Harga Amazon SageMaker

Dengan Amazon SageMaker, Anda hanya membayar apa yang digunakan. Pembuatan, pelatihan, dan penerapan model ML ditagihkan berdasarkan detik, tanpa biaya minimal dan tanpa komitmen di awal.

Sebagai bagian dari Tingkat Gratis AWS, Anda dapat memulai Amazon SageMaker secara gratis. Jika Anda belum pernah menggunakan Amazon SageMaker, untuk dua bulan pertama, Anda mendapat penawaran tingkat gratis bulanan untuk 250 jam penggunaan notebook t2.medium atau t3.medium dengan instans t3.medium atau instans notebook sesuai permintaan dengan notebook SageMaker Studio untuk membangun model Anda, ditambah 50 jam m4.xlarge atau m5.xlarge untuk pelatihan model Anda, serta 125 jam m4.xlarge atau m5.xlarge untuk menerapkan model pembelajaran mesin Anda untuk inferensi real-time dan transformasi batch dengan Amazon SageMaker. Tingkat gratis tidak mencakup penggunaan volume penyimpanan. Tingkat gratis Anda dimulai dari bulan pertama saat Anda membuat sumber daya SageMaker pertama Anda.

Kini Anda dapat mengakses Amazon SageMaker Studio, lingkungan pengembangan terintegrasi sepenuhnya (IDE) pertama untuk pembelajaran mesin. 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.

Amazon SageMaker menawarkan biaya total kepemilikan (TCO) setidaknya 54% lebih rendah selama periode 3 tahun dibandingkan dengan solusi berbasis cloud lainnya yang dikelola sendiri. Analisis TCO selengkapnya untuk Amazon SageMaker dapat ditemukan di sini.

Ilmuwan data melalui urutan tindakan berikut selagi menggunakan Notebook 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 secara bersamaan selama 1 jam. 
4. Ilmuwan data tersebut akan ditagihkan untuk 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

Ilmuwan data telah menghabiskan waktu satu minggu mengerjakan model 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 SageMaker Debugger tidak menambahkan biaya.

Model di Contoh #3 kemudian diterapkan ke produksi ke 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.

Amazon SageMaker Batch Transform hanya mengenakan biaya untuk instans yang digunakan saat tugas Anda sedang dilakukan. Jika data Anda sudah di dalam Amazon S3, maka tidak ada biaya untuk membaca data input dari S3 dan menuliskan data output ke S3.

Model dalam Contoh #1 digunakan untuk menjalankan Batch Transform. Ilmuwan data menjalankan empat tugas Batch Transform yang 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.

Subtotal untuk tugas Transformasi Batch = 3,36 USD; Subtotal untuk 4.4 GB ke dalam Amazon S3 = 0. Total biaya untuk contoh ini adalah 3,36 USD.