Mit Amazon SageMaker verfügen Sie über zwei Zahlungsmöglichkeiten und zahlen nur für das, was Sie auch tatsächlich nutzen. Bei On-Demand-Preisen wird ohne Mindestgebühren und Vorauszahlungen sekundengenau abgerechnet. SageMaker Savings Plans bieten ein flexibles, nutzungsbasiertes Preismodell im Austausch gegen die Zusage für ein konsistentes Nutzungskontingent.

Einstieg in Amazon SageMaker – kostenlos

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
Amazon SageMaker 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.
Amazon SageMaker Data Wrangler 25 Stunden der ml.m5.4xlarge-Instance
Amazon SageMaker Feature Store 10M Schreibeinheiten, 10M Leseeinheiten, 25 GB Speicherplatz
Training 50 Stunden m4.xlarge- oder m5.xlarge-Instances
Inference 125 Stunden m4.xlarge- oder m5.xlarge-Instances

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 »

Amazon SageMaker Studio ist ohne zusätzliche Kosten verfügbar

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.

Innerhalb von SageMaker Studio stehen Ihnen viele Services zur Verfügung, die Sie ohne zusätzliche Kosten nutzen können, z. B:

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

Amazon SageMaker Ground Truth

Erfahren Sie mehr über die Preise von Amazon SageMaker Ground Truth, einem vollständig verwalteten Datenlabeling-Service, mit dem das Erstellen hochpräziser Trainingsdatensätze für Machine Learning einfach gelingt.

Amazon SageMaker Edge Manager

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

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. Erfahren Sie mehr mit der vollständigen TCO-Analyse für Amazon SageMaker.

Amazon SageMaker Preiskalkulator

Mit dem SageMaker-Preiskalkulator können Sie jetzt Ihre Ausgaben für die Nutzung von Amazon SageMaker abschätzen. Mit dem Preiskalkulator erhalten Sie eine Kostenschätzung für Ihren Anwendungsfall, exportieren Ihre Schätzungen zur Offline-Analyse und passen Ihre Ausgaben an Ihre Anforderungen an.

  • Studio-Notebooks
  • On-Demand-Instances für Notebooks
  • Verarbeitung
  • Data Wrangler
  • Feature Store
  • Training
  • Echtzeit-Inferenz
  • Batch Transform
  • 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.

  • 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.

  • 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.

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: 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 3: Data Wrangler

Als Daten-Wissenschaftler verbringen Sie drei Tage mit Amazon SageMaker Data Wrangler, um Ihre Daten zu bereinigen, zu erforschen und zu visualisieren, und das 6 Stunden pro Tag. 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 4: 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 5: 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 6: Echtzeit-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   0,204 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 7: Batch Transform

Bei Amazon SageMaker Batch Transform werden Ihnen nur die Instances berechnet, die während der Ausführung Ihrer Aufgaben genutzt werden. 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 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.

Weitere Informationen über Amazon SageMaker

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