Dengan Amazon SageMaker, Anda memiliki dua pilihan untuk membayar, dan Anda hanya membayar untuk yang Anda gunakan. Harga sesuai permintaan ditagih berdasarkan detik, tanpa biaya minimum dan komitmen di muka. SageMaker Savings Plans juga menawarkan model harga berbasis penggunaan yang fleksibel untuk ditukarkan dengan komitmen terhadap jumlah penggunaan yang konsisten.
Mulai gunakan Amazon SageMaker secara gratis
Amazon SageMaker dapat dicoba secara gratis. Sebagai bagian dari AWS Tingkat Gratis, Anda dapat memulai Amazon SageMaker secara gratis. Tingkat gratis Anda dimulai dari bulan pertama saat Anda membuat sumber daya SageMaker pertama Anda. Detail tingkat gratis untuk Amazon SageMaker ada di tabel berikut ini.
| Kemampuan Amazon SageMaker | Penggunaan Tingkat gratis per bulan selama 2 bulan pertama |
|---|---|
| Notebook Amazon SageMaker Studio, instans notebook Sesuai Permintaan | 250 jam instans ml.t3.medium di notebook Studio ATAU 250 jam instans ml.t2 medium atau instans ml.t3.medium pada instans notebook sesuai permintaan |
| Amazon SageMaker Data Wrangler | 25 jam instans ml.m5.4xlarge |
| Amazon SageMaker Feature Store | 10 juta unit tulis, 10 juta unit baca, 25 GB penyimpanan |
| Pelatihan | 50 jam instans m4.xlarge atau m5.xlarge |
| Inferensi | 125 jam instans m4.xlarge atau m5.xlarge |
Amazon SageMaker Savings Plans
Amazon SageMaker Savings Plans membantu mengurangi biaya Anda hingga sebesar 64%. Paket akan otomatis diterapkan pada penggunaan instans machine learning (ML) SageMaker yang memenuhi syarat, termasuk SageMaker Studio Notebooks, SageMaker On-Demand Notebooks, SageMaker Processing, SageMaker Data Wrangler, SageMaker Training, SageMaker Real-Time Inference, dan SageMaker Batch, terlepas dari keluarga, ukuran, atau wilayah instans. Sebagai contoh, Anda dapat mengubah penggunaan dari ml.c5.xlarge instans CPU yang berjalan di US East (Ohio) ke instans ml.Inf1 di US West (Oregon) untuk beban kerja inferensi kapan saja dan otomatis melanjutkan membayar harga Savings Plans. Pelajari selengkapnya »
Amazon SageMaker Studio dapat diperoleh tanpa biaya tambahan
Kini Anda dapat mengakses Amazon SageMaker Studio, lingkungan pengembangan terintegrasi penuh (IDE) pertama secara gratis. SageMaker Studio memberikan Anda akses dan visibilitas penuh ke dalam setiap langkah yang diperlukan untuk membangun, melatih, dan menerapkan model. Dengan menggunakan SageMaker Studio secara gratis, Anda hanya membayar layanan AWS yang Anda gunakan di Studio.
Anda dapat menggunakan banyak layanan dalam SageMaker Studio tanpa biaya tambahan, termasuk:
- SageMaker Pipelines untuk mengotomatiskan dan mengelola alur kerja ML otomatis
- SageMaker Autopilot untuk secara otomatis membuat model ML dengan visibilitas penuh
- SageMaker Experiments untuk mengatur dan melacak tugas dan versi pelatihan Anda
- SageMaker Debugger untuk men-debug anomali selama pelatihan Anda
- SageMaker Model Monitor untuk menjaga kualitas tinggi model
- SageMaker Clarify untuk menjelaskan model ML Anda dengan lebih baik, dan
- SageMaker JumpStart untuk menerapkan solusi ML dengan mudah bagi banyak kasus penggunaan
Cukup bayar untuk komputasi dan sumber daya penyimpanan dasar di SageMaker atau layanan AWS lainnya, sesuai pemakaian Anda.
Amazon SageMaker Jumpstart dan proyek Amazon SageMaker adalah produk yang disediakan AWS Service Catalog. Anda mungkin dikenakan biaya dari AWS Service Catalog untuk panggilan API dasar yang dibuat oleh Amazon SageMaker ke AWS Service Catalog atas nama Anda. Lihat https://aws.amazon.com/servicecatalog/pricing/ untuk rinciannya.
Amazon SageMaker Ground Truth
Pelajari lebih lanjut tentang harga Amazon SageMaker Ground Truth, layanan pelabelan data terkelola penuh yang memudahkan pembuatan set data pelatihan yang sangat akurat untuk machine learning.
Amazon SageMaker Edge Manager
Pelajari lebih lanjut tentang harga Amazon SageMaker Edge Manager untuk mengoptimalkan, menjalankan, dan memantau model ML di armada perangkat edge.
Total biaya kepemilikan (TCO) lebih rendah dengan Amazon SageMaker
Amazon SageMaker menawarkan total biaya kepemilikan (TCO) setidaknya 54% lebih rendah selama periode 3 tahun dibandingkan dengan solusi berbasis cloud lainnya yang dikelola sendiri. Pelajari lebih lanjut dengan Analisis TCO lengkap untuk Amazon SageMaker.
Kalkulator Harga Amazon SageMaker
Kini Anda dapat memperkirakan pengeluaran Anda atas penggunaan Amazon SageMaker, menggunakan Kalkulator Harga SageMaker. Dengan kalkulator harga, Anda bisa mendapatkan perkiraan biaya atas kasus penggunaan Anda, mengekspor perkiraan Anda untuk analisis luring, dan menyesuaikan pengeluaran menurut kebutuhan Anda.
-
Notebook Studio
-
Instans Notebook Sesuai Permintaan
-
Pemrosesan
-
Data Wrangler
-
Feature Store
-
Pelatihan
-
Inferensi Waktu Nyata
-
Inferensi Asinkron
-
Batch Transform
-
Notebook Studio
-
Amazon SageMaker Studio Notebooks
Notebook Amazon SageMaker Studio adalah notebook Jupyter sekali klik yang dapat dijalankan dengan cepat. Sumber daya komputasi dasarnya sepenuhnya elastis dan notebook dapat dengan mudah dibagikan dengan orang lain sehingga memungkinkan kolaborasi yang lancar. Anda akan dikenai biaya untuk jenis instans yang Anda pilih, berdasarkan durasi penggunaan.
-
Instans Notebook Sesuai Permintaan
-
Instans Notebook Sesuai Permintaan
Instans Notebook Sesuai Permintaan adalah instans komputasi yang menjalankan app notebook Jupyter. Anda akan dikenai biaya untuk jenis instans yang Anda pilih, berdasarkan durasi penggunaan.
-
Pemrosesan
-
Amazon SageMaker Processing
Amazon SageMaker Processing memungkinkan Anda menjalankan beban kerja prapemrosesan, pascapemrosesan, dan evaluasi model dengan mudah pada infrastruktur terkelola penuh. Anda akan dikenai biaya untuk jenis instans yang Anda pilih, berdasarkan durasi penggunaan.
-
Data Wrangler
-
Amazon SageMaker Data Wrangler
Amazon SageMaker Data Wrangler mengurangi waktu pengumpulan dan penyiapan data untuk machine learning dari minggu ke menit. Cukup bayar atas waktu yang digunakan untuk membersihkan, menjelajahi, dan memvisualisasikan data. SageMaker Data Wrangler dikenakan harga per jenis instans per detik.*
-
Feature Store
-
Amazon SageMaker Feature Store
Amazon SageMaker Feature Store adalah repositori pusat untuk menyerap, menyimpan, dan melayani fitur untuk machine learning. Anda dikenai biaya untuk menulis, membaca, dan penyimpanan data di SageMaker Feature Store. Penulisan dikenai biaya sebagai unit permintaan tulis per KB, pembacaan dikenai biaya sebagai unit permintaan baca per 4KB, dan penyimpanan data dikenai biaya per GB per bulan.
-
Pelatihan
-
Pelatihan Amazon SageMaker
Amazon SageMaker memudahkan pelatihan model machine learning (ML) dengan menyediakan semua yang Anda butuhkan untuk melatih, menyetel, dan men-debug model. Anda akan ditagih atas penggunaan jenis instans yang Anda pilih. Saat Anda menggunakan Amazon SageMaker Debugger untuk men-debug masalah dan memantau sumber daya selama pelatihan, Anda dapat menggunakan aturan bawaan untuk men-debug tugas pelatihan Anda atau menulis aturan kustom Anda sendiri. Penggunaan aturan bawaan untuk men-debug tugas pelatihan Anda tidak dikenakan biaya. Untuk aturan kustom, Anda akan dikenakan biaya atas jenis instans yang Anda pilih, berdasarkan durasi penggunaan.
-
Inferensi Waktu Nyata
-
Hosting Amazon SageMaker: Inferensi Waktu Nyata
Amazon SageMaker memberikan inferensi waktu nyata untuk kasus penggunaan Anda yang memerlukan prediksi waktu nyata. Anda akan ditagih atas penggunaan jenis instans yang Anda pilih. Bila Anda menggunakan Amazon SageMaker Model Monitor untuk mempertahankan model akurasi tinggi yang menyediakan inferensi waktu nyata, Anda dapat menggunakan aturan bawaan untuk memantau model Anda atau menulis aturan kustom Anda sendiri. Untuk aturan internal, Anda mendapatkan hingga 30 jam pemantauan tanpa biaya. Biaya tambahan akan dihitung sesuai durasi penggunaan. Ada biaya terpisah bila menggunakan aturan kustom Anda sendiri.
-
Inferensi Asinkron
-
Inferensi Asinkron Amazon SageMaker:
Inferensi Asinkron Amazon SageMaker merupakan opsi inferensi mendekati waktu nyata yang mengantrekan permintaan masuk dan memprosesnya secara asinkron. Gunakan opsi ini saat Anda perlu memproses muatan besar ketika data datang atau menjalankan model yang memiliki waktu pemrosesan inferensi yang lama dan tidak memiliki persyaratan latensi sub-detik. Anda dikenakan biaya untuk jenis instans yang Anda pilih. -
Batch Transform
-
Batch Transform Amazon SageMaker
Dengan Batch Transform Amazon SageMaker, Anda tidak perlu merinci set data menjadi beberapa bagian atau mengelola titik akhir waktu nyata. Batch Transform SageMaker memungkinkan Anda menjalankan prediksi pada set data batch besar atau kecil. Anda akan dikenai biaya untuk jenis instans yang Anda pilih, berdasarkan durasi penggunaan.
Contoh Harga #1: Notebook Studio
Data scientiest melalui urutan tindakan berikut selagi menggunakan Notebook Amazon SageMaker Studio.
- Membuka notebook 1 di kernel TensorFlow di instans ml.c5.xlarge, lalu bekerja di notebook ini selama 1 jam.
- Membuka notebook 2 di instans ml.c5.xlarge. Ini akan terbuka secara otomatis di instans ml.c5.xlarge yang menjalankan notebook 1.
- Bekerja di notebook 1 dan notebook 2 sekaligus selama 1 jam.
- Data scientist akan ditagihkan atas total 2 jam pemakaian ml.c5.xlarge. Untuk waktu tumpang tindih saat dia bekerja di notebook 1 dan notebook 2 secara bersamaan, tiap aplikasi kernel akan dihitung selama 0,5 jam dan dia akan dikenai tagihan selama 1 jam.
| Aplikasi Kernel | Instans Notebook | Jam | Biaya per jam | Total |
| TensorFlow | ml.c5.xlarge | 1 | 0,204 USD | 0,204 USD |
| TensorFlow | ml.c5.xlarge | 0,5 | 0,204 USD | 0,102 USD |
| Ilmu Data | ml.c5.xlarge | 0,5 | 0,204 USD | 0,102 USD |
| 0,408 USD |
Contoh Harga #2: Pemrosesan
Amazon SageMaker Processing hanya mengenakan biaya untuk instans yang digunakan saat tugas Anda sedang dilakukan. Ketika Anda menyediakan data input untuk pemrosesan di Amazon S3, Amazon SageMaker mengunduh data dari Amazon S3 ke penyimpanan file lokal di awal tugas pemrosesan.
Analis data menjalankan tugas Pemrosesan untuk memproses awal dan memvalidasi data di dua instans ml.m5.4xlarge selama durasi tugas 10 menit. Da mengunggah set data sebesar 100 GB di S3 sebagai input untuk tugas pemrosesan dan data output yang berukuran kurang lebih sama disimpan kembali di S3.
| Jam | Instans Pemrosesan | Biaya per jam | Total |
| 1 * 2 * 0,167 = 0,334 | ml.m5.4xlarge | 0,922 USD | 0,308 USD |
| Penyimpanan (GB) Tujuan Umum (SSD) | Biaya per jam | Total |
| 100 * 2 = 200 GB | 0,14 USD | 0,0032 USD |
Subtotal untuk tugas Pemrosesan Amazon SageMaker = 0,308 USD;
Subtotal untuk 200 GB penyimpanan SSD tujuan umum = 0,0032 USD.
Total harga untuk contoh ini adalah 0,3112 USD
Contoh Harga # 3: Data Wrangler
Sebagai data scientist, Anda menghabiskan tiga hari menggunakan Amazon SageMaker Data Wrangler untuk membersihkan, menjelajahi, dan memvisualisasikan data Anda selama 6 jam per hari. Untuk menjalankan pipeline persiapan data, Anda kemudian memulai tugas SageMaker Data Wrangler yang dijadwalkan berjalan setiap minggu.
Tabel di bawah ini merangkum total penggunaan Anda untuk bulan tersebut dan biaya terkait untuk menggunakan Amazon SageMaker Data Wrangler.
| Aplikasi | Instans SageMaker Studio | Hari | Durasi | Durasi total | Biaya per jam | Subtotal biaya |
| SageMaker Data Wrangler | ml.m5.4xlarge | 3 | 6 jam | 18 jam | 0,922 USD | 16,596 USD |
| Tugas SageMaker Data Wrangler | ml.m5.4xlarge | - | 40 menit | 2,67 jam | 0,922 USD | 2,461 USD |
Dari tabel tersebut, Anda menggunakan Amazon SageMaker Data Wrangler selama total 18 jam selama 3 hari untuk menyiapkan data Anda. Selain itu, Anda membuat tugas SageMaker Data Wrangler untuk menyiapkan data yang diperbarui setiap minggu. Setiap tugas berlangsung selama 40 menit, dan tugas dijalankan setiap minggu selama satu bulan.
Total biaya bulanan untuk menggunakan Data Wrangler = 16,596 USD + 2,461 USD = 19,097 USD
Contoh Harga # 4: Tempat Penyimpanan Fitur
Anda memiliki aplikasi web yang mengeluarkan baca dan tulis masing-masing 25 KB ke Amazon SageMaker Feature Store. Selama 10 hari pertama dalam sebulan, lalu lintas hanya sedikit ke aplikasi Anda, menghasilkan 10.000 penulisan dan 10.000 pembacaan setiap hari ke SageMaker Feature Store. Namun, pada hari ke-11 di bulan itu aplikasi Anda mencuri perhatian di media sosial, dan lalu lintas aplikasi melonjak menjadi 200.000 baca dan 200.000 tulis hari itu. Aplikasi Anda pun perlahan memiliki pola lalu lintas yang lebih teratur, rata-rata 80.000 baca dan 80.000 tulis setiap hari hingga akhir bulan.
Tabel di bawah ini merangkum total penggunaan Anda selama bulan tersebut dan biaya penggunaan Amazon SageMaker Feature Store.
| Hari di bulan itu | Total Tulis | Total Unit Tulis | Total Baca | Total Unit Baca |
| Hari 1 s/d 10 | 100.000 tulis (10.000 tulis * 10 hari) |
2500000 (100.000 * 25 KB) |
100000 (10.000 * 10 hari) |
700.000 ++ (100.000 * 25/4 KB) |
| Hari 11 | 200.000 tulis | 5000000 (200.000 * 25 KB) |
200.000 baca | 1.400.000 ++ (200.000 * 25/4KB) |
| Hari 12 s/d 30 | 1.520.000 tulis (80.000 * 19 hari) |
38000000 (1.520.000 * 25 KB) |
1.520.000 tulis (80.000 * 19 hari) |
10.640.000++ (1.520.000 * 25/4KB) |
| Total unit yang dikenakan biaya | 45.500.000 unit tulis | 12.740.000 unit baca | ||
| Biaya bulanan untuk tulis dan baca | 56,875 USD (45,5 juta unit tulis * 1,25 USD per juta tulis) |
3,185 USD (12,74 juta unit baca * 0,25 USD per juta baca) |
++ Semua pecahan unit baca dibulatkan ke bilangan bulat berikutnya
Penyimpanan data
Total data yang disimpan = 31,5 GB
Biaya bulanan atas penyimpanan data = 31,5 GB * 0,45 USD = 14,175 USD
Total biaya bulanan atas Tempat Penyimpanan Fitur Amazon SageMaker = 56,875 USD + 3,185 USD + 14,175 USD = 74,235 USD
Contoh Harga #5: Pelatihan
Seorang data scientist sudah seminggu lamanya mengerjakan model untuk ide baru. Ia melatih model 4 kali di sebuah ml.m4.4xlarge selama 30 menit per pelatihan dengan Amazon SageMaker Debugger diaktifkan menggunakan 2 aturan built-in dan 1 aturan kustom yang ia tulis. Untuk aturan kustom, ia menentukan instans ml. m5.xlarge. Ia melatih menggunakan data pelatihan 3 GB di Amazon S3, dan memasukkan 1 GB output model ke dalam Amazon S3. SageMaker membuat Volume General Purpose SSD (gp2) untuk setiap instans Pelatihan. SageMaker juga membuat Volume General Purpose SSD (gp2) untuk setiap aturan yang ditentukan. Dalam contoh ini, total 4 Volume General Purpose SSD (gp2) akan dibuat. SageMaker Debugger memancarkan 1 GB data debug ke bucket Amazon S3 pelanggan.
| Jam | Instans Pelatihan | Instans Debug | Biaya per jam | Subtotal |
| 4 * 0,5 = 2,00 | ml.m4.4xlarge | n/a | 0,96 USD | 1,92 USD |
| 4 * 0,5 * 2 = 4 | n/a | Tidak ada biaya tambahan untuk instans aturan built-in | 0 USD | 0 USD |
| 4 * 0,5 = 2 | ml.m5.xlarge | n/a | 0,23 USD | 0,46 USD |
| ------- | ||||
| 2,38 USD |
| Penyimpanan Tujuan Umum (SSD) untuk Pelatihan (GB) | Penyimpanan Tujuan Umum (SSD) untuk aturan bawaan Debugger (GB) | Penyimpanan Tujuan Umum (SSD) untuk aturan kustom Debugger (GB) | Biaya per GB-Bulan | Subtotal | |
| Kapasitas terpakai | 3 | 2 | 1 | ||
| Biaya | 0 USD | Tidak ada biaya tambahan untuk volume penyimpanan aturan bawaan | 0 USD | 0,10 USD | 0 USD |
Total biaya untuk pelatihan dan debugging dalam contoh ini adalah 2,38 USD. Instans komputasi dan volume penyimpanan tujuan umum yang digunakan oleh aturan bawaan Amazon SageMaker Debugger tidak dikenai biaya tambahan.
Contoh Harga # 6: Inferensi Waktu Nyata
Model dalam Contoh #5 kemudian di-deploy ke produksi pada dua (2) instans ml.c5.xlarge untuk hosting multi-AZ yang andal. Amazon SageMaker Model Monitor diaktifkan dengan satu (1) instans ml.m5.4xlarge dan tugas pemantauan dijadwalkan sekali per hari. Setiap tugas pemantauan memerlukan waktu 5 menit. Model tersebut menerima 100 MB data per hari, dan inferensi 1/10 ukuran data input.
| Jam per bulan | Instans Hosting | Instans Monitor Model | Biaya per jam | Total |
| 24 * 31 * 2 = 1488 | ml.c5.xlarge | 0,204 USD | 303,522 USD | |
| 31*0,08 = 2,5 | ml.m5.4xlarge | 0,922 USD | 2,305 USD |
| Data Masuk per bulan - Hosting | Data Keluar per bulan - Hosting | Biaya per GB Masuk atau Keluar | Total |
| 100 MB * 31 = 3100 MB | 0,02 USD | 0,05 USD | |
| 10 MB * 31 = 310 MB | 0,02 USD | 0,01 USD |
Subtotal untuk pelatihan, hosting, dan pemantauan = 305,827 USD; Subtotal untuk 3100 MB data yang diproses Masuk dan 310 MB data yang diproses Keluar untuk Hosting per bulan = 0,06 USD. Total biaya untuk contoh ini adalah 305,887 USD per bulan.
Harap diingat, untuk aturan bawaan dengan instans ml.m5.xlarge, Anda mendapatkan hingga 30 jam pemantauan teragregat di semua titik akhir setiap bulan, tanpa biaya.
Contoh Harga #7: Inferensi Asinkron
Inferensi Asinkron Amazon SageMaker menagih Anda untuk instans yang digunakan oleh titik akhir Anda. Saat tidak memproses permintaan secara aktif, Anda dapat mengonfigurasi penskalaan otomatis untuk menskalakan jumlah instans ke nol untuk menghemat biaya. Untuk muatan input di Amazon S3, tidak ada biaya untuk membaca data input dari Amazon S3 dan menulis data output ke S3 di wilayah yang sama.
Model di Contoh #5 digunakan untuk menjalankan titik akhir Inferensi Asinkron SageMaker. Titik akhir dikonfigurasi untuk berjalan pada 1 instans ml.c5.xlarge dan menurunkan skala jumlah instans ke nol saat tidak memproses permintaan secara aktif. Instans ml.c5.xlarge di titik akhir memiliki penyimpanan Tujuan Umum (SSD) 4GB yang terpasang padanya. Pada contoh ini, titik akhir mempertahankan jumlah instans 1 untuk 2 jam per hari dan memiliki periode pendinginan selama 30 menit, setelah itu diskalakan turun ke jumlah instans nol untuk sisa hari itu. Oleh karena itu, Anda dikenakan biaya untuk penggunaan 2,5 jam per hari.
Titik akhir memproses 1024 permintaan per hari. Ukuran untuk setiap isi permintaan/respons pemanggilan adalah 10 KB dan setiap muatan permintaan inferensi di Amazon S3 adalah 100 MB. Output inferensi adalah 1/10 ukuran dari data input yang disimpan kembali di Amazon S3 di wilayah yang sama. Pada contoh ini, biaya pemrosesan data berlaku untuk isi permintaan dan respons, tetapi tidak untuk data yang ditransfer ke/dari Amazon S3.
| Jam per bulan | Instans Hosting | Biaya per jam | Total |
| 2,5 * 31 * 1 = 77,5 | ml.c5.xlarge | 0,20 USD | 15,81 USD |
| Penyimpanan (GB) Tujuan Umum (SSD) | Biaya per GB-bulan | Total |
| 4 | 0,14 USD | 0,56 USD |
| Data Masuk per bulan | Data Keluar per bulan | Biaya per GB Masuk atau Keluar | Total |
| 10 KB * 1024 * 31 = 310 MB | 10 KB * 1024 * 31 = 310 MB | 0,02 USD | 0,0048 |
| 10 KB * 1024 * 31 = 310 MB | 0,02 USD | 0,0048 |
Subtotal untuk Inferensi Asinkron SageMaker = 15,81 USD + 0,56 USD + 2*0,0048 = 16,38 USD. Total biaya Inferensi Asinkron untuk contoh ini akan menjadi 16,38 USD per bulan.
Contoh Harga #8: Batch Transform
Amazon SageMaker Batch Transform hanya mengenakan biaya untuk instans yang digunakan saat tugas Anda sedang dilakukan. Jika data Anda sudah berada di Amazon S3, maka tidak ada biaya untuk membaca data input dari S3 dan menulis data output ke S3 di wilayah yang sama.
Model dalam Contoh #5 digunakan untuk menjalankan SageMaker Batch Transform. Data scientist menjalankan empat tugas SageMaker Batch Transform terpisah pada 3 ml.m4.4xlarge selama 15 menit per penjalanan tugas. Dia mengunggah set data evaluasi sebesar 1 GB dalam S3 untuk setiap penjalanan, dan inferensi adalah 1/10 ukuran data input yang disimpan kembali dalam S3.
| Jam | Instans Pelatihan | Biaya per jam | Total |
| 3 * 0,25 * 4 = 3 jam | ml.m4.4xlarge | 0,96 USD | 2,88 USD |
| GB data Masuk - Batch Transform | GB data Keluar - Batch Transform | Biaya per GB Masuk atau Keluar | Total |
| 0 | 0 | 0,02 USD | 0 USD |
Subtotal untuk tugas SageMaker Batch Transform = 2,88 USD; Subtotal untuk 4,4 GB ke Amazon S3 = 0. Total biaya untuk contoh ini adalah 2,90 USD.
Pelajari Amazon SageMaker selengkapnya