Amazon SageMaker aide les scientifiques des données et les développeurs à préparer, créer, entraîner et déployer rapidement des modèles de machine learning (ML) de haute qualité en rassemblant un large éventail de fonctionnalités conçues spécialement pour le ML. SageMaker prend en charge les cadres, boîtes à outils et langages de programmation de machine learning majeurs.

Avec SageMaker, vous ne payez que ce que vous consommez. Deux options de paiement vous sont proposées : la tarification à la demande (sans frais minimums ni engagements initiaux) et SageMaker Savings Plans (qui vous offre un modèle de tarification flexible basé sur l'utilisation, en échange d'un engagement sur une quantité constante d'utilisation).

Offre gratuite Amazon SageMaker

Vous pouvez essayer Amazon SageMaker gratuitement. Dans le cadre de l'offre gratuite d'AWS, vous pouvez commencer à utiliser Amazon SageMaker gratuitement. Votre offre gratuite commence à partir du premier mois où vous créez votre première ressource SageMaker. Les informations concernant l'offre gratuite d'Amazon SageMaker se trouvent dans le tableau ci-dessous.

Capacité d'Amazon SageMaker Utilisation mensuelle de l'offre gratuite pendant les deux premiers mois
Blocs-notes Studio et instances de blocs-notes à la demande 250 heures d'utilisation des instances ml.t3.medium sur des blocs-notes Studio OU 250 heures d'utilisations des instances ml.t2.medium ou ml.t3.medium sur des instances de blocs-notes à la demande
RStudio sur SageMaker 250 heures d'utilisation des instances ml.t3.medium sur l'application RSession ET des instances ml.t3.medium gratuites pour l'application RStudioServerPro
Data Wrangler 25 heures d'instance ml.m5.4xlarge
Feature Store 10 millions d'unités d'écriture, 10 millions d'unités de lecture, 25 Go de stockage
Formation 50 heures d'instances m4.xlarge ou m5.xlarge
Inférence en temps réel 125 heures d'instances m4.xlarge ou m5.xlarge
Inférence sans serveur 150 000 secondes de durée d'inférence
Canvas 750 heures/mois pour le temps de session, et jusqu'à 10 demandes de création de modèles/mois, chacune avec un maximum de 1 million de cellules par demande de création de modèles.

Tarification à la demande

  • Blocs-notes Studio
  • RStudio sur SageMaker
  • Instances de bloc-notes à la demande
  • Traitement
  • Data Wrangler
  • Feature Store
  • Formation
  • Inférence en temps réel
  • Inférence asynchrone
  • Batch Transform
  • Serverless Inference
  • JumpStart
  • Blocs-notes Studio
  • Blocs-notes Amazon SageMaker Studio
    Les blocs-notes Amazon SageMaker Studio sont des blocs-notes Jupyter à un clic qui peuvent être rapidement démarrés. Les ressources informatiques sous-jacentes sont entièrement Elastic, et les blocs-notes peuvent être facilement partagés avec d'autres, ce qui permet une collaboration sans faille. Vous êtes facturé au type d'instance que vous choisissez, en fonction de la durée d'utilisation.

  • RStudio sur SageMaker
  • RStudio sur SageMaker
    RStudio sur SageMaker offre des ressources de calcul dans le cloud à la demande afin d'accélérer le développement de modèles et d'améliorer la productivité. Vous êtes facturé pour les types d'instance que vous choisissez d'exécuter sur l'application RStudio Session et l'application RStudio Server Pro.

    RStudioServerPro App

  • 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 qui exécutent l'application Jupyter Notebook. Vous êtes facturé au type d'instance que vous choisissez, en fonction de la durée d'utilisation.

  • Traitement
  • Amazon SageMaker Processing
    Amazon 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. Vous êtes facturé au type d'instance que vous choisissez, en fonction de la durée d'utilisation.

  • Data Wrangler
  • Amazon SageMaker Data Wrangler
    Amazon SageMaker Data Wrangler réduit, de plusieurs semaines à quelques minutes, le temps nécessaire à l'agrégation et à la préparation des données pour le machine learning. Vous payez pour le temps utilisé pour nettoyer, explorer et visualiser les données. Le prix de SageMaker Data Wrangler est calculé à la seconde près, par type d'instance.*

    Tâches Amazon SageMaker Data Wrangler

    Une tâche de Amazon SageMaker Data Wrangler est créée lorsqu'un flux de données est exporté depuis SageMaker Data Wrangler. Avec les tâches SageMaker Data Wrangler, vous pouvez automatiser vos flux de préparation de données. Les tâches SageMaker Data Wrangler vous aident à appliquer de nouveau vos flux de préparation de données sur de nouveaux jeux de données, afin de vous faire gagner du temps. Elles sont facturées à la seconde.

  • Feature Store
  • Amazon SageMaker Feature Store
    Amazon SageMaker Feature Store est un référentiel central permettant d'ingérer, de stocker et de proposer des fonctionnalités de machine learning. L'écriture, la lecture et le stockage de données sur SageMaker Feature Store vous sont facturés. Les écritures sont facturées en unités de demande d'écriture par Ko, les lectures sont facturées mensuellement en unités de demande de lecture par 4 Ko et le stockage de données est facturé par Go.

  • Formation
  • Amazon SageMaker Training
    Amazon SageMaker facilite la formation des modèles de machine learning (ML) en fournissant tout ce dont vous avez besoin pour former, ajuster et déboguer les modèles. La facturation est établie en fonction de l'utilisation du type d'instance que vous choisissez. Lorsque vous utilisez Amazon SageMaker Debugger pour déboguer des problèmes et surveiller les ressources pendant la formation, vous pouvez utiliser les règles intégrées pour déboguer vos travaux de formation ou rédiger vos propres règles personnalisées. L'utilisation des règles intégrées pour déboguer vos offres de formation est gratuite. Concernant les règles personnalisées, vous êtes facturé au type d'instance que vous choisissez et en fonction de la durée d'utilisation.

  • Inférence en temps réel
  • Hébergement Amazon SageMaker : inférence en temps réel
    Amazon SageMaker fournit une inférence en temps réel pour vos cas d'utilisation nécessitant des prédictions en temps réel. La facturation est établie en fonction de l'utilisation du type d'instance que vous choisissez. Lorsque vous utilisez Amazon SageMaker Model Monitor pour conserver des modèles très précis fournissant une inférence en temps réel, vous pouvez utiliser des règles intégrées pour surveiller vos modèles ou rédiger vos propres règles personnalisées. Quant aux règles intégrées, vous bénéficiez de 30 heures de surveillance gratuite. Les frais supplémentaires seront fixés en fonction de la durée d'utilisation. Vous êtes facturé séparément lorsque vous utilisez vos propres règles personnalisées.

  • Inférence asynchrone
  • Inférence asynchrone Amazon SageMaker :
    L'inférence asynchrone Amazon SageMaker est une option d'inférence en temps quasi réel qui met les requêtes entrantes en file d'attente, puis les traite de manière asynchrone. Utilisez cette option lorsque vous devez traiter des charges utiles importantes au fur et à mesure de l'arrivée des données ou exécuter des modèles dont les temps de traitement d'inférence sont longs et qui n'ont pas d'exigences de latence inférieure à la seconde. Vous êtes facturé pour le type d'instance que vous choisissez.

  • Batch Transform
  • Amazon SageMaker Batch Transform
    Avec Amazon SageMaker Batch Transform, il n'est pas nécessaire de décomposer l'ensemble de données ni de gérer les points de terminaison en temps réel. SageMaker Batch Transform vous permet d'exécuter des prédictions sur des ensembles de données de grande ou petite capacité. Vous êtes facturé au type d'instance que vous choisissez, en fonction de la durée d'utilisation.

  • Serverless Inference
  • Amazon SageMaker Serverless Inference
    Amazon SageMaker Serverless Inference vous permet de déployer des modèles de machine learning pour l'inférence, sans avoir à configurer ou à gérer une quelconque infrastructure sous-jacente. Avec Serverless Inference, vous ne payez que la capacité de calcul utilisée pour traiter les demandes d'inférence, facturées à la milliseconde, et la quantité de données traitées. Les frais de calcul dépendent de la configuration de mémoire choisie.

  • JumpStart
  • Amazon SageMaker JumpStart
    Amazon SageMaker JumpStart vous aide à démarrer rapidement et facilement avec le machine learning grâce à un accès en un clic aux ensembles de modèles courants (également appelés « Model Zoos »). JumpStart offre également des solutions de bout en bout, permettant de résoudre les cas d'utilisation ML courants, qui peuvent être personnalisés en fonction de vos besoins. L'utilisation de modèles ou des solutions JumpStart n'entraîne aucuns frais supplémentaires. Vous êtes facturé pour les heures d'instances d'entraînement et d'inférence sous-jacentes utilisées, et ce de la même manière que si vous les aviez créées manuellement.

Amazon SageMaker Studio

Vous pouvez désormais accéder sans frais supplémentaires 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. Avec SageMaker Studio, vous ne payez que les frais du calcul et du stockage sous-jacents que vous utilisez dans Studio.

Vous pouvez utiliser un grand nombre de services de SageMaker Studio, d'AWS SDK pour Python (Boto3) ou d'AWS CLI, parmi lesquels :

  • SageMaker Pipelines pour l'automatisation et la gestion des flux ML
  • SageMaker Autopilot pour créer automatiquement des modèles de ML avec une visibilité totale
  • SageMaker Experiments pour organiser et suivre vos offres et versions de la formation
  • SageMaker Debugger pour déboguer les anomalies en cours d'entraînement
  • SageMaker Model Monitor pour maintenir des modèles de qualité supérieure
  • SageMaker Clarify pour mieux expliquer vos modèles ML et détecter les biais
  • SageMaker JumpStart pour déployer facilement des solutions ML pour de nombreux cas d'utilisation. Des frais peuvent vous être facturés à partir des autres services AWS utilisés dans la solution pour les appels d'API sous-jacents effectués par Amazon SageMaker en votre nom
  • SageMaker Inference Recommender pour obtenir des recommandations sur la configuration idéale du point de terminaison

Vous ne payez que les ressources de calcul et de stockage sous-jacentes dans SageMaker ou d'autres services AWS, en fonction de votre utilisation.

Amazon SageMaker Studio Lab (version préliminaire)

Vous pouvez créer et entraîner gratuitement des modèles ML à l'aide d'Amazon SageMaker Studio Lab (version préliminaire). SageMaker Studio Lab met gratuitement à la disposition des développeurs, es universitaires et des scientifiques des données un environnement de développement sans configuration pour apprendre et expérimenter le ML.

Amazon SageMaker Canvas

Amazon SageMaker Canvas étend l'accès ML en offrant aux analystes métier la possibilité de faire des prédictions ML précises à l'aide d'une interface visuelle par pointer-cliquer, sans exiger la moindre expérience en ML ou en codage.

Amazon SageMaker Data Labeling

Amazon SageMaker Data Labeling propose deux offres en matière d'étiquetage des données : Amazon SageMaker Ground Truth Plus et Amazon SageMaker Ground Truth. En savoir plus sur Amazon SageMaker Data Labeling, un service d'étiquetage des données entièrement géré qui facilite la création de jeux de données d'entraînement hautement précis pour le ML.

Amazon SageMaker Edge

En savoir plus sur la tarification d'Amazon SageMaker Edge pour optimiser, exécuter et surveiller les modèles ML sur des flottes d'appareils périphériques. 

Savings Plans Amazon SageMaker

Amazon SageMaker Savings Plans vous offre jusqu'à 64 % de réduction sur les coûts. Les plans s'appliquent automatiquement à l'utilisation des instances ML SageMaker éligibles, comme les blocs-notes SageMaker Studio, les blocs-notes SageMaker à la demande, SageMaker Processing, SageMaker Data Wrangler, SageMaker Training, SageMaker Real-Time Inference et SageMaker Batch Transform, indépendamment de la famille et de la taille d'instance ou de la région. Par exemple, vous pouvez à tout moment passer d'une instance de processeur ml.c5.xlarge s'exécutant dans la région USA Est (Ohio) à une instance ml.Inf1 s'exécutant dans la région USA Ouest (Oregon) pour des charges de travail d'inférence, et toujours bénéficier automatiquement de la tarification Savings Plans. 

En savoir plus »

Coût total de possession (TCO) avec Amazon SageMaker

Par rapport à d'autres solutions autogérées basées sur le cloud, Amazon SageMaker permet de réduire d'au moins 54 % le coût total de possession (TCO) sur trois ans. En savoir plus sur l'analyse complète du TCO sur Amazon SageMaker.

Exemples de tarification

  • Exemple de tarification 1 : blocs-notes Studio

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

    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 sur 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. Il travaille simultanément sur le bloc-notes 1 et le bloc-notes 2 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 pour 1 heure.
    Application de noyau Instance de bloc-notes Heures Prix par heure Total
    TensorFlow ml.c5.xlarge 1 0,204 USD 0,204 USD
    TensorFlow ml.c5.xlarge 0,5 0,204 USD 0,102 USD
    Science des données ml.c5.xlarge 0,5 0,204 USD 0,102 USD
            0,408 USD
  • Exemple de tarification 2 : RStudio sur SageMaker

    Un scientifique des données passe par la séquence d'actions suivante lorsqu'il utilise RStudio sur SageMaker :

    1. Lance RSession 1 sur une instance ml.c5.xlarge, puis travaille sur ce bloc-notes pendant 1 heure.
    2. Lance RSession 2 sur une instance ml.c5.xlarge. Il s'ouvrira automatiquement dans la même instance ml.c5.xlarge que celle qui exécute RSession 1.
    3. Travaille sur la RSesssion 1 et la RSession 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 RSession 1 et RSession 2, chaque application RSession sera mesurée pendant 0,5 heure et elle sera facturée pour 1 heure.

    Pendant ce temps, le RServer fonctionne 24 heures sur 24 et 7 jours sur 7, qu'il y ait des RSessions en cours ou non. Si l'administrateur choisit « Small » (ml.t3.medium), alors il est gratuit. En revanche, s'il choisit « Medium » (ml.c5.4xlarge) ou « Large » (ml.c5.9xlarge), il est facturé à l'heure dans la mesure où RStudio est activé pour le domaine SageMaker.

    Application RSession Instance RSession Heures Prix par heure Total
    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
  • Exemple de tarification 3 : traitement

    Amazon SageMaker Processing ne facture que les instances utilisées pendant l'exécution de vos tâches. Lorsque vous fournissez les données d'entrées à traiter dans Simple Storage Service (Amazon S3), Amazon SageMaker télécharge les données à partir de Simple Storage Service (Amazon S3) sur un stockage de fichiers local au démarrage 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 0,922 USD 0,308 USD
    Stockage (Go) polyvalent (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 = 0,308 USD.
    Le sous-total du stockage SSD polyvalent de 200 Go = 0,0032 USD.
    Dans cet exemple, le prix total serait de 0,3112 USD.

  • Exemple de tarification 4 : Data Wrangler

    En tant que scientifique des données, vous utilisez Amazon SageMaker Data Wrangler pendant trois jours pour nettoyer, explorer et visualiser vos données pendant six heures par jour. Pour exécuter votre pipeline de préparation des données, vous lancez ensuite une tâche SageMaker Data Wrangler programmée pour s'exécuter chaque semaine.

    Le tableau ci-dessous résume votre utilisation totale pour le mois et les frais associés à l'utilisation d'Amazon SageMaker Data Wrangler.

    Application Instance SageMaker Studio Jours Durée Durée totale Prix par heure Sous-total du prix
    SageMaker Data Wrangler ml.m5.4xlarge 6 heures 18 heures 0,922 USD 16,596 USD
    Tâche SageMaker Data Wrangler ml.m5.4xlarge - 40 minutes 2,67 heures 0,922 USD 2,461 USD

    D'après le tableau, vous utilisez Amazon SageMaker Data Wrangler pendant un total de 18 heures sur 3 jours pour préparer vos données. De plus, vous créez une tâche SageMaker Data Wrangler pour préparer des données mises à jour chaque semaine. Chaque tâche dure 40 minutes et s'exécute chaque semaine pendant un mois.

    Total des frais mensuels d'utilisation de Data Wrangler = 16,596 USD + 2,461 USD = 19,097 USD

  • Exemple de tarification 5 : Feature Store

    Vous disposez d'une application web qui émet des lectures et des écritures de 25 Ko chacune dans Amazon SageMaker Feature Store. Pendant les 10 premiers jours d'un mois, vous recevez peu de notifications vers votre application, à savoir 10 000 écritures et 10 000 lectures par jour dans SageMaker Feature Store. Cependant, le jour 11, votre application attire l'attention sur les réseaux sociaux et son flux atteint 200 000 lectures et 200 000 écritures ce jour-là. Votre application s'installe alors via un flux plus régulier, avec une moyenne de 80 000 lectures et de 80 000 écritures chaque jour jusqu'à la fin du mois.

    Le tableau ci-dessous résume votre utilisation totale mensuelle et les frais associés à l'utilisation de Amazon SageMaker Feature Store.

    Jour du mois Écritures totales Unités d'écriture totales Lectures totales Unités de lecture totales
    Jours 1 à 10 100.000 écritures 
    (10.000 écritures x 10 jours)
    2.500.000 
    (100,000 x 25 Ko)
    100.000 
    (10.000 x 10 jours)
    700.000++ 
    (100 000 x 25/4 Ko )
             
    Jour 11 200 000 écritures 5.000.000 
    (200.000 x 25 Ko)
    200.000 lectures 1.400.000++ 
    (200.000 x 25/4Ko)
             
    Jours 12 à 30 1 520 000 écritures 
    (80.000 x 19 jours)
    38.000.000 
    (1 520 000 x 25 Ko)
    1 520 000 écritures
    (80 000 x 19 jours)
    10 640 000++
    (1 520 000 x 25/4 Ko)
             
    Unités chargeables totales   45.500.000 unités d’écriture   12.740.000 unités de lecture
    Frais mensuels des écritures et lectures   56,875 USD 
    (45,5 millions unités d’écriture x 1,25 USD par million d’écriture)
      3,185 USD 
    (12,74 millions d’unités de lecture x 0,25 USD par million de lecture)

    ++ Toutes les unités de lecture fractionnaires sont arrondies au nombre entier suivant

    Stockage de données
    Total de données stockées = 31,5 Go
    Frais mensuels pour le stockage des données = 31,5 Go x 0,45 USD = 14,175 USD

    Total des frais mensuels Amazon SageMaker Feature Store = 56,875 USD + 3,185 USD + 14,175 USD = 74,235 USD

  • Exemple de tarification 6 : entraînement

    Un 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 entraîne le modèle en utilisant 3 Go de données d'entraînement dans Simple Storage Service (Amazon S3) et envoie 1 Go de données générées dans Simple Storage Service (Amazon S3). SageMaker crée des volumes SSD polyvalents (gp2) pour chaque instance d'entraînement. SageMaker crée également des volumes SSD polyvalents (gp2) pour chaque règle spécifiée. Dans cet exemple, un total de quatre volumes SSD polyvalents (gp2) seront créés. SageMaker Debugger émet 1 Go de données de débogage vers le compartiment Simple Storage Service (Amazon S3) du client.

     

    Heures Instance d'entraînement Instance de débogage Prix par heure Sous-total
    4 x 0,5 = 2,00 ml.m4.4xlarge Non applicable 0,96 USD 1,92 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 0,23 USD 0,46 USD
            -------
            2,38 USD
      Stockage polyvalent (SSD) pour l'entraînement (Go) Stockage polyvalent (SSD) pour les règles Debugger intégrées (Go) Stockage polyvalent (SSD) pour les règles Debugger personnalisées (Go) Coût par Go/mois Sous-total
    Capacité utilisée 3 2 1    
    Coût 0 USD Aucun frais supplémentaire pour les volumes de stockage de règle intégrée 0 USD 0,10 USD 0 USD

    Dans cet exemple, les frais totaux pour l'entraînement et le débogage s'élèvent à 2,38 USD. Les instances de calcul et les volumes de stockage polyvalents utilisés par les règles intégrées d'Amazon SageMaker Debugger n'engendrent pas de frais supplémentaires.

  • Exemple de tarification 7 : inférence en temps réel

    Le modèle de l'exemple n° 5 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 cinq minutes pour être exécutée. Le modèle reçoit 100 Mo de données par jour, et les inférences représentent 1/10e de la taille des données entrantes.

    Heures par mois Instances d'hébergement Instances Model Monitor Prix par heure Total
    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

     

    Données entrantes par mois – Hébergement Données sortantes par mois – Hébergement Prix par Go entrant ou sortant Total
    100 Mo * 31 = 3 100 Mo   0,016 USD 0,0496 USD
      10 Mo * 31 = 310 Mo 0,016 USD 0,00496 USD

    Le sous-total pour l'entraînement, l'hébergement et la surveillance s'élève à 305,827 USD. Le sous-total pour 3 100 Mo de données traitées entrantes et 310 Mo de données traitées sortantes pour l'hébergement par mois = 0,054 USD. Dans cet exemple, le coût total s'élèverait à 305,881 USD par mois.

    Remarque : pour les règles intégrées à 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 8 : inférence asynchrone

    L'inférence asynchrone Amazon SageMaker vous facture les instances utilisées par votre point de terminaison. Lorsque les instances ne traitent pas activement les requêtes, vous avez la possibilité de configurer la mise à l'échelle automatique pour réduire le nombre d'instances à zéro afin de réduire les coûts. Pour les charges utiles entrantes dans Simple Storage Service (Amazon S3), il n'y a pas de coût pour lire les données entrantes à partir de Simple Storage Service (Amazon S3) et écrire les données sortantes sur S3 dans la même région.

    Le modèle de l'exemple n° 5 est utilisé pour exécuter un point de terminaison d'inférence asynchrone SageMaker. Le point de terminaison est configuré pour fonctionner sur une instance ml.c5.xlarge et réduire le nombre d'instances à zéro lorsqu'il ne traite pas activement des requêtes. L'instance ml.c5.xlarge du point de terminaison a un stockage polyvalent (SSD) de 4 Go qui lui est attaché. Dans cet exemple, le point de terminaison maintient un nombre d'instances de 1 pendant deux heures par jour et dispose d'un temps de stabilisation de 30 minutes, après quoi il réduit à zéro le nombre d'instances pour le reste de la journée. Par conséquent, vous êtes facturé pour 2,5 heures d'utilisation par jour. 

    Le point de terminaison traite 1 024 requêtes par jour. La taille de chaque corps de requête/réponse d'appel est de 10 Ko, et celle de chaque charge utile de requête d'inférence dans Simple Storage Service (Amazon S3) de 100 Mo. Les sorties d'inférence font 1/10e de la taille des données d'entrée qui sont stockées dans Simple Storage Service (Amazon S3) dans la même région. Dans cet exemple, les frais de traitement des données s'appliquent au corps de requête et de réponse, mais pas aux données transférées vers/depuis Simple Storage Service (Amazon S3). 

    Heures par mois Instances d'hébergement Prix par heure Total
    2,5 x 31 x 1 = 77,5 ml.c5.xlarge 0,20 USD 15,81 USD
    Stockage (Go) polyvalent (SSD) Coût par Go/mois Total
    4 0,14 USD 0,56 USD
    Données entrantes par mois Données sortantes par mois Prix par Go entrant ou sortant Total
    10 Ko * 1 024 * 31 = 310 Mo 10 Ko * 1 024 * 31 = 310 Mo 0,02 USD 0,0048
      10 Ko * 1 024 * 31 = 310 Mo 0,02 USD 0,0048

    Le sous-total de l'inférence asynchrone SageMaker s'obtient en faisant le calcul suivant : 15,81 USD + 0,56 USD + 2 * 0,0048 = 16,38 USD. Dans cet exemple, le coût total de l'inférence asynchrone s'élèverait à 16,38 USD par mois.

  • Exemple de tarification 9 : Batch Transform

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

    Le modèle de l'exemple n° 5 est utilisé pour exécuter SageMaker Batch Transform. La scientifique des données exécute quatre tâches SageMaker Batch Transform distinctes sur 3 ml.m4.4xlarge à raison de 15 minutes par tâche. Elle charge un ensemble de données d'évaluation de 1 Go dans S3 pour chaque cycle, et les inférences représentent 1/10e de la taille des données d'entrée, lesquelles sont stockées dans S3.

    Heures  Instances d'entraînement Prix par heure Total
    3 x 0,25 x 4 = 3 heures ml.m4.4xlarge 0,96 USD 2,88 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 USD

    Le sous-total pour la tâche SageMaker Batch Transform est de 2,88 USD. Le sous-total pour 4,4 Go dans Simple Storage Service (Amazon S3) s'élève à 0 USD. Dans cet exemple, le prix total serait de 2,90 USD.

  • Exemple de tarification 10 : Serverless Inference

    Avec Serverless Inference, vous ne payez que la capacité de calcul utilisée pour traiter les demandes d'inférence, facturées à la milliseconde, et la quantité de données traitées. Les frais de calcul dépendent de la configuration de mémoire choisie.

    Si vous allouez 2 Go de mémoire à votre point de terminaison, que vous l'exécutez 10 millions de fois en un mois pendant 100 minutes à chaque fois et que vous traitez 10 Go de données entrantes/sortantes au total, vos frais seront calculés comme suit :

    Frais de calcul mensuels

    Nombre de requêtes Durée de chaque requête Durée d'inférence totale (s) Coût par seconde Frais de durée d'inférence mensuels
    10 millions 100 ms 1 million 0,00004 USD 40 USD

    Frais de traitement de données mensuels

    Traitement de données (Go) Prix par Go entrant ou sortant Frais de traitement de données mensuels
    10 Go 0,016 USD 0,16 USD

    Le sous-total des frais de durée de SageMaker Serverless Inference est de 40 USD. Le sous-total des frais de traitement de 10 Go de données est de 0,16 USD. Dans cet exemple, le prix total serait de 40,16 USD.

  • Exemple de tarification 11 : JumpStart

    Le client utilise JumpStart pour déployer un modèle BERT Base Uncased pré-entraîné afin de classer comme positif ou négatif le ressenti issu des commentaires des clients.

    Le client déploie le modèle sur deux (2) instances ml.c5.xlarge pour un hébergement Multi-AZ fiable. Le modèle reçoit 100 Mo de données par jour, et les inférences représentent 1/10e de la taille des données entrantes.

    Heures par mois Instances d'hébergement Prix par heure Total
    24 * 31 * 2 = 1 488 ml.c5.xlarge 0,204 USD 303,55 USD
     
    Données entrantes par mois – Hébergement Données sortantes par mois – Hébergement Prix par Go entrant ou sortant

    Total

    100 Mo * 31 = 3 100 Mo   0,02 USD 0,06 USD
      10 Mo * 31 = 310 Mo 0,02 USD 0,01 USD
     

    Le sous-total pour l'entraînement, l'hébergement et la surveillance s'élève à 305,827 USD. Le sous-total pour 3 100 Mo de données traitées entrantes et 310 Mo de données traitées sortantes pour l'hébergement par mois = 0,06 USD. Dans cet exemple, le coût total s'élèverait à 305,887 USD.

En savoir plus sur Amazon SageMaker

Visitez la page de présentation de SageMaker
Prêt à vous lancer ?
S'inscrire
D'autres questions ?
Nous contacter