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

Mit SageMaker zahlen Sie nur für das, was Sie tatsächlich nutzen. Sie haben zwei Zahlungsmöglichkeiten: ein On-Demand-Preismodell, das keine Mindestgebühren und keine Vorausleistungen vorsieht, und die SageMaker-Savings-Plans, die ein flexibles, nutzungsbasiertes Preismodell im Austausch für die Verpflichtung zu einer kontinuierlichen 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, und Notebook-Instances 250 Stunden ml.t3.-medium-Instance auf Studio-Notebooks ODER 250 Stunden ml.t2.-medium-Instance oder ml.t3.-medium-Instance auf 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 Sitzungszeit und bis zu 10 Anforderungen zur Modellerstellung/Monat, jeweils mit bis zu 1 Million Zellen/Modellerstellungs-Anforderung
  Nutzung des kostenlosen Kontingents pro Monat für die ersten 6 Monate
Experimente
 100 000 erfasste Metrikdatensätze pro Monat, 1 Million abgerufene Metrikdatensätze pro Monat und 100 000 gespeicherte Metrikdatensätze pro Monat
AWS Pricing Calculator

AWS-Preisrechner

Berechnen Sie Ihre Amazon SageMaker- und Architekturkosten mit einem einzigen Kostenvoranschlag.

Erstellen Sie jetzt Ihren maßgeschneiderte Kostenvoranschlag »

On-Demand-Preise

  • Studio-Notebooks

  • Amazon SageMaker Studio-Notebooks
    Notebooks von Amazon SageMaker Studio sind One-Click-Jupyter-Notebooks, die schnell betriebsbereit sind. Die grundlegenden Computing-Ressourcen sind vollständig elastisch und die Notebooks können problemlos mit anderen geteilt werden, was eine nahtlose Zusammenarbeit ermöglicht. Der von Ihnen ausgewählte 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

  • Notebook Instances

  • Notebook-Instances
    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.

    Amazon SageMaker Data Wrangler – Aufgaben

    Eine Amazon SageMaker Data Wrangler-Aufgabe wird beim exportieren eines Datenstroms aus SageMaker Data Wrangler erstellt. Mit SageMaker Data Wrangler-Aufgaben können Sie Ihre Workflows zur Datenaufbereitung automatisieren. SageMaker Data Wrangler-Aufgaben helfen Ihnen, Ihre Datenaufbereitungs-Workflows zeitsparend auf neue Datensätze anzuwenden, und werden sekundengenau abgerechnet.

  • 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.

  • Experimente

  • Amazon SageMaker Experiments
    Mit Amazon SageMaker-Experiments können Sie Ihre ML-Experimente organisieren, überwachen und vergleichen. Ihnen wird nur das Erfassen, Abrufen und Speichern in Rechnung gestellt. Ein Metrikdatensatz ist ein Schlüssel/Wert-Paar von Metrikdaten. Aufnahme und Abruf werden basierend auf der Anzahl der Metrikdatensätze berechnet. Die Speicherung wird basierend auf der Anzahl der pro Monat gespeicherten Metrikdatensätze berechnet. Sie können SageMaker Studio zur Visualisierung Ihrer Experimente ohne zusätzliche Kosten verwenden.

     

    Abrechnungsart Preis
    Aufnahme 1,25 USD pro Million Metrikdatensätze
    Abruf 0,25 USD pro Million Metrikdatensätze
    Speicherung 0,25 USD pro Million Metrikdatensätze – Monat

     

  • 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 Inference

  • Amazon SageMaker Serverless Inference
    Mit Amazon SageMaker Serverless Inference 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 Inferenz-Anforderungen verwendet wird, die nach Millisekunden und verarbeiteter Datenmenge abgerechnet wird. Die Rechengebühr hängt von der gewählten Speicherkonfiguration ab.

  • JumpStart

  • Amazon SageMaker JumpStart
    Amazon SageMaker JumpStart hilft Ihnen beim schnellen und einfachen Einstieg in das Machine Learning, indem Sie mit einem Klick auf beliebte Modellsammlungen (auch bekannt als „Modell-Zoos“) zugreifen können. JumpStart bietet auch End-to-End-Lösungen für gängige ML-Anwendungsfälle, die an Ihre Bedürfnisse angepasst werden können. Für die Nutzung von JumpStart-Modellen oder -Lösungen fallen keine zusätzlichen Gebühren an. Die Stunden für die zugrunde liegende Instance Training und Inference werden Ihnen genauso in Rechnung gestellt, wie wenn Sie sie manuell erstellt hätten.

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 Entwickeln, Trainieren und Bereitstellen von Modellen erforderlich sind. Mit SageMaker Studio zahlen Sie nur für das grundlegende Computing 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:

Sie zahlen nur für die grundlegenden Computing- und Speicher-Ressourcen in SageMaker oder anderen AWS-Services, je nach Ihrer Nutzung.

Amazon SageMaker Studio Lab

Sie können ML-Modelle mit Amazon SageMaker Studio Lab kostenlos entwickeln und trainieren. SageMaker Studio Lab bietet Entwicklern, Akademikern und Datenwissenschaftlern eine konfigurationsfreie Umgebung zum Lernen und Experimentieren mit ML, ohne dass zusätzliche Kosten anfallen.

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

Die Amazon-SageMaker-Datenbeschriftung liefert zwei Datenbeschriftungs-Angebote, Amazon SageMaker Ground Truth Plus und Amazon SageMaker Ground Truth. Erfahren Sie mehr über die Amazon-SageMaker-Datenbeschriftung, einen vollständig verwalteten Datenbeschriftungs-Service, mit dem Sie ganz einfach hochpräzise Trainings-Datensätze für ML entwickeln können.

Amazon-SageMaker-Schattentests

Mit SageMaker können Sie Schattentests durchführen, um ein neues ML-Modell vor der Produktionsfreigabe zu evaluieren, indem Sie seine Leistung im Vergleich zum aktuell eingesetzten Modell testen. Für SageMaker-Schattentests fallen außer den Nutzungsgebühren für die ML-Instances und den ML-Speicher, die zum Hosten des Schattenmodells bereitgestellt werden, keine zusätzlichen Gebühren an. Die Preise für ML-Instanzen und ML-Speicherdimensionen sind dieselben wie für die Echtzeit-Inferenzoption, die in der vorangehenden Preistabelle angegeben ist. Es fallen keine zusätzlichen Gebühren für Daten an, die innerhalb und außerhalb von Schattenbereitstellungen verarbeitet werden.

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

Mit den Amazon SageMaker Savings Plans können Sie Ihre Kosten um bis zu 64 % senken. Die Pläne gelten automatisch für die Nutzung berechtigter SageMaker-ML-Instances, einschließlich SageMaker-Studio-Notebooks, SageMaker-Notebook-Instances, SageMaker Processing, SageMaker Data Wrangler, SageMaker Training, SageMaker Real-Time Inference und SageMaker Batch Transform, unabhängig von der Instance-Familie, Größe oder Region. Sie können zum Beispiel jederzeit die Nutzung einer CPU-Instance ml.c5.xlarge, die in USA Ost (Ohio) läuft, auf eine ml.Inf1-Instance in USA West (Oregon) für Inferenz-Workloads ändern und automatisch den Preis des Savings Plans weiter bezahlen. 

Weitere Informationen »

Gesamtbetriebskosten (TCO) mit Amazon SageMaker

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

Preisbeispiele

  • Ein Datenwissenschaftler 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-Instance und arbeitet dann 1 Stunde lang auf diesem Notebook.
    2. Öffnet Notebook 2 auf einer 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

  • Ein Datenwissenschaftler führt die folgenden Aktionen durch, während sie RStudio auf SageMaker verwendet:

    1. Launcht 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

  • 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 einen Auftrag zur Vorverarbeitung und Validierung von Daten auf zwei ml.m5.4xlarge-Instances für eine Auftragsdauer von 10 Minuten aus. Sie lädt einen Datensatz von 100 GB in S3 als Eingabe für den Verarbeitungsauftrag hoch, und die Ausgabedaten (die ungefähr die gleiche Größe haben) werden wieder in S3 gespeichert.

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

    Die Zwischensumme für den Amazon-SageMaker-Verarbeitungsauftrag = 0,308 USD.
    Zwischensumme für 200 GB an Universell-Speicher (SSD) = 0,0032 USD.
    In diesem Beispiel würden insgesamt 0,3112 USD berechnet werden.

  • Als Datenwissenschaftler 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 Gesamtgebühren für die Nutzung von Data Wrangler = 16,596 USD + 2,461 USD = 19,097 USD

  • Sie haben eine Webanwendung, die Lese- und Schreibvorgänge von jeweils 25 KB in den Amazon SageMaker Feature Store ausführt. In den ersten 10 Tagen eines Monats verzeichnet Ihre Anwendung nur wenig Datenverkehr, 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 * 25KB )    		 100 000 
    (10 000 * 10 Tage)    		 700 000++ 
    (100 000 * 25/4 KB)
             
    Tag 11 200 000 Schreibvorgänge 5 000 000 
    (200 000 * 25KB )    		 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 Gesamtgebühren für Amazon SageMaker Feature Store = 56,875 USD + 3,185 USD + 14,175 USD = 74,235 USD

  • Ein Datenwissenschaftler 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. Sie führt das Training mit einem Trainings-Datenvolumen von 3 GB in Amazon S3 aus und gibt 1 GB an Modellausgabe an Amazon S3 weiter. SageMaker erstellt Universell-Speicher SSD (gp2)-Volumes für jede Trainings-Instance. SageMaker erstellt außerdem Universell-Speicher SSD (gp2)-Volumes für jede definierte Regel. In diesem Beispiel werden insgesamt vier Universell-Speicher SSD (gp2)-Volumes erstellt. SageMaker Debugger gibt 1 GB Debug-Daten an den Amazon-S3-Bucket des Kunden aus.

     

    Stunden Training-Instance Debug-Instance Preis 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
      Universell-Speicher (SSD) für Training (GB) Universell-Speicher (SSD) für in den Debugger integrierte Regeln (GB) Universell-Speicher (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 Computing-Instances und die Universell-Speicher-Volumes, die von den in Amazon SageMaker Debugger integrierten Regeln verwendet werden, fallen keine zusätzlichen Gebühren an.

  • Ein Team von 100 Datenwissenschaftlern arbeitet an einem Projekt für eine neue Idee. Diese führen Experimente durch, indem sie ihre Modelle mit verschiedenen Parametern und Datensätzen trainieren. Im Durchschnitt trainiert jeder Datenwissenschaftler ein Modell zehnmal im Monat über 20 Epochen und erfasst fünf benutzerdefinierte Metriken. Die Datenwissenschaftler verwenden SageMaker Studio, um ihre Experimente zu analysieren. In diesem Beispiel würden die Gebühren wie folgt aussehen:

      Kosten Gesamteinheiten Monatliche Gebühr
    Aufnahme 1,25 USD pro Million Metrikdatensätze 100 000 (= 100 Datenwissenschaftler * 10 Mal * 20 Epochen * 5 Metriken) erfasste Metrikdatensätze 0 125 USD (= 1,25 * 100 000/1 000 000)
    Verwendung von SageMaker Studio 0 USD   0 USD
    Abruf 0,25 USD pro Million Metrikdatensätze 0 0 USD
    Speicherung 0,25 USD pro Million Metrikdatensätze – Monat 100 000 gespeicherte Metrikdatensätze 0 025 USD (= 0,25 * 100 000/1 000 000)
    Monatliche Gesamtgebühr     0,15 USD

     

    Sie haben eine ML-Workbench, die von 1 000 Datenwissenschaftlern verwendet wird. Diese führen Experimente durch, indem sie ihre Modelle mit verschiedenen Parametern und Datensätzen trainieren. Jeder Datenwissenschaftler trainiert ein Modell zehnmal pro Monat über 20 Epochen und erfasst fünf benutzerdefinierte Metriken. Die Workbench verwendet Abruf-APIs, um Experimentdaten von SageMaker-Experimenten für benutzerdefinierte Analysen abzurufen. Die Datenwissenschaftler vergleichen ihre aufgezeichneten Daten über zehn verschiedene Trainingsiterationen hinweg, um das beste Kandidatenmodell zu finden. In diesem Beispiel würden die Gebühren wie folgt aussehen:

      Kosten Gesamteinheiten Monatliche Gebühr
    Aufnahme 1,25 USD pro Million Metrikdatensätze 1 Million (=1 000 Datenwissenschaftler * 10 Mal * 20 Epochen * 5 Metriken) erfasste Metrikdatensätze 1,25 USD (= 1,25 * 1)
    Verwendung von SageMaker Studio 0 USD   0 USD
    Abruf 0,25 USD pro Million Metrikdatensätze 10 Millionen (= 1 Million erfasste Metriken * 10 Abrufe pro aufgenommener Metrik) abgerufene Metrikdatensätze 2,5 USD (= 0,25 * 10)
    Speicherung 0,25 USD pro Million Metrikdatensätze – Monat 1 Million gespeicherte Metrikdatensätze 0,25 USD (= 0,25 * 1)
    Monatliche Gesamtgebühr     4 USD

  • Das Modell in Beispiel Nr. 5 wird in zwei (2) ml.c5.xlarge-Instances für ein zuverlässiges Multi-AZ-Hosting zur Produktion bereitgestellt. Die Amazon-SageMaker-Modellüberwachung ist mit einer (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 an Daten, und die Inferenzen umfassen 1/10 der Eingabedatenmenge.

    Stunden pro Monat Hosting-Instances Modellüberwachungs-Instances Preis 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 Preis pro GB (ein- oder ausgehend) Gesamtsumme
    100 MB * 31 = 3 100 MB   0,016 USD 0,0496 USD
      10 MB * 31 = 310 MB 0,016 USD 0,00496 USD

    Die Zwischensumme für Training, Hosting und Überwachung beträgt 305,827 USD. Die Zwischensumme für 3 100 MB an verarbeiteten Vorgängen und 310 MB an verarbeiteten Vorgängen für das Hosting pro Monat = 0,054 USD. In diesem Beispiel würden insgesamt 305,881 USD pro Monat berechnet.

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

  • Amazon SageMaker Asynchronous Inference berechnet Ihnen die von Ihrem Endpunkt verwendeten Instances. Wenn Sie keine aktiven Anforderungen bearbeiten, können Sie, um Kosten zu sparen, die automatische Skalierung so konfigurieren, dass die Anzahl der Instances auf Null reduziert wird. Für Eingabe-Nutzlasten 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 Endpunkt von SageMaker Asynchronous Inference auszuführen. Der Endpunkt ist so konfiguriert, dass er auf einer ml.c5.xlarge Instance läuft und die Anzahl der Instances auf Null reduziert, wenn er nicht aktiv Anforderungen verarbeitet. Die Instance ml.c5.xlarge im Endpunkt verfügt über 4 GB an universellem (SSD) Speicher, der ihr angefügt ist. In diesem Beispiel behält der Endpunkt eine Instance-Anzahl von 1 für 2 Stunden pro Tag bei und hat eine Ruhephase von 30 Minuten. Danach wird er für den Rest des Tages auf eine Instance-Anzahl von Null heruntergefahren. Es werden also 2,5 Stunden Nutzung pro Tag berechnet. 

    Der Endpunkt verarbeitet 1,024 Anforderungen pro Tag. Die Größe jedes Aufrufs-Anforderung/Antwort-Paket beträgt 10 KB, und die Nutzlast jeder Inferenz-Anforderung in Amazon S3 beträgt 100 MB. 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 Datenverarbeitungs-Gebühren 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
    Universell-Speicher (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
    10 KB * 1,024 * 31 = 310 MB 10 KB * 1,024 * 31 = 310 MB 0,02 USD 0,0048
      10 KB * 1,024 * 31 = 310 MB 0,02 USD 0,0048

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

  • Amazon SageMaker Batch Transform berechnet Ihnen nur die Instances, die Sie verwenden, während Ihre Aufträge ausgeführt 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 Datenwissenschaftler 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 Preis 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

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

  • Bei Serverless Inference bezahlen Sie nur für die Rechenkapazität, die für die Verarbeitung von Inferenz-Anforderungen verwendet wird, die nach Millisekunden und verarbeiteter Datenmenge abgerechnet wird. Die Computing-Gebühr hängt von der ausgewählten Arbeitsspeicher-Konfiguration ab.

    Wenn Sie Ihrem Endpunkt 2 GB Arbeitsspeicher zuweisen, ihn in einem Monat 10 Millionen Mal ausführen und jedes Mal 100 ms laufen lassen und insgesamt 10 GB an Dateneingängen und -ausgängen verarbeiten, würden Ihre Kosten wie folgt berechnet:

    Monatliche Computing-Gebühren

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

  • Der Kunde nutzt JumpStart, um ein vorab trainiertes BERT-Base-Uncased-Modell bereitzustellen, um die Stimmung der Kundenrezensionen als positiv oder negativ zu einzustufen.

    Der Kunde setzt das Modell auf zwei (2) ml.c5.xlarge-Instances für zuverlässiges Multi-AZ-Hosting ein. Das Modell erhält täglich 100 MB an Daten, und die Inferenzen umfassen 1/10 der Eingabedatenmenge.

    Stunden pro Monat Hosting-Instances Kosten pro Stunde Gesamtsumme
    24 * 31 * 2 = 1 488 ml.c5.xlarge 0,204 USD 303,55 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 0,06 USD
      10 MB * 31 = 310 MB 0,02 USD 0,01 USD
     

    Die Zwischensumme für Training, Hosting und Überwachung beträgt 305,827 USD. Die Zwischensumme für 3 100 MB an verarbeiteten eingehenden Daten und 310 MB an verarbeiteten ausgehenden Daten für Hosting pro Monat = 0,06 USD. In diesem Beispiel würden insgesamt 305,887 USD pro Monat berechnet.

Weitere Informationen zu Amazon SageMaker

Besuchen Sie die SageMaker-Übersichtsseite
Sind Sie startbereit?
Registrieren
Haben Sie noch Fragen?
Kontaktieren Sie uns