Mit Amazon SageMaker bezahlen Sie nur für das, was Sie tatsächlich nutzen. Die Erstellung und Bereitstellung sowie das Training von ML-Modellen werden sekundengenau ohne Mindestgebühr und Vorausleistungen berechnet.

Amazon SageMaker kostenlos testen

Im Rahmen des kostenlosen Kontingents für AWS können Sie Amazon SageMaker zum Einstieg kostenlos verwenden. Wenn Sie Amazon SageMaker noch nie genutzt haben, erhalten Sie für die ersten beiden Monate ein monatliches Freikontingent von 250 Stunden für die Nutzung des t2.medium- oder t3.medium-Notebooks mit On-Demand-Notebook-Instances oder t3.medium-Instances mit SageMaker Studio-Notebooks für die Modellerstellung, plus 50 Stunden m4.xlarge oder m5.xlarge zu Trainingszwecken, plus 125 Stunden m5.xlarge oder m4.xlarge zum Bereitstellen Ihrer ML-Modelle für Echtzeit-Inferenz und Batch-Transformationen mit Amazon SageMaker. Das kostenlose Kontingent deckt nicht die Speichervolumennutzung ab. Ihr kostenloses Kontingent startet mit dem ersten Monat, nachdem Sie Ihre erste SageMaker-Ressource erstellt haben.

Amazon SageMaker Studio ist kostenlos.

Sie haben jetzt kostenlosen Zugriff auf Amazon SageMaker Studio, die erste vollständig integrierte Entwicklungsumgebung (Integrated Development Environment, IDE). Mit SageMaker Studio erhalten Sie vollständigen Zugriff und Einblick in alle Schritte, die zum Erstellen, Trainieren und Bereitstellen von Modellen erforderlich sind. Die Verwendung von SageMaker Studio ist kostenlos, Sie bezahlen nur für die AWS-Services, die Sie innerhalb von Studio nutzen.

Niedrigere 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. Die vollständige TCO-Analyse für Amazon SageMaker finden Sie hier.

  • Studio-Notebooks
  • On-Demand-Instances für Notebooks
  • Verarbeitung
  • Training
  • Echtzeit-Inferenz
  • Batch Transform
  • Studio-Notebooks
  • SageMaker Studio-Notebooks
    Studio-Notebooks sind One-Click-Jupyter-Notebooks, die schnell betriebsbereit sind. Die zugrunde liegenden Datenverarbeitungsressourcen sind vollständig elastisch. Diese Notebooks können problemlos mit anderen geteilt werden und ermöglichen eine nahtlose Zusammenarbeit. 

  • On-Demand-Instances für Notebooks
  • On-Demand-Instances für Notebooks
    On-Demand-Notebook-Instances sind Machine Learning(ML)-Instances für Datenverarbeitung, auf denen die Jupyter Notebook-App ausgeführt wird. Die Nutzung des von Ihnen gewählten Instance-Typs wird Ihnen in Rechnung gestellt. Jedes Notebook wird auf Ihrer Rechnung separat aufgeführt.

  • Verarbeitung
  • SageMaker Processing
    Mit SageMaker Processing können Sie Ihre Workloads für Vor- und Nachverarbeitung sowie Modellauswertung problemlos in einer vollständig verwalteten Infrastruktur ausführen.

  • Training
  • SageMaker Training
    SageMaker bietet alles, was Sie zum Trainieren, Optimieren und Debuggen von Modellen benötigen, und erleichtert so das Training von ML-Modellen (Machine Learning). Wenn Sie SageMaker-Debugger verwenden, sind die integrierten Regeln kostenlos. Bei benutzerdefinierten Regeln müssen Sie eine Instance auswählen, außerdem werden Ihnen Gebühren für die Dauer der Instance-Nutzung berechnet.

  • Echtzeit-Inferenz
  • SageMaker Hosting: Echtzeit-Inferenz
    Wenn Sie Ihre Modelle als Amazon SageMaker-Endpunkte für eine Echtzeit-Inferenz bereitstellen und die Modellüberwachung in Amazon SageMaker aktivieren, können Sie integrierte Regeln verwenden, um Ihre Modell zu überwachen, oder Ihre eigenen benutzerdefinierten Regeln schreiben. Bei integrierten Regeln erhalten Sie bis zu 30 Stunden Überwachung kostenlos. Zusätzliche Nutzungskosten basieren auf der Nutzung.

  • Batch Transform
  • SageMaker-Hosting: Batch Transform
    Mit Batch Transform ist es nicht erforderlich, den Datensatz in einzelne Blöcke zu unterteilen oder Echtzeitendpunkte zu verwalten. Mit Batch Transform können Sie Vorhersagen anhand großer oder kleiner Batch-Datensätze durchführen.

Preisbeispiel 1: Studio-Notebooks

Ein Daten-Wissenschaftler durchläuft bei der Verwendung von 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 läuft. 
  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 Zwischensumme Gesamtsumme
TensorFlow ml.c5.xlarge 1 0,24 USD  
TensorFlow ml.c5.xlarge 0,5 0,12 USD  
Datenwissenschaft ml.c5.xlarge 0,5 0,12 USD  
        0,48 USD

Preisbeispiel 2: 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 1,075 USD 0,359 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 = 0,359 USD;
Zwischensumme für 200 GB an Standardspeicher (SSD) = 0,0032 USD.
In diesem Beispiel würden insgesamt 0,3622 USD berechnet.

Preisbeispiel 3: 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- (gp2)-Volumes für jede Trainings-Instance. SageMaker erstellt außerdem Standardspeicher (gp2)-Volumes für jede definierte Regel. In diesem Beispiel werden insgesamt vier Standardspeicher (gp2)-Volumes erstellt. SageMaker Debugger gibt 1 GB of 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
1,12 USD 2,24 USD
4 * 0,5 * 2 = 4

Keine zusätzlichen Gebühren für integrierte Regel-Instances 0 USD
0 USD
4 * 0,5 = 2
ml.m5.xlarge 0,27 USD 0,54 USD
        -------
        2,78 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 0,00083 USD Keine zusätzlichen Gebühren für integrierte Speichervolumes
0,00028 USD 0,10000 USD 0,0011 USD

Die Gesamtkosten für Training und Debugging betragen in diesem Beispiel 2,7811 USD. Für die Datenverarbeitungs-Instances und die Standardspeicher-Volumes, die von den in SageMaker Debugger integrierten Regeln verwendet werden, fallen keine zusätzlichen Gebühren an.

Preisbeispiel 4: Inferenz

Das Modell in Beispiel Nr. 3 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   0,238 USD 354,144 USD
31 *0,08 = 2,5   ml.m5.4xlarge 1,075 USD 2,688 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 0,050 USD
  10 MB * 31 = 310 MB 0,02 USD 0,006 USD

Zwischensumme für Training, Hosting und Überwachung = 356,832 USD; Zwischensumme für 3 100 MB verarbeitete Daten (eingehend) und 310 MB verarbeitete Daten (ausgehend) für Hosting pro Monat = 0,056 USD In diesem Beispiel würden insgesamt 356,887 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 5: Batch Transform

Für die Amazon SageMaker Batch Transform fallen nur Gebühren für die Instance-Nutzung der Ausführung Ihrer Aufträge an. Wenn sich Ihre Daten bereits in Amazon S3 befinden, fallen keine weiteren Kosten für das Lesen der Eingabedaten aus S3 und das Schreiben der Ausgabedaten in S3 an.

Das Modell in Beispiel 1 wird zum Ausführen der Batch-Transformation verwendet. Der Data Scientist führt vier separate Batch-Transformationsaufträge in drei ml.m4.4xlarge-Instances für 15 Minuten pro Auftragsausführung 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.xlarge 1,12 USD 3,36 USD
GB Dateneingabe – Batch-Transformation
GB Datenausgabe – Batch-Transformation Kosten pro GB (ein- oder ausgehend) Gesamtsumme
0 0 0,02 USD 0

Zwischensumme für Batch-Transformationsauftrag = 3,36 USD, Zwischensumme für 4,4 GB Dateneingabe in Amazon S3 = 0. In diesem Beispiel würden insgesamt 3,36 USD berechnet.

Weitere Informationen zu Amazon SageMaker-Funktionen

Funktionsübersicht anzeigen
Sind Sie startbereit?
Registrieren
Haben Sie Fragen?
Kontakt