Amazon SageMaker unterstützt Datenwissenschaftler und Entwickler bei der Vorbereitung, der Erstellung, dem Training und der Bereitstellung hochwertiger Machine-Learning (ML)-Modelle durch eine breite Palette von speziell für ML entwickelten Funktionen. SageMaker unterstützt die führenden Frameworks, Toolkits und Programmiersprachen für Machine Learning.

Bei AWS SageMaker zahlen Sie nur für die tatsächliche Nutzung. Sie haben zwei Möglichkeiten zu zahlen – ein On-Demand-Preismodell, das keine Mindestgebühren und keine Vorausleistungen bietet, und die SageMaker-Savings Plans, die ein flexibles, nutzungsbasiertes Preismodell im Gegenzug für die Verpflichtung zu einer konstanten Nutzungsmenge bieten.

Kostenloses Kontingent von Amazon Sagemaker

Amazon SageMaker kostenlos testen. Im Rahmen des kostenlosen Kontingents für AWS können Sie Amazon SageMaker zum Einstieg kostenlos verwenden. Ihr kostenloses Kontingent startet mit dem ersten Monat, nachdem Sie Ihre erste SageMaker-Ressource erstellt haben. Die Details zum kostenlosen Kontingent für Amazon SageMaker sind in der Tabelle unten aufgeführt.

Fähigkeiten von Amazon SageMaker Nutzung eines kostenlosen Kontingents pro Monat für die ersten 2 Monate
Studio-Notebooks, On-Demand-Notebook-Instances 250 Stunden ml.t3. medium-Instance auf Studio-Notebooks ODER 250 Stunden ml.t2. medium-Instance oder ml.t3. medium-Instance auf On-Demand-Notebook-Instances
RStudio auf SageMaker 250 Stunden ml.t3.medium Instance für die RSession-App UND kostenlose ml.t3.medium Instance für die RStudioServerPro-App
Data Wrangler 25 Stunden der ml.m5.4xlarge-Instance
Feature Store 10 Millionen Schreibeinheiten, 10 Millionen Leseeinheiten, 25 GB Speicher
Training 50 Stunden m4.xlarge- oder m5.xlarge-Instances
Echtzeit-Inferenz 125 Stunden m4.xlarge- oder m5.xlarge-Instances
Serverless-Inferenz 150 000 Sekunden Inferenzdauer
Canvas 750 Stunden/Monat für Sitzungszeit und bis zu 10 Modellerstellungsanfragen/Monat mit jeweils bis zu 1 Mio. Zellen/Modellerstellungsanfrage

On-Demand-Preise

  • Studio-Notebooks
  • RStudio auf SageMaker
  • On-Demand-Instances für Notebooks
  • Verarbeitung
  • Data Wrangler
  • Feature Store
  • Training
  • Echtzeit-Inferenz
  • Asynchrone Inferenz
  • Batch Transform
  • Serverless-Inferenz
  • Studio-Notebooks
  • Amazon SageMaker Studio-Notebooks
    Amazon SageMaker Studio Notebooks sind One-Click-Jupyter-Notebooks, die schnell betriebsbereit sind. Die zugrundeliegenden Datenverarbeitungsressourcen sind vollständig elastisch und die Notebooks können leicht mit anderen geteilt werden, was eine nahtlose Zusammenarbeit ermöglicht. Der von Ihnen gewählte Instance-Typ wird Ihnen nach der Dauer der Nutzung in Rechnung gestellt.

  • RStudio auf SageMaker
  • RStudio auf SageMaker
    RStudio auf SageMaker bietet On-Demand-Cloud-Computing-Ressourcen, um die Modellentwicklung zu beschleunigen und die Produktivität zu verbessern. Ihnen werden die Instance-Typen in Rechnung gestellt, die Sie zum Ausführen der RStudio Session-App und der RStudio-Server-Pro-App auswählen.

    RStudioServerPro App

  • On-Demand-Instances für Notebooks
  • On-Demand-Instances für Notebooks
    On-Demand Notebook-Instances sind Instances für Datenverarbeitung, auf denen die Jupyter-Notebook-App ausgeführt wird. Der von Ihnen gewählte Instance-Typ wird Ihnen nach der Dauer der Nutzung in Rechnung gestellt.

  • Verarbeitung
  • Amazon SageMaker Processing
    Mit Amazon SageMaker Processing können Sie Ihre Workloads für Vor- und Nachverarbeitung sowie Modellauswertung problemlos in einer vollständig verwalteten Infrastruktur ausführen. Der von Ihnen gewählte Instance-Typ wird Ihnen nach der Dauer der Nutzung in Rechnung gestellt.

  • Data Wrangler
  • Amazon SageMaker Data Wrangler
    Amazon SageMaker Data Wrangler reduziert den Zeitaufwand für die Aggregation und Aufbereitung von Daten für Machine Learning von Wochen auf Minuten. Sie zahlen für die Zeit, die für das Bereinigen, Durchsuchen und Visualisieren von Daten verwendet wird. Der Preis für SageMaker Data Wrangler wird pro Instance-Typ sekundengenau berechnet.

  • Feature Store
  • Amazon SageMaker Feature Store
    Amazon SageMaker Feature Store ist ein zentrales Repository zum Einlesen, Speichern und Bereitstellen von Features für Machine Learning. Schreib- und Lesevorgänge sowie die Speicherung von Daten im SageMaker Feature Store werden Ihnen in Rechnung gestellt. Schreibvorgänge werden als Schreibanforderungseinheiten pro KB, Lesevorgänge als Leseanforderungseinheiten pro 4KB und der Datenspeicher pro GB pro Monat berechnet.

  • Training
  • Amazon SageMaker – Training
    Amazon SageMaker bietet alles, was Sie zum Trainieren, Optimieren und Debuggen von Modellen benötigen, und erleichtert so das Training von ML-Modellen (Machine Learning). Die Nutzung des von Ihnen gewählten Instance-Typs wird Ihnen in Rechnung gestellt. Wenn Sie Amazon SageMaker Debugger zum Debuggen von Problemen und Überwachen von Ressourcen während des Trainings verwenden, können Sie zum Debuggen Ihrer Trainingsaufgaben integrierte Regeln verwenden oder Ihre eigenen benutzerdefinierten Regeln schreiben. Die Verwendung der integrierten Regeln zum Debuggen Ihrer Trainingsaufgaben ist kostenlos. Bei benutzerdefinierten Regeln wird Ihnen der von Ihnen gewählte Instance-Typ auf der Grundlage der Nutzungsdauer in Rechnung gestellt.

  • Echtzeit-Inferenz
  • Amazon SageMaker Hosting: Echtzeit-Inferenz
    Amazon SageMaker bietet Echtzeit-Inferenz für Ihre Anwendungsfälle, die Echtzeit-Vorhersagen benötigen. Die Nutzung des von Ihnen gewählten Instance-Typs wird Ihnen in Rechnung gestellt. Wenn Sie Amazon SageMaker Model Monitor zur Pflege hochpräziser Modelle verwenden, die Echtzeit-Inferenz bereitstellen, können Sie integrierte Regeln zur Überwachung Ihrer Modelle verwenden oder Ihre eigenen Regeln schreiben. Bei integrierten Regeln erhalten Sie bis zu 30 Stunden Überwachung kostenlos. Zusätzliche Gebühren werden nach der Dauer der Nutzung berechnet. Die Verwendung eigener benutzerdefinierter Regeln wird Ihnen separat in Rechnung gestellt.

  • Asynchrone Inferenz
  • Amazon SageMaker Asynchrone Inferenz:
    Amazon SageMaker Asynchronous Inference ist eine echtzeitnahe Inferenzoption, die eingehende Anforderungen in eine Warteschlange stellt und sie asynchron verarbeitet. Verwenden Sie diese Option, wenn Sie große Nutzdaten verarbeiten müssen, sobald die Daten eintreffen, oder wenn Sie Modelle ausführen, die lange Inferenzverarbeitungszeiten haben und keine Latenzzeiten von unter einer Sekunde benötigen. Die Kosten für die von Ihnen gewählte Instance werden Ihnen in Rechnung gestellt.

  • Batch Transform
  • Amazon SageMaker Batch Transform
    Mit Amazon SageMaker Batch Transform ist es nicht erforderlich, den Datensatz in einzelne Blöcke zu unterteilen oder Echtzeitendpunkte zu verwalten. Mit SageMaker Batch Transform können Sie Vorhersagen anhand großer oder kleiner Batch-Datensätze ausführen. Der von Ihnen gewählte Instance-Typ wird Ihnen nach der Dauer der Nutzung in Rechnung gestellt.

  • Serverless-Inferenz
  • Amazon SageMaker Serverless Inference (Vorschau)
    Mit Amazon SageMaker Serverless Inference (Vorschau) können Sie Machine-Learning-Modelle für Inferenz bereitstellen, ohne die zugrunde liegende Infrastruktur konfigurieren oder verwalten zu müssen. Bei Serverless Inference bezahlen Sie nur für die Rechenkapazität, die für die Verarbeitung von Inferenzanfragen verwendet wird, die nach Millisekunden und verarbeiteter Datenmenge abgerechnet wird. Die Rechengebühr hängt von der gewählten Speicherkonfiguration ab.

Amazon SageMaker Studio

Sie können jetzt ohne zusätzliche Kosten auf Amazon SageMaker Studio zugreifen, die erste vollständig integrierte Entwicklungsumgebung (IDE). Mit SageMaker Studio erhalten Sie vollständigen Zugriff und Einblick in alle Schritte, die zum Erstellen, Trainieren und Bereitstellen von Modellen erforderlich sind. Wenn Sie SageMaker Studio verwenden, zahlen Sie nur für die zugrunde liegende Rechenleistung und den Speicher, den Sie in Studio verwenden.

Sie können viele Services von SageMaker Studio, AWS SDK für Python (Boto3) oder AWS CLI verwenden, darunter:

  • SageMaker Pipelines zum Automatisieren und Verwalten von ML-Workflows
  • SageMaker Autopilot zum automatischen Erstellen von ML-Modellen mit voller Transparenz
  • SageMaker Experiments zum Organisieren und Verfolgen Ihrer Trainingsaufgaben und -versionen
  • SageMaker Debugger zum Debuggen von Anomalien während des Trainings
  • SageMaker Model Monitor zur Aufrechterhaltung qualitativ hochwertiger Modelle
  • SageMaker Clarify zur besseren Erklärung Ihrer ML-Modelle und Verzerrungen zu erkennen
  • SageMaker JumpStart zur einfachen Bereitstellung von ML-Lösungen für viele Anwendungsfälle Für die zugrundeliegenden API-Aufrufe, die Amazon SageMaker in Ihrem Namen an den AWS Service Catalog tätigt, können Ihnen Gebühren von AWS Service Catalog entstehen.
  • SageMaker Inference Recommender um Empfehlungen für die richtige Endpunktkonfiguration zu erhalten

Sie zahlen nur für die zugrunde liegenden Datenverarbeitungs- und Speicherressourcen innerhalb von SageMaker oder anderen AWS-Services, basierend auf Ihrer Nutzung.

Amazon SageMaker Studio Lab (Vorschau)

Sie können mit Amazon SageMaker Studio Lab (Vorschau) kostenlos Modelle für Machine Learning erstellen und trainieren. SageMaker Studio Lab bietet Entwicklern, Akademikern und Datenwissenschaftlern eine konfigurationsfreie Entwicklungsumgebung zum Erlernen und Experimentieren mit Machine Learning ohne zusätzliche Kosten.

Amazon SageMaker Canvas

Amazon SageMaker Canvas erweitert den ML-Zugriff, indem es Geschäftsanalysten die Möglichkeit bietet, mithilfe einer visuellen Point-and-Click-Oberfläche genaue ML-Vorhersagen zu generieren – ohne Programmier- oder ML-Erfahrung.

Amazon-SageMaker-Datenbeschriftung

Amazon-SageMaker-Datenbeschriftung bietet zwei Datenbeschriftungs-Angebote, Amazon SageMaker Ground Truth Plus und Amazon SageMaker Ground Truth. Sie können mehr über Amazon-SageMaker-Datenbeschriftung erfahren, einen vollständig verwalteten Datenkennzeichnungsservice, mit dem Sie ganz einfach hochpräzise Trainingsdatensätze für Machine Learning erstellen können.

Amazon SageMaker Edge

Erfahren Sie mehr über die Preise von Amazon SageMaker Edge zur Optimierung, Ausführung und Überwachung von ML-Modellen auf Flotten von Geräten am Netzwerkrand. 

Savings Plans für Amazon SageMaker

Savings Plans für Amazon SageMaker tragen dazu bei, die Kosten um bis zu 64 % zu senken. Die Pläne gelten automatisch für berechtigte SageMaker Machine Learning (ML)-Instance-Nutzungen, einschließlich SageMaker Studio Notebooks, SageMaker On-Demand Notebooks, SageMaker Processing, SageMaker Data Wrangler, SageMaker Training, SageMaker Real-Time Inference und SageMaker Batch Transform, unabhängig von Instance-Familie, Größe oder Region. Zum Beispiel können Sie jederzeit die Nutzung von einer CPU-Instance ml.c5.xlarge, die in USA Ost (Ohio) läuft, auf eine ml.Inf1-Instanz in USA West (Oregon) für Inferenz-Workloads ändern und automatisch weiterhin den Preis der Savings Plans bezahlen. 

Weitere Informationen »

Gesamtbetriebskosten (TCO) mit Amazon SageMaker

Amazon SageMaker bietet mindestens 54 % niedrigere Gesamtbetriebskosten (TCO) über einen Zeitraum von 3 Jahren im Vergleich zu anderen cloudbasierten, selbstverwalteten Lösungen. Erfahren Sie mehr mit der vollständigen TCO-Analyse für Amazon SageMaker.

Preisbeispiele

  • Preisbeispiel 1: Studio-Notebooks

    Ein Daten-Wissenschaftler durchläuft bei der Verwendung von Amazon SageMaker Studio Notebooks die folgende Abfolge von Aktionen:

    1. Öffnet Notebook 1 in einem TensorFlow-Kernel auf einer ml.c5.xlarge-Instanz und arbeitet dann 1 Stunde lang auf diesem Notebook.
    2. Öffnet Notebook 2 eine ml.c5.xlarge Instance. Es wird automatisch in der gleichen ml.c5.xlarge-Instance geöffnet, in der auch Notebook 1 ausgeführt wird. 
    3. Arbeitet 1 Stunde lang gleichzeitig an Notebook 1 und an Notebook 2.
    4. Dem Daten-Wissenschaftler werden insgesamt zwei (2) Stunden der Verwendung von ml.c5.xlarge in Rechnung gestellt. Für die überlappende Stunde, in der sie gleichzeitig an Notebook 1 und Notebook 2 gearbeitet hat, wird jede Kernel-Anwendung für 0,5 Stunden gemessen und ihr 1 Stunde in Rechnung gestellt.
    Kernel-Anwendung Notebook-Instance Stunden Kosten pro Stunde Gesamtsumme
    TensorFlow ml.c5.xlarge 1 0,204 USD 0,204 USD
    TensorFlow ml.c5.xlarge 0,5 0,204 USD 0,102 USD
    Datenwissenschaft ml.c5.xlarge 0,5 0,204 USD 0,102 USD
            0,408 USD
  • Preisbeispiel 2: RStudio auf SageMaker

    Ein Datenwissenschaftler führt die folgenden Aktionen durch, während er RStudio auf SageMaker verwendet

    1. Startet RSession 1 auf einer ml.c5.xlarge Instance und arbeitet dann 1 Stunde lang an diesem Notebook.
    2. Startet RSession 2 auf einer ml.c5.xlarge Instance. Es wird automatisch in der gleichen ml.c5.xlarge-Instance geöffnet, in der auch RSession 1 ausgeführt wird.
    3. Arbeitet 1 Stunde lang gleichzeitig an RSesssion 1 und RSession 2.
    4. Dem Daten-Wissenschaftler werden insgesamt zwei (2) Stunden der Verwendung von ml.c5.xlarge in Rechnung gestellt. Für die sich überschneidende Stunde, in der sie gleichzeitig an RSession 1 und RSession 2 gearbeitet hat, wird jede RSession-Anwendung mit 0,5 Stunden berechnet und ihr wird 1 Stunde in Rechnung gestellt.

    In der Zwischenzeit läuft der RServer 24/7, egal ob RSessions laufen oder nicht. Wenn der Admin "Small" (ml.t3.medium) wählt, dann ist es kostenlos. Wählt der Admin "Medium" (ml.c5.4xlarge) oder "Large" (ml.c5.9xlarge), so wird stundenweise abgerechnet, sofern RStudio für die SageMaker-Domäne aktiviert ist.

    RSession app RSession Instance Stunden Kosten pro Stunde Gesamtsumme
    Base R ml.c5.xlarge 1 0,204 USD 0,204 USD
    Base R ml.c5.xlarge 0,5 0,204 USD 0,102 USD
    Base R ml.c5.xlarge 0,5 0,204 USD 0,102 USD
            0,408 USD
  • Preisbeispiel 3: Verarbeitung

    Für die Verarbeitung in Amazon SageMaker fallen nur Gebühren für die genutzte Instance während der Ausführung Ihrer Aufträge an. Wenn Sie die Eingabedaten zur Verarbeitung in Amazon S3 bereitstellen, lädt Amazon SageMaker die Daten zu Beginn der Verarbeitungsaufgabe aus Amazon S3 auf einen lokalen Dateispeicher herunter.

    Der Datenanalyst führt eine Verarbeitungsaufgabe aus, um die Daten auf zwei ml.m5.4xlarge-Instances für eine Aufgabendauer von zehn Minuten vorzuverarbeiten und zu validieren. Der Analyst lädt einen Datensatz mit 100 GB als Eingabe für die Verarbeitungsaufgabe nach S3 hoch, und die Ausgabedaten, die in etwa die gleiche Größe haben, werden zurück nach S3 gespeichert.

    Stunden Verarbeitungs-Instances Kosten pro Stunde Gesamtsumme
    1 * 2 * 0,167 = 0,334 ml.m5.4xlarge 0,922 USD 0,308 USD
    Standardspeicher (SSD, GB) Kosten pro Stunde Gesamtsumme
    100 GB * 2 = 200 0,14 USD 0,0032 USD

    Zwischensumme für die Verarbeitungsaufgabe in Amazon SageMaker = 0,308 USD;
    Zwischensumme für 200 GB an Standardspeicher (SSD) = 0,0032 USD.
    In diesem Beispiel würden insgesamt 0,3112 USD berechnet.

  • Preisbeispiel 4: Data Wrangler

    Als Daten-Wissenschaftler verbringen Sie drei Tage, 6 Stunden pro Tag, mit Amazon SageMaker Data Wrangler, um Ihre Daten zu bereinigen, zu erforschen und zu visualisieren. Zum Ausführen Ihrer Datenaufbereitungspipeline initiieren Sie dann eine SageMaker Data Wrangler-Aufgabe, die für eine wöchentliche Ausführung geplant ist.

    In der nachstehenden Tabelle sind Ihre Gesamtnutzung für den Monat und die damit verbundenen Gebühren für die Nutzung von Amazon SageMaker Data Wrangler zusammengefasst.

    Anwendung SageMaker Studio Instance Tage Dauer Gesamtdauer Kosten pro Stunde Kosten Zwischensumme
    SageMaker Data Wrangler ml.m5.4xlarge 3 6 Stunden 18 Stunden 0,922 USD 16,596 USD
    SageMaker Data Wrangler-Aufgabe ml.m5.4xlarge - 40 Minuten 2,67 Stunden 0,922 USD 2,461 USD

    Laut Tabelle verwenden Sie Amazon SageMaker Data Wrangler für insgesamt 18 Stunden über 3 Tage, um Ihre Daten aufzubereiten. Zusätzlich legen Sie eine SageMaker Data Wrangler-Aufgabe an, um wöchentlich aktualisierte Daten vorzubereiten. Jede Aufgabe dauert 40 Minuten, und sie wird wöchentlich einen Monat lang ausgeführt.

    Monatliche Gesamtkosten für die Nutzung von Data Wrangler = 16,596 USD + 2,461 USD = 19,097 USD

  • Preisbeispiel 5: Feature Store

    Sie haben eine Webanwendung, die Lese- und Schreibvorgänge von jeweils 25 KB an den Amazon SageMaker Feature Store ausgibt. In den ersten 10 Tagen eines Monats verzeichnet Ihre Anwendung nur wenig Traffic, sodass jeden Tag 10.000 Schreibvorgänge und 10.000 Lesevorgänge im SageMaker Feature Store stattfinden. An Tag 11 des Monats gewinnt Ihre Anwendung Aufmerksamkeit in den sozialen Medien und der Anwendungs-Traffic steigt an diesem Tag auf 200.000 Schreibvorgänge und 200.000 Lesevorgänge. Ihre Anwendung reguliert sich zum Monatsende zu einem gleichmäßigeren Verkehrsaufkommen mit durchschnittlich 80 000 Lese- und 80 000 Schreibvorgängen pro Tag.

    In der nachstehenden Tabelle sind Ihre Gesamtnutzung für den Monat und die damit verbundenen Gebühren für die Nutzung des Amazon SageMaker Feature Store zusammengefasst.

    Tag des Monats Gesamtsumme Schreibvorgänge Gesamtsumme Schreibeinheiten Gesamtsumme Lesevorgänge Gesamtsumme Leseeinheiten
    Tage 1 bis 10 100 000 Schreibvorgänge 
    (10 000 Schreibvorgänge * 10 Tage)
    2 500 000 
    (100 000 * 25 KB)
    100 000 
    (10 000 * 10 Tage)
    700 000++ 
    (100 000 * 25/4 KB)
             
    Tag 11 200 000 Schreibvorgänge 5 000 000 
    (200 000 * 25 KB)
    200 000 Lesevorgänge 1 400 000++ 
    (200 000 * 25/4KB )
             
    Tage 12 bis 30 1 520 000 Schreibvorgänge 
    (80 000 * 19 Tage)
    38 000 000 
    (1 520 000 * 25 KB)
    1 520 000 Schreibvorgänge
    (80 000 * 19 Tage)
    10 640 000++
    (1 520 000 * 25/4 KB)
             
    Total kostenpflichtige Einheiten   45 500 000 Schreibeinheiten   12 740 000 Leseeinheiten
    Monatliche Gebühren für Schreib- und Lesevorgänge   56.875 USD 
    (45,5 Millionen Schreibeinheiten * 1,25 USD pro Million Schreibvorgänge)
      3,185 USD 
    (12,74 Mio. Leseeinheiten * 0,25 USD pro Mio. Lesevorgänge)

    ++ Alle gebrochenen Leseeinheiten werden auf die nächste ganze Zahl gerundet

    Datenspeicher
    Insgesamt gespeicherte Daten = 31,5 GB
    Monatliche Kosten für Datenspeicher = 31,5 GB * 0,45 USD = 14,175 USD

    Monatliche Gesamtkosten für Amazon SageMaker Feature Store = 56,875 USD + 3,185 USD + 14,175 USD = 74,235 USD

  • Preisbeispiel 6: Training

    Ein Daten-Wissenschaftler hat eine Woche lang an einem Modell für ein neues Konzept gearbeitet. Er trainiert das Modell vier Mal auf einem ml.m4.4xlarge für 30 Minuten pro Trainingslauf, wobei Amazon SageMaker Debugger mit zwei integrierten Regeln einer selbst geschriebenen Regel aktiviert ist. Bei der benutzerdefinierten Regel legte er die ml.m5.xlarge-Instance fest. Er führt das Training mit einem Trainingsdatenvolumen von 3 GB in Amazon S3 aus und gibt 1 GB an Modellausgabe an Amazon S3 weiter. SageMaker erstellt Standardspeicher-SSD (gp2)-Volumes für jede Trainings-Instance. SageMaker erstellt außerdem Standardspeicher-SSD (gp2)-Volumes für jede definierte Regel. In diesem Beispiel werden insgesamt vier Standardspeicher-SSD (gp2)-Volumes erstellt. SageMaker Debugger gibt 1 GB Debug-Daten an den Amazon S3-Bucket des Kunden aus.

    Stunden Training-Instance Debug-Instance Kosten pro Stunde Zwischensumme
    4 * 0,5 = 2,00 ml.m4.4xlarge 0,96 USD 1,92 USD
    4 * 0,5 * 2 = 4 Keine zusätzlichen Gebühren für integrierte Regel-Instances 0 USD 0 USD
    4 * 0,5 = 2 ml.m5.xlarge 0,23 USD 0,46 USD
            -------
            2,38 USD
      Standardspeicher (SSD) für Training (GB) Standardspeicher (SSD) für in den Debugger integrierte Regeln (GB) Standardspeicher (SSD) für benutzerdefinierte Debugger-Regeln (GB) Preis pro GB/Monat Zwischensumme
    Genutzte Kapazität 3 2 1    
    Kosten 0 USD Keine zusätzlichen Gebühren für integrierte Speichervolumes 0 USD 0,10 USD 0 USD

    Die Gesamtkosten für Training und Debugging betragen in diesem Beispiel 2,38 USD. Für die Datenverarbeitungs-Instances und die Standardspeicher-Volumes, die von den in Amazon SageMaker Debugger integrierten Regeln verwendet werden, fallen keine zusätzlichen Gebühren an.

  • Preisbeispiel 7: Echtzeit-Inferenz

    Das Modell in Beispiel Nr. 5 wird in zwei (2) ml.c5.xlarge-Instances für ein zuverlässiges Multi-AZ-Hosting zur Produktion bereitgestellt. Für Amazon SageMaker-Modellüberwachung ist eine (1) ml.m5.4xlarge-Instance aktiviert, und die Überwachungsaufträge sind so geplant, dass sie einmal pro Tag ausgeführt werden. Die Ausführung der Überwachungsaufträge dauert fünf Minuten. Das Modell erhält täglich 100 MB Daten, und die Inferenzen umfassen 1/10 der Eingabedatenmenge.

    Stunden pro Monat Hosting-Instances Modellüberwachungs-Instances Kosten pro Stunde Gesamtsumme
    24 * 31 * 2 = 1 488 ml.c5.xlarge   0,204 USD 303,522 USD
    31 * 0,08 = 2,5   ml.m5.4xlarge 0,922 USD 2,305 USD
    Eingehende Daten pro Monat – Hosting Ausgehende Daten pro Monat – Hosting Kosten pro GB (ein- oder ausgehend) Gesamtsumme
    100 MB * 31 = 3 100 MB   0,02 USD 0,05 USD
      10 MB * 31 = 310 MB 0,02 USD 0,01 USD

    Zwischensumme für Training, Hosting und Überwachung = 305,827 USD; Zwischensumme für 3 100 MB verarbeitete Daten (eingehend) und 310 MB verarbeitete Daten (ausgehend) für Hosting pro Monat = 0,06 USD. In diesem Beispiel würden insgesamt 305,887 USD pro Monat berechnet.

    Hinweis: Für integrierte Regeln mit einer ml.m5.xlarge-Instance erhalten Sie bis zu 30 Stunden Überwachung, aggregiert für alle Endpunkte pro Monat, ohne Zusatzkosten.

  • Preisbeispiel 8: Asynchronous Inference

    Amazon SageMaker Asynchronous Inference berechnet Ihnen die von Ihrem Endpunkt verwendeten Instances. Wenn keine aktiven Anfragen bearbeitet werden, können Sie die automatische Skalierung so konfigurieren, dass die Anzahl der Instances auf Null reduziert wird, um Kosten zu sparen. Für Eingabe-Nutzdaten in Amazon S3 fallen keine Kosten für das Lesen von Eingabedaten aus Amazon S3 und das Schreiben der Ausgabedaten in S3 in derselben Region an.

    Das Modell in Beispiel Nr. 5 wird verwendet, um einen SageMaker Asynchrone Inferenz Endpunkt auszuführen. Der Endpunkt ist so konfiguriert, dass er auf einer ml.c5.xlarge Instanz läuft und die Anzahl der Instances auf Null reduziert, wenn er nicht aktiv Anfragen verarbeitet. Die ml.c5.xlarge Instance im Endpunkt ist mit einem 4GB General Purpose (SSD) Speicher ausgestattet. In diesem Beispiel behält der Endpunkt eine Instance-Anzahl von 1 für 2 Stunden pro Tag bei und hat eine Abkühlungsphase von 30 Minuten, nach der er für den Rest des Tages auf eine Instance-Anzahl von Null heruntergeht. Es werden also 2,5 Stunden Nutzung pro Tag berechnet. 

    Der Endpunkt verarbeitet 1024 Anfragen pro Tag. Die Größe jeder Aufrufanforderung/Antwort beträgt 10 KB und jede Ableitungsanforderung in Amazon S3 ist 100 MB groß. Die Inferenzausgaben sind 1/10 so groß wie die Eingabedaten, die wieder in Amazon S3 in derselben Region gespeichert werden. In diesem Beispiel gelten die Datenverarbeitungsgebühren für die Anfrage und die Antwort, nicht aber für die Daten, die zu/von Amazon S3 übertragen werden. 

    Stunden pro Monat Hosting-Instances Kosten pro Stunde Gesamtsumme
    2,5 * 31 * 1 = 77,5 ml.c5.xlarge 0,20 USD 15,81 USD
    Standardspeicher (SSD, GB) Preis pro GB/Monat Gesamtsumme
    4 0,14 USD 0,56 USD
    Dateneingang pro Monat  Datenausgang pro Monat Kosten pro GB (ein- oder ausgehend) Gesamtsumme
    10KB * 1024 * 31 = 310MB 10KB * 1024 * 31 = 310MB 0,02 USD 0,0048
      10KB * 1024 * 31 = 310MB 0,02 USD 0,0048

    Die Zwischensumme für SageMaker Asynchrone Inferenz = $15,81 + $0,56 + 2*,0048 = $16,38. Die Gesamtkosten für Asynchronous Inference betragen in diesem Beispiel 16,38 USD pro Monat.

  • Preisbeispiel 9: Batch Transform

    Amazon SageMaker Batch Transform berechnet Ihnen nur die Instances, die während der Ausführung Ihrer Aufträge genutzt werden. Wenn sich Ihre Daten bereits in Amazon S3 befinden, fallen keine Kosten für das Lesen von Eingabedaten aus S3 und das Schreiben von Ausgabedaten in S3 in derselben Region an.  

    Das Modell in Beispiel 5 wird zur Ausführung von SageMaker Batch Transform verwendet. Der Daten-Wissenschaftler führt vier separate SageMaker Batch-Transformationsaufgaben auf 3 ml.m4.4xlarge-Instances für jeweils 15 Minuten pro Aufgabenausführung aus. Dabei wird für jede Ausführung in S3 ein Bewertungsdatensatz mit 1 GB hochgeladen. Die Inferenzen haben 1/10 der Größe der in S3 gespeicherten Eingabedaten.

    Stunden Trainings-Instances Kosten pro Stunde Gesamtsumme
    3 * 0,25 * 4 = 3 Stunden ml.m4.4xlarge 0,96 USD 2,88 USD
    GB Dateneingabe – Batch-Transformation GB Datenausgabe – Batch-Transformation Kosten pro GB (ein- oder ausgehend) Gesamtsumme
    0 0 0,02 USD 0 USD

    Zwischensumme für SageMaker Batch-Transformationsaufgabe = 2,88 USD, Zwischensumme für 4,4 GB Dateneingabe in Amazon S3 = 0 USD. In diesem Beispiel würden insgesamt 2,90 USD berechnet.

  • Preisbeispiel Nr. 10: Serverless-Inferenz

    Bei Serverless Inference bezahlen Sie nur für die Rechenkapazität, die für die Verarbeitung von Inferenzanfragen verwendet wird, die nach Millisekunden und verarbeiteter Datenmenge abgerechnet wird. Die Rechengebühr hängt von der gewählten Speicherkonfiguration ab.

    Wenn Sie Ihrem Endpunkt 2 GB Arbeitsspeicher zugewiesen, ihn 10 Millionen Mal in einem Monat ausgeführt und jedes Mal 100 ms lang ausgeführt und insgesamt 10 GB Dateneingang/-ausgang verarbeitet haben, werden Ihre Gebühren wie folgt berechnet:

    Monatliche Datenverarbeitungsgebühren

    Anzahl der Anforderungen Dauer jeder Anfrage Gesamtdauer der Inferenz (Sek.) Preis pro Sekunde Monatliche Gebühr für die Inferenzdauer
    10 M 100 ms 1 Mio. 0,00004 USD 40 USD

    Monatliche Datenverarbeitungsgebühren

    Datenverarbeitung (GB) Kosten pro GB (ein- oder ausgehend) Monatliche Datenverarbeitungsgebühr
    10 GB 0,016 USD 0,16 USD

    Die Zwischensumme für die Gebühr für die Inferenzdauer von SageMaker Serverless = 40 USD. Die Zwischensumme für 10 GB Datenverarbeitungsgebühr = 0,16 USD. In diesem Beispiel würden insgesamt 40,16 USD berechnet.

Weitere Informationen über Amazon SageMaker

Besuchen Sie die SageMaker-Übersichtsseite
Sind Sie startbereit?
Registrieren
Haben Sie Fragen?
Kontakt