機械学習開発と運用のための

Amazon SageMaker 利用構成と料金試算例

他のユースケースを選択する
  • 他のユースケースを選択する
  • クラウド構成と料金試算例 TOP
  • ファイルサーバー・Windows システム
  • ビジネスアプリケーション
  • 仮想デスクトップ
  • Web サイト・Web アプリケーション
  • コンテンツ配信
  • バックアップ
  • IoT
  • 機械学習
  • ゲーミング

AWS ソリューション構成例 - 機械学習開発と運用

目的・用途:
既存のアプリケーションに機械学習を導入することでビジネスプロセスを高度化効率化したい

この構成での料金試算例:
2126 ドル(月額)

AWS ソリューション構成例 - 機械学習開発と運用
  • 既存のアプリケーションの新機能として機械学習の導入
  • データサイエンティストは 5 名在籍し、それぞれに Amazon SageMaker ノートブックインスタンスを提供し、モデル開発を行います
  • トレーニング用データは Amazon S3 に保存されており、Amazon SageMaker Processing を利用し、データの前処理を行います
  • 機械学習ワークロードは、ML ワークロード(Scikit-Learn,XGBoostなど)とディープラーニングワークロード(Pytorch,Tesorflowなど)の 2 つ存在し、それぞれのモデルの学習時間の割合は  95%と 5%とします
  • 作成したモデルは ML ワークロード、ディープラーニングワークロードともにデプロイし、Amazon SageMaker ホスティングサービスにて常時稼働とします

Amazon SageMaker を利用して既存のビジネスピロセスの中に機械学習のインサイトを構築する例です。

Amazon SageMaker は、完全マネージド型の ML (Machine Learning/機械学習) サービスであり、大規模なモデルの構築、トレーニング、チューニング、デプロイを可能にします。コンピュータティングリソースとシステムソフトウェアのプロビジョニング、インフラストラクチャと運用の管理が不要になるため、お客様はビジネス上の問題に集中し、 新しいモデリング手法で開発を行い、アイデアから本番環境に至るまで MLプロジェクトを迅速に進めることができます。

この構成での選択サービス

データストレージ Amazon S3
Jupyter ノートブック Amazon SageMaker ノートブックインスタンス
データの前処理 Amazon SageMaker Processing
モデルのトレーニング Amazon SageMaker トレーニングジョブ
モデルのデプロイ Amazon SageMaker ホスティングサービス

この構成での料金試算例

サービス
項目 数量 単価 料金 (USD)
Amazon S3 データストレージ 70GB(*1) 0.025USD/GB 1.75
Amazon SageMaker
ノートブックインスタンス
ノートブックインスタンス 3600 時間(*2) 0.0762 USD/時間 274.32
ML ストレージ 25 GB(*3) 0.168 USD/GB 4.20
Amazon SageMaker
Processing
Processing インスタンス 30 時間(*4) 0.347 USD/時間 10.41
ML ストレージ 2.5GB(*5) 0.168 USD/GB 0.42
Amazon SageMaker
トレーニングジョブ(ML)
トレーニングインスタンス 30 時間(*6) 0.623 USD/時間(*7) 18.69
ML ストレージ 2.5 GB(*8) 0.168 USD/GB 4.20
Amazon SageMaker
ホスティングサービス
ホスティングインスタンス 1440 時間(*9) 0.347 USD/時間 (720 時間)
2.159 USD/時間 (720 時間)
(*10)
1,804.32
ML ストレージ 38 GB(*11) 0.168 USD/GB 6.39
その他 データ処理量(入力/出力) 100GB(*12)  0.016 USB/GB 1.60

月額合計料金:2,126.30(USD)

※ 2020 年 5 月 20 日時点での試算です

  • 東京リージョンのご利用を想定しています。


1. 60GB(トレーニング用データ) + 10GB(モデル等) = 70GB で計算しています。
2. ノートブックインスタンスタイプとしてml.t3.medium、稼働時間として 24 時間 * 30 日 * 5 インスタンス = 3600 時間で計算しています。
3. ノートブックインスタンスのストレージとして、5 GB * 5 インスタンス = 25 GB で計算しています。
4. Processing インスタンスタイプとして ml.m5.xlarge、ジョブ実行時間として 1 日平均 1 時間(1 ヶ月あたり合計 30 時間)で計算しています。
5. Processing インスタンスのストレージとして、 60 GB * 30 時間 / 720 時間 = 2.5 GB を月の利用量として計算しています。
6. トレーニングの実行時間は、1 日平均 1 時間(1 ヶ月あたり合計 30 時間)で計算しています。
7. トレーニングの割合は、ML ワークロード(Scikit-Learn,XGBoostなど)が 95%、ディープラーニングワークロード (PyTorch,Tensorflowなど) が 5%と想定しており。トレーニングインスタンスタイプは、ML ワークロードでは ml.m5.xlarge(0.347 USD/時間)、ディープラーニングワークロードでは  ml.p3.2xlarge(5.872 USD/時間)と想定しており、時間単価は  0.347 USD * 0.95 + 5.872 USD * 0.05 = 0.623 USD として計算しています。
8. トレーニングインスタンスのストレージとして、 60 GB * 30時間 / 720時間 = 2.5 GB を月の利用量として計算しています。
9. ホスティングインスタンスとして、ML ワークロードとして 1 つ、ディープラーニングワークロードとして 1 つ、合計 2 つのモデルをデプロイし、稼働時間として 24 時間 * 30 日 * 2  インスタンス = 1440 時間で計算しています。
10. ML ワークロード用ホスティングインスタンスとして  ml.m5.xlarge(0.347 USD/時間)、ディープラーニングワークロード用ホスティングインスタンスとして ml.p2.xlarge(2.159 USD/時間)をそれぞれ 720 時間利用します。
11. ホスティングインスタンス用ストレージとして、ml.m5.xlarge 8GB と ml.p2.xlarge 30GB の合計 38GB で計算しています。
12. データ処理量として、入力 50GB、出力 50GB の合計 100GB で計算しています。

関連リソース

Lightsail_Pricing-Icon

AWS 料金と見積り方法について
詳細はこちら ≫

Next-Steps-Icon_Toolkit

AWS クラウドのご利用開始方法
詳細はこちら ≫

migration_icon_cdp

国内の AWS クラウド導入事例
詳細はこちら ≫

AWS の導入支援・お見積方法・資料請求の
ご相談に日本担当チームがお答えします。

クラウドを無料ではじめましょう!
60 以上のサービスを 1 年間無料でお試しいただけます。