Harga Amazon SageMaker

Dengan Amazon SageMaker, Anda hanya membayar apa yang digunakan. Biaya pembuatan, pelatihan, dan deploy model ML dihitung per detik, tanpa biaya minimal dan tanpa komitmen di awal.

Sebagai bagian dari Tingkat Gratis AWS, 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.

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 atas komputasi dan sumber daya penyimpanan dasar di SageMaker atau layanan AWS lainnya, sesuai pemakaian Anda.

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.

Pelajari lebih lanjut tentang harga Amazon SageMaker Edge Manager untuk mengoptimalkan, menjalankan, dan memantau model ML di armada perangkat edge. 

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.

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.

Data scientiest melalui urutan tindakan berikut selagi menggunakan Notebook Amazon SageMaker Studio.

1. Membuka notebook 1 di kernel TensorFlow di instans ml.c5.xlarge, lalu bekerja di notebook ini selama 1 jam.
2. Membuka notebook 2 di instans ml.c5.xlarge. Ini akan terbuka secara otomatis di instans ml.c5.xlarge yang menjalankan notebook 1. 
3. Bekerja di notebook 1 dan notebook 2 sekaligus selama 1 jam. 
4. Data scientist akan ditagihkan atas total 2 jam pemakaian ml.c5.xlarge. Untuk waktu tumpang tindih di mana dia bekerja di notebook 1 dan notebook 2 secara bersamaan, tiap aplikasi kernel akan dihitung selama 0,5 jam dan dia akan ditagihkan selama 1 jam.
   

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. Ia 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.

Subtotal untuk Tugas Pemrosesan Amazon SageMaker = 0,359 USD;
Subtotal untuk 200 GB penyimpanan SSD tujuan umum = 0,0032 USD.
Total harga untuk contoh ini adalah 0,3622 USD

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.

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 = 17,28 USD + 2,56 USD = 19,84 USD

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.

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

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.

Total biaya untuk pelatihan dan debugging dalam contoh ini adalah 2,7811 USD. Instans komputasi dan volume penyimpanan tujuan umum yang digunakan oleh aturan bawaan Amazon SageMaker Debugger tidak dikenai biaya tambahan.

Model pada Contoh #3 kemudian dideploy 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 sehari. Setiap tugas pemantauan memerlukan waktu 5 menit. Model tersebut menerima 100MB data per hari, dan inferensi 1/10 ukuran data input.

Subtotal untuk pelatihan, hosting, dan pemantauan = 356,832 USD; Subtotal untuk 3100 MB data yang diproses Masuk dan 310 MB data yang diproses Keluar untuk Hosting per bulan = 0,056 USD. Total biaya untuk contoh ini adalah 356,887 USD per bulan.

Harap diingat, untuk aturan internal dengan instans ml.m5.xlarge, Anda mendapatkan hingga 30 jam pemantauan teragregat di semua titik akhir setiap bulan, tanpa biaya.

Batch Transform Amazon SageMaker hanya mengenakan biaya atas 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.

Model dalam Contoh #1 digunakan untuk menjalankan Batch Transform. Data scientist menjalankan empat tugas Batch Transform terpisah pada 3 ml.m4.4xlarge selama 15 menit per penjalanan tugas. Ia mengunggah himpunan data evaluasi sebesar 1 GB dalam S3 untuk setiap penjalananan, dan inferensi adalah 1/10 ukuran data input yang disimpan kembali dalam S3.

Sub-total untuk tugas Batch Transform = 3,36 USD; Sub-total untuk 4.4 GB ke Amazon S3 = 0. Total biaya untuk contoh ini adalah 3,36 USD.