Prezzi di Amazon SageMaker

Amazon SageMaker prevede due opzioni di pagamento e si paga solo in base all'uso effettivo. I prezzi on demand vengono addebitati al secondo, senza tariffa minima né impegni anticipati, e i Savings Plans di SageMaker offrono un modello di determinazione dei prezzi flessibile e basato sul consumo in cambio dell'impegno per un uso costante del servizio.

La prova di Amazon SageMaker Studio è gratuita. Grazie al piano gratuito di AWS, puoi iniziare a utilizzare Amazon SageMaker gratuitamente. Il piano gratuito si attiva il primo giorno del mese in cui crei la tua prima risorsa SageMaker. I dettagli del piano gratuito per Amazon SageMaker sono riportati nella tabella di seguito.

I Savings Plans di Amazon SageMaker contribuiscono a ridurre i costi fino al 64%. I piani si applicano automaticamente agli usi idonei delle istanze di machine learning SageMaker, tra cui SageMaker Studio Notebook, SageMaker On-Demand Notebook, SageMaker Processing, SageMaker Data Wrangler, SageMaker Training, SageMaker Real-Time Inference e SageMaker Batch Transform, a prescindere dalla famiglia di istanze, dalla dimensione o dalla regione. Per esempio, si può modificare in qualsiasi momento l'uso da un'istanza CPU ml.c5.xlarge in esecuzione negli Stati Uniti orientali (Ohio) a un'istanza ml.Inf1 in esecuzione negli Stati Uniti occidentali (Oregon) per carichi di lavoro di inferenza e continuare automaticamente a pagare il prezzo di Savings Plans. Ulteriori informazioni »

Ora puoi accedere gratuitamente ad Amazon SageMaker Studio, il primo ambiente di sviluppo completamente integrato (IDE). SageMaker Studio ti offre accesso, controllo e visibilità completi su ogni fase necessaria alla creazione, all'addestramento e alla distribuzione dei modelli. L'utilizzo di SageMaker Studio è gratuito: paghi soltanto per i servizi AWS che utilizzi all'interno di Studio.

Puoi utilizzare numerosi servizi all’interno di SageMaker Studio senza alcun costo aggiuntivo, tra cui:

• SageMaker Pipelines per automatizzare e gestire i flussi di lavoro ML automatizzati
• SageMaker Autopilot per creare automaticamente modelli ML con visibilità completa
  
• SageMaker Experiments per organizzare e tenere traccia di processi e versioni
• SageMaker Debugger per eseguire il debug delle anomalie durante la formazione
• SageMaker Model Monitor per mantenere modelli di alta qualità
• SageMaker Clarify per spiegare meglio i modelli ML e
• SageMaker JumpStart per distribuire facilmente soluzioni ML per numerosi casi d’uso

Paghi solo per le risorse di calcolo e storage sottostanti all'interno di SageMaker o altri servizi AWS, in base al tuo utilizzo.

Amazon SageMaker Jumpstart e il progetto Amazon SageMaker sono prodotti presenti su AWS Service Catalog. Potresti incorrere in addebiti da AWS Service Catalog per le chiamate API sottostanti fatte da Amazon SageMaker ad AWS Service Catalog in tua vece. Consulta https://aws.amazon.com/servicecatalog/pricing/ per maggiori dettagli.

Scopri i prezzi di Amazon SageMaker Ground Truth, un servizio di etichettatura dati interamente gestito che semplifica la creazione di set di dati di formazione altamente precisi per il machine learning.

Scopri i prezzi di Amazon SageMaker Edge Manager per ottimizzare, eseguire e monitorare i modelli ML sui parchi di dispositivi edge. 

Amazon SageMaker offre un costo totale di proprietà inferiore di almeno il 54% nell'arco di tre anni rispetto ad altre soluzioni basate sul cloud gestite dal cliente. Scopri di più con l’analisi TCO completa per Amazon SageMaker.

Ora puoi stimare la tua spesa per l'utilizzo di Amazon SageMaker utilizzando il Calcolatore di prezzi SageMaker. Con questo calcolatore, puoi ottenere una stima dei costi per il tuo caso d'uso, esportare le stime per l'analisi offline e regolare la spesa in base alle tue esigenze.

Un data scientist esegue la sequenza di azioni riportata di seguito durante l'utilizzo dei notebook di Amazon SageMaker Studio.

1. Apre il notebook 1 in un kernel TensorFlow su un'istanza ml.c5.xlarge, quindi lavora su questo notebook per un'ora.
2. Apre sul notebook 2 un'istanza ml.c5.xlarge. Si aprirà automaticamente nella stessa istanza ml.c5.xlarge che esegue il notebook 1. 
3. Lavora quindi contemporaneamente sul notebook 1 e sul notebook 2 per un'ora.
   
4. Al data scientist verrà fatturato un totale di due (2) ore per l'utilizzo di ml.c5.xlarge. Per l'ora sovrapposta in cui ha lavorato contemporaneamente sul notebook 1 e sul notebook 2, ogni applicazione del kernel verrà misurata per 0,5 ore e le verrà fatturata 1 ora.
   

Con Amazon SageMaker Processing, sono addebitati esclusivamente i costi relativi alle istanze usate nell'esecuzione delle attività. Quando si forniscono i dati di input per l'elaborazione in Amazon S3, Amazon SageMaker scarica i dati da Amazon S3 nello storage di file locale all'avvio di un'attività di elaborazione.

Il data analyst esegue un'attività di elaborazione per pre-elaborare e convalidare i dati su due istanze ml.m5.4xlarge per una durata di 10 minuti. Carica un set di dati da 100 GB in S3 come input dell'attività di elaborazione; i dati di output, all'incirca della stessa dimensione, vengono archiviati nuovamente in S3.

Subtotale per l'attività di elaborazione in Amazon SageMaker = 0,308 USD.
Subtotale per lo storage General Purpose SSD di 200 GB = 0,0032 USD.
Il costo totale per questo esempio è di 0,3112 USD

Un data scientist passa tre giorni a utilizzare Amazon SageMaker Data Wrangler per pulire, esplorare e visualizzare i dati per 6 ore al giorno. Per eseguire la pipeline di preparazione dei dati, avvia quindi un processo di SageMaker Data Wrangler pianificato per essere eseguito settimanalmente.

La tabella di seguito riporta l'uso totale per il mese e i costi associati per l'utilizzo di Amazon SageMaker Data Wrangler.

Dalla tabella, usi Amazon SageMaker Data Wrangler per un totale di 18 ore in tre giorni per preparare i dati. Inoltre, crei un processo SageMaker Data Wrangler per preparare i dati aggiornati su base settimanale. Ogni processo dura 40 minuti e viene eseguito ogni settimana per un mese.

Costo mensile complessivo per l'uso di Data Wrangler = 16,596 USD + 2,461 USD = 19,097 USD

Hai un'applicazione web che emette letture e scritture di 25 KB ciascuna nel Feature Store di Amazon SageMaker. Per i primi 10 giorni di un mese, ricevi poco traffico sulla tua applicazione, risultando in 10.000 scritture e 10.000 letture ogni giorno nel Feature Store di SageMaker. L'undicesimo giorno, però, l'applicazione attira l'attenzione sui social media e il suo traffico si impenna raggiungendo 200.000 letture e 200.000 scritture, quel giorno. La tua applicazione finisce poi per avere un traffico più regolare, con una media di 80.000 letture e 80.000 scritture ogni giorno fino alla fine del mese.

La tabella di seguito riporta l'utilizzo totale per il mese e i costi associati per l'utilizzo di Amazon SageMaker Feature Store.

++ Tutte le unità di lettura frazionali sono arrotondate al primo numero intero successivo

Storage dei dati
Dati archiviati totali = 31,5 GB
Costo mensile per lo storage dei dati = 31,5 GB * 0,45 USD = 14,175 USD

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

Un data scientist ha lavorato una settimana su un modello per una nuova idea. Addestra 4 volte un modello su un ml.m4.4xlarge con processi di addestramento da 30 minuti con Amazon SageMaker Debugger abilitato e utilizzando 2 regole integrate e 1 regola personalizzata scritta da lei. Per la regola personalizzata, ha specificato l'istanza ml.m5.xlarge. Addestra utilizzando 3G di dati per la formazione in Amazon S3, inoltrando l'output del modello da 1 GB in Amazon S3. SageMaker crea volumi a utilizzo generico SSD (gp2) per ciascuna istanza di addestramento. Inoltre, crea volumi a utilizzo generico SSD (gp2) per ciascuna regola specificata. Per questo esempio, saranno creati in tutto 4 volumi General Purpose SSD (gp2). SageMaker Debugger trasferisce 1 GB di dati di debug al bucket Amazon S3 del cliente.

Il costo totale per la formazione e il debug in questo esempio è 2,38 USD. Le istanze per il calcolo e i volumi di storage General Purpose usati dalle regole integrate di Amazon SageMaker Debugger non comportano costi aggiuntivi.

Il modello dell'esempio n. 5 viene implementato nella produzione in due (2) istanze ml.c5.xlarge per un hosting multi-AZ affidabile. Amazon SageMaker Model Monitor è abilitato con una (1) istanza ml.m5.4xlarge e il monitoraggio delle attività è pianificato una volta al giorno. Ciascuna attività di monitoraggio richiede 5 minuti per il completamento. Il modello riceve 100 MB di dati al giorno; le dimensioni delle inferenze sono 1/10 rispetto a quelle dei dati in entrata.

Subtotale per addestramento, hosting e monitoraggio = 305,827 USD; subtotale per 3.100 MB di dati elaborati in entrata e 310 MB di dati elaborati in uscita per l'hosting al mese = 0,06 USD. Il costo totale per questo esempio è di 305,887 USD al mese.

Nota: per le regole integrate con istanze ml.m5.xlarge, vengono aggregate fino a 30 ore al mese di monitoraggio in tutti gli endpoint senza alcun costo.

Amazon SageMaker Asynchronous Inference ti addebita i costi per le istanze utilizzate dal tuo endpoint. Quando non stai elaborando attivamente delle richieste, puoi configurare la scalabilità automatica per dimensionare il conto delle istanze a zero e risparmiare sui costi. Per payload di input in Amazon S3, non ci sono costi per leggere dati di input da Amazon S3 e scrivere i dati di output su S3 nella stessa regione.

Il modello dell'esempio n. 5 è utilizzato per eseguire un endpoint SageMaker Asynchronous Inference. L'endpoint viene configurato per essere eseguito su 1 istanza ml.c5.xlarge e per ridurre il conto delle istanze a zero quando non stai elaborando attivamente delle richieste. L'istanza ml.c5.xlarge nell'endpoint ha uno spazio di archiviazione General Purpose (SSD) allegato di 4GB. In questo esempio, l'endpoint mantiene un costo delle istanze di 1 per 2 ore al giorno e ha un periodo di raffreddamento di 30 minuti, dopo il quale si riduce a un conto delle istanze pari a zero per il resto della giornata. Pertanto, pagherai per 2,5 ore di utilizzo al giorno. 

L'endpoint elabora 1024 richieste al giorno. La dimensione di ciascun corpo di richiesta/risposta di chiamata è di 10KB e ogni payload di richiesta di inferenza in Amazon S3 è di 100MB. Gli output delle inferenze sono pari a 1/10 della dimensione dei dati di input archiviati in Amazon S3 nella stessa regione. In questo esempio, i costi per l'elaborazione dei dati si applicano al corpo della richiesta e della risposta, ma non ai dati trasferiti a/da Amazon S3. 

Il subtotale per SageMaker Asynchronous Inference è di 15,81 USD + 0,56 USD + (2 * 0,0048) = 16,38 USD. Il costo totale di Asynchronous Inference per questo esempio sarebbe di 16,38 USD al mese.

Per la funzione di trasformazione in batch di Amazon SageMaker sono addebitati esclusivamente i costi relativi alle istanze coinvolte nell'esecuzione dei processi. Se i dati si trovano già in Amazon S3, la lettura dei dati di input da S3 e la scrittura dei dati di output in S3 sono gratuite nella stessa regione. 

Il modello dell’esempio 5 è utilizzato per eseguire una trasformazione in batch con SageMaker. Il data scientist esegue quattro processi di trasformazione in batc SageMaker separati su 3 istanze ml.m4.4xlarge per una durata di 15 minuti per ciascuna esecuzione. Carica poi un set di dati di valutazione di 1 GB in S3 per ciascuna esecuzione; le inferenze saranno 1/10 delle dimensioni dei dati in ingresso memorizzati in S3.

Subtotale per il processo di trasformazione in batch di SageMaker = 2,88 USD; subtotale per lo storage di 4,4 GB in Amazon S3 = 0 USD. Il costo complessivo per questo esempio è di 2,90 USD.