Avec Amazon SageMaker, vous ne payez qu'en fonction de votre consommation. La création, la formation et le déploiement de modèles ML sont facturés à la seconde, sans frais minimum ni engagements initiaux.

Essayer gratuitement Amazon SageMaker

Dans le cadre de l'offre gratuite d'AWS, vous pouvez commencer à utiliser Amazon SageMaker gratuitement. Si vous n'avez jamais utilisé Amazon SageMaker par le passé, vous pouvez bénéficier d'une offre gratuite mensuelle (pendant les deux premiers mois) comprenant 250 heures d'utilisation du bloc-notes t2.medium ou t3.medium avec des instances de blocs-notes à la demande ou des instances t3.medium avec les blocs-notes SageMaker Studio pour la création de vos modèles, plus 50 heures d'utilisation de m4.xlarge ou m5.xlarge pour l'entraînement, ainsi que 125 heures d'utilisation de m4.xlarge ou m5.xlarge pour le déploiement de modèles de machine learning pour l'inférence en temps réel et la transformation par lots avec Amazon SageMaker. L'offre gratuite ne couvre pas l'utilisation des volumes de stockage. Votre offre gratuite commence à partir du premier mois où vous créez votre première ressource SageMaker.

Amazon SageMaker Studio est gratuit

Vous pouvez désormais accéder gratuitement à Amazon SageMaker Studio, le premier environnement de développement entièrement intégré (IDE). Grâce à SageMaker Studio, vous avez un accès et une visibilité complets sur chaque étape nécessaire à la création, à l'entraînement et au déploiement de modèles. SageMaker Studio est gratuit ; vous ne payez que les services AWS que vous utilisez avec Studio.

Réduction du coût total de possession avec Amazon SageMaker

Comparé à d'autres solutions cloud autogérées, Amazon SageMaker permet de réduire d'au moins 54 % le coût total de possession sur 3 ans. L'analyse détaillée du coût total de possession pour Amazon SageMaker est disponible ici.

  • Blocs-notes Studio
  • Instances de bloc-notes à la demande
  • Traitement
  • Entraînement
  • Inférence en temps réel
  • Batch Transform
  • Blocs-notes Studio
  • Blocs-notes SageMaker Studio
    Les blocs-notes Studio sont des blocs-notes Jupyter en un clic qui peuvent être démarrés rapidement. Les ressources de calcul sous-jacentes sont entièrement élastiques. Ces blocs-notes peuvent être partagés pour une collaboration fluide. 

  • Instances de bloc-notes à la demande
  • Instances de bloc-notes à la demande
    Les instances de bloc-notes à la demande sont des instances de calcul de machine learning (ML) qui exécutent l'application Jupyter Notebook. La facturation est établie en fonction de l'utilisation du type d'instance que vous employez. Chaque bloc-notes est listé séparément sur votre facture.

  • Traitement
  • SageMaker Processing
    SageMaker Processing permet d'exécuter simplement les charges de travail de prétraitement, de post-traitement et d'évaluation du modèle sur une infrastructure entièrement gérée.

  • Entraînement
  • Entraînement SageMaker
    SageMaker facilite l'entraînement des modèles de machine learning (ML) en fournissant tout ce dont vous avez besoin pour entraîner, ajuster et déboguer les modèles. Avec SageMaker Debugger, les règles intégrées sont gratuites. En ce qui concerne les règles personnalisées, vous devez choisir une instance, et la durée d'utilisation de l'instance vous sera facturée.

  • Inférence en temps réel
  • Hébergement SageMaker : inférence en temps réel
    Lorsque vous déployez vos modèles comme points de terminaison Amazon SageMaker pour une inférence en temps réel et lorsque vous activez Amazon SageMaker Model Monitor, vous pouvez utiliser des règles intégrées pour surveiller vos modèles ou écrire des règles personnalisées. Pour les règles intégrées, vous bénéficiez de 30 heures de surveillance gratuite. L'utilisation supplémentaire dépend de l'utilisation effective.

  • Batch Transform
  • Hébergement SageMaker : Batch Transform
    Avec Batch Transform, il n'est pas nécessaire de décomposer l'ensemble de données ni de gérer les points de terminaison en temps réel. Batch Transform permet d'exécuter des prédictions sur des ensembles de données de grande ou de petite taille.

Exemple de tarification 1 : blocs-notes Studio

Un scientifique des données passe par la séquence d'actions suivante lorsqu'il utilise les blocs-notes SageMaker.

  1. Ouvre le bloc-notes 1 dans un noyau TensorFlow sur une instance ml.c5.xlarge, puis travaille sur ce bloc-notes pendant 1 heure.
  2. Ouvre le bloc-notes 2, une instance ml.c5.xlarge. Il s'ouvrira automatiquement dans la même instance ml.c5.xlarge que celle qui exécute le bloc-notes 1. 
  3. Travaille sur le bloc-notes 1 et le bloc-notes 2 simultanément pendant 1 heure. 
  4. Le scientifique des données sera facturé pour un total de deux (2) heures d'utilisation de ml.c5.xlarge. Pour l'heure de chevauchement où elle a travaillé simultanément sur le bloc-notes 1 et le bloc-notes 2, chaque application de noyau sera mesurée pendant 0,5 heure et elle sera facturée pendant 1 heure.
Application de noyau Instance de bloc-notes Heures Sous-total du coût horaire Total
TensorFlow ml.c5.xlarge 1 0,24 USD  
TensorFlow ml.c5.xlarge 0,5 0,12 USD  
Science des données ml.c5.xlarge 0,5 0,12 USD  
        0,48 USD

Exemple de tarification 2 : traitement

Le traitement Amazon SageMaker ne facture que les instances utilisées pendant l'exécution de vos tâches. Lorsque vous fournissez les données d'entrées à traiter dans Amazon S3, Amazon SageMaker télécharge les données depuis Amazon S3 sur un stockage de fichiers local au début d'une tâche de traitement.

L'analyste de données exécute une tâche de traitement pour prétraiter et valider les données sur deux instances ml.m5.4xlarge pour une durée de 10 minutes. Elle charge un ensemble de données de 100 Go dans S3 comme entrée pour la tâche de traitement, et les données générées avec à peu près la même taille sont à nouveau stockées dans S3.

Heures   Instances de traitement  Prix par heure Total
1 * 2 * 0,167 = 0,334 ml.m5.4xlarge 1,075 USD 0,359 USD
Stockage (Go) à usage général (SSD)
 Prix par heure Total
100 Go * 2 = 200
0,14 USD 0,0032 USD

Le sous-total de la tâche de traitement Amazon SageMaker = 0,359 USD ;
Le sous-total du stockage SSD à usage général de 200 Go = 0,0032 USD.
Dans cet exemple, le prix total serait de 0,3622 USD

Exemple de tarification 3 : entraînement

Une scientifique des données a travaillé pendant une semaine sur un modèle afin de donner forme à une nouvelle idée. Elle forme le modèle 4 fois sur une instance ml.m4.4xlarge pendant 30 minutes par exécution de formation avec le Amazon SageMaker Debugger activé en utilisant deux règles intégrées et une règle personnalisée qu'elle a écrite. Pour la règle personnalisée, elle a spécifié une instance ml.m5.xlarge. Elle forme en utilisant 3 Go de données formées dans Amazon S3 et envoie en mode push 1 Go de données générées dans Amazon S3. SageMaker crée des volumes SSD à usage général (gp2) pour chaque instance de formation. SageMaker crée également des volumes SSD à usage général (gp2) pour chaque règle spécifiée. Dans cet exemple, un total de 4 volumes SSD à usage général (gp2) seront créés. SageMaker Debugger émet 1 Go de données de débogage vers le compartiment Amazon S3 du client.

Heures Instance de formation Instance de débogage Prix par heure
Sous-total
4 * 0,5 = 2,00
ml.m4.4xlarge
Non applicable 1,12 USD 2,24 USD
4 * 0,5 * 2 = 4
Non applicable
Aucun frais supplémentaire pour les instances de règle intégrée 0 USD
0 USD
4 * 0,5 = 2
ml.m5.xlarge Non applicable 0,27 USD 0,54 USD
        -------
        2,78 USD
  Stockage à usage général (SSD) pour formation (Go)
Stockage à usage général (SSD) pour règles intégrées de Debugger (Go) Stockage à usage général (SSD) pour règles personnalisées de Debugger (Go) Coût par Go-mois Sous-total
Capacité utilisée 3 2 1    
Coût 0,00083 USD Aucun frais supplémentaire pour les volumes de stockage de règle intégrée
0,00028 USD 0,10000 USD 0,0011 USD

Dans cet exemple, les frais totaux pour l'entraînement et le débogage s'élèvent à 2,7811 USD. Les instances de calcul et les volumes de stockage à usage général utilisés par les règles intégrées de SageMaker Debugger n'entraînent pas de frais supplémentaires.

Exemple de tarification 4 : inférence

Le modèle de l'exemple 3 est ensuite déployé en production vers deux (2) instances ml.c5.xlarge pour un hébergement multi-AZ fiable. Amazon SageMaker Model Monitor est activé avec une (1) instance ml.m5.4xlarge et des tâches de surveillance sont programmées une fois par jour. Chaque tâche de surveillance nécessite 5 minutes pour être exécutée. Le modèle reçoit 100 Mo de données par jour, et les inférences représentent 1/10 de la taille des données entrantes.

Heures par mois Instances d'hébergement Instances du Model Monitor
Prix par heure Total
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
Données entrantes par mois – Hébergement Données sortantes par mois – Hébergement Prix par Go entrant ou sortant Total
100 Mo x 31 = 3 100 Mo
  0,02 USD 0,050 USD
  10 Mo x 31 = 310 Mo 0,02 USD 0,006 USD

Le sous-total pour l'entraînement, l'hébergement et la surveillance s'élève à 356,832 USD. Le sous-total pour 3 100 Mo de données entrantes traitées et 310 Mo de données sortantes traitées pour l'hébergement par mois s'élève à 0,056 USD. Dans cet exemple, le coût total s'élèverait à 356,887 USD.

Remarque : Pour les règles intégrées avec l'instance ml.m5.xlarge, vous obtenez chaque mois, gratuitement, jusqu'à 30 heures de surveillance regroupées sur tous les points de terminaison.

Exemple de tarification 5 : Batch Transform

Amazon SageMaker Batch Transform ne facture que les instances utilisées pendant l'exécution de vos tâches. Si vos données sont déjà dans Amazon S3, il n'y a aucun coût pour lire les données d'entrée provenant de S3 et écrire les données de sortie dans S3.

Le modèle de l'exemple 1 est utilisé pour exécuter Batch Transform. Le spécialiste des données exécute quatre tâches Batch Transform sur 3 ml.m4.4xlarge pendant 15 minutes par tâche. Elle télécharge un ensemble de données d'évaluation de 1 Go dans S3 pour chaque cycle, et les inférences sont de 1/10 de la taille des données d'entrée qui sont stockées dans S3.

Heures   Instances de formation  Prix par heure Total
3 x 0,25 x 4 = 3 heures ml.m4.xlarge 1,12 USD 3,36 USD
Go de données d'entrée – Batch Transform
Go de données de sortie – Batch Transform Prix par Go entrant ou sortant Total
0 0 0,02 USD 0

Le sous-total pour la tâche Batch Transform s'élève à 3,36 USD. Le sous-total pour 4,4 Go dans Amazon S3 s'élève à 0.  Dans cet exemple, le prix total serait de 3,36 USD.

En savoir plus sur les fonctionnalités d'Amazon SageMaker

Consulter la page des fonctionnalités
Prêt à vous lancer ?
S'inscrire
D'autres questions ?
Contactez-nous