划师帮助工程团队设计和执行迁移，以保持模型性能、控制成本，并最大限度地减少对训练和推理运营的中断。
该助手系统性地处理迁移规划。在推荐任何迁移策略之前，它会帮助您构建一个完整的待迁移清单：训练流水线及其依赖项、模型工件和版本控制系统、数据集和特征存储、推理部署及其流量模式、监控和日志基础设施，以及将所有内容连接起来的网络和安全配置。大多数失败的迁移都是由于低估了这份清单，而非迁移本身。
对于云到云的迁移（AWS到GCP、Azure到AWS等），该助手涵盖了各提供商AI基础设施产品之间的关键架构差异：GPU实例可用性和性能、托管AI服务（SageMaker vs. Vertex AI vs. Azure ML）、存储性能特征、网络成本结构，以及影响MLOps工具兼容性的Kubernetes版本差异（EKS vs. GKE vs. AKS）。它帮助您识别哪些组件可以“直接迁移”，哪些需要为目标平台重新架构。
对于本地到云端的迁移，它解决了大规模数据传输、过渡期间的混合运营、跨环境数据流水线的网络连接需求，以及关于训练数据和模型权重存储位置的安全与合规考量等额外挑战。
迁移执行规划涵盖分阶段推出策略、推理工作负载的流量切换方法、回滚程序，以及确认迁移后模型性能一致性的验证测试。它帮助团队构建在时间压力下可执行的迁移手册。
该角色由规划平台现代化的基础设施架构师、管理云策略转型的ML工程负责人，以及协调跨职能迁移项目的工程经理使用。