Amazon SageMaker の料金

Amazon SageMaker では、2 種類のお支払い方法をご用意しており、お支払いいただくのは使用した分についてのみです。オンデマンドの料金は秒単位で請求され、最低料金や事前のコミットメントはありません。SageMaker Savings Plans は、一定の使用量のコミットメントと引き換えに、柔軟な使用量ベースの料金モデルを提供します。

Amazon SageMaker は無料でお試しいただけます。AWS 無料利用枠の一環として、Amazon SageMaker の使用を無料で開始できます。無料利用枠は、初めて SageMaker リソースを作成した最初の月から始まります。Amazon SageMaker の無料利用枠の詳細は、以下の表でご確認いただけます。

Amazon SageMaker Savings Plans は、コストを最大 64% 削減するのに役立ちます。プランは、インスタンスファミリー、サイズ、リージョンに関係なく、SageMaker Studio Notebooks、SageMaker On-Demand Notebooks、SageMaker Processing、SageMaker Data Wrangler、SageMaker Training、SageMaker Real-Time Inference、SageMaker Batch Transform などの対象となる SageMaker 機械学習 (ML) インスタンスの使用量に自動的に適用されます。例えば、米国東部 (オハイオ) で実行されている CPU インスタンス ml.c5.xlarge から米国西部 (オレゴン) の ml.Inf1 インスタンスにいつでも推論ワークロードの使用量を変更し、自動的に Savings Plans の料金を引き続き支払うことができます。 詳細はこちら »

最初の完全な統合開発環境 (IDE) である Amazon SageMaker Studio に無料でアクセスできるようになりました。SageMaker Studio はモデルの構築、トレーニング、デプロイに必要な各ステップに対し、完全なアクセスおよび可視性をもたらします。SageMaker Studio の使用は無料で、Studio 内で使用する AWS のサービスに対してのみ支払います。

SageMaker Studio 内では、次のような多くのサービスを追加料金なしでご利用いただけます。

• 自動化された ML ワークフローを自動化および管理する SageMaker Pipelines
• 完全な可視性を備えた ML モデルを自動的に作成する SageMaker Autopilot
  
• トレーニングジョブとバージョンを整理および追跡する SageMaker Experiments
• トレーニング中に異常をデバッグする SageMaker Debugger
• 高品質のモデルを維持する SageMaker Model Monitor
• ML モデルをより適切に説明する SageMaker Clarify
• 多くのユースケースに ML ソリューションを簡単にデプロイする SageMaker JumpStart

使用量に基づいて、SageMaker 内の基盤となるコンピューティングおよびストレージリソースまたは他の AWS のサービスについてのみ料金をお支払いいただきます。

フルマネージド型のデータラベル付けサービスで、機械学習のための高精度なトレーニングデータセットを簡単に構築することができる Amazon SageMaker Ground Truth の料金について、詳細をご覧ください。

エッジデバイスのフリートで ML モデルを最適化、実行、およびモニタリングするための Amazon SageMaker Edge Manager の料金設定について、詳細をご覧ください。 

Amazon SageMaker は、他のクラウドベースのセルフマネージドソリューションと比較して、3 年間で総所有コスト (TCO) を少なくとも 54% 削減します。Amazon SageMaker の TCO 分析について、詳細をご覧ください。

SageMaker 料金計算ツールを使用して、Amazon SageMaker の使用における支出額を見積もることができるようになりました。料金計算ツールを使用すると、ユースケースの費用の見積もりを取得し、オフライン分析のために見積もりをエクスポートし、要件に基づいて支出を調整できます。

データサイエンティストは、Amazon SageMaker Studio ノートブックを使用しながら次の一連のアクションを実行します。

1. ml.c5.xlarge インスタンスの TensorFlow カーネルでノートブック 1 を開き、このノートブックで 1 時間作業を行います。
2. ml.c5.xlarge インスタンスでノートブック 2 を開きます。ノートブック 1 を実行しているインスタンスと同じ ml.c5.xlarge インスタンスで自動的に開きます。 
3. ノートブック 1 とノートブック 2 で同時に 1 時間動作します。
   
4. データサイエンティストには、ml.c5.xlarge を使用した合計 2 時間分の料金が請求されます。ノートブック 1 とノートブック 2 で同時に行った重複作業時間の場合、各カーネルアプリケーションは 0.5 時間として計測され、1 時間分が請求されます。
   

Amazon SageMaker 処理は、ジョブが実行されている間に使用されたインスタンスのみ料金がかかります。Amazon S3 の処理向けにインプットデータを提供する場合、Amazon SageMakerは、ジョブの処理開始時にAmazon S3からローカルファイルストレージにデータをダウンロードします。

データ分析は、10分のジョブ時間にて2 ml.m5.4xlargeで処理ジョブを実行してデータを処理、有効します。処理ジョブのインプットとして S3 の 100 GB のデータセットをアップロードします。また、約同様のサイズのアウトプットデータが S3 に戻されて保存されます。

Amazon SageMaker 処理ジョブの小計 = 0.308 USD。
200 GB 汎用 SSD ストレージの小計 = 0.0032 USD。
この例の総額は 0.3112 USD です

データサイエンティストとして、3 日間にわたり、Amazon SageMaker Data Wrangler を使用してデータを 1 日 6 時間クレンジング、探索、および視覚化します。その後、データ準備パイプラインを実行するために、毎週実行するようにスケジュールされている SageMaker Data Wrangler ジョブを開始します。

以下の表は、その月の合計使用量と、Amazon SageMaker Data Wrangler の使用に関連して発生する料金をまとめたものです。

表に基づくと、データを準備するために、Amazon SageMaker Data Wrangler を 3 日間にわたって合計 18 時間使用します。さらに、SageMaker Data Wrangler ジョブを作成して、更新されたデータを毎週準備します。各ジョブは 40 分続き、ジョブは 1 か月間毎週実行されます。

Data Wrangler の使用にかかる合計月額料金 = 16.596 USD + 2.461 USD = 19.097 USD

Amazon SageMaker Feature Store に対してそれぞれ 25 KB の読み取りと書き込みを発行するウェブアプリケーションがあります。月の最初の 10 日間は、アプリケーションへのトラフィックがほとんどなく、SageMaker Feature Store への書き込みと読み取りは毎日それぞれ 10,000 回発生します。その月の 11 日にアプリケーションがソーシャルメディアで注目を集めたため、その日の書き込みと読み取りはそれぞれ 200,000 回となり、アプリケーションのトラフィックが跳ね上がりました。その後、アプリケーションは通常のトラフィックのパターンに落ち着き、月末まで 1 日平均の書き込みと読み取りはそれぞれ 80,000 回となりました。

以下の表は、その月の合計使用量と、Amazon SageMaker Feature Store の使用に関連して発生する料金をまとめたものです。

++ すべての小数の読み取り単位は次の整数に丸められます

データストレージ
保存されたデータの合計 = 31.5 GB
データストレージの月額料金 = 31.5 GB * 0.45 USD = 14.175 USD

Amazon SageMaker Feature Store の月額合計料金 = 56.875 USD + 3.185 USD + 14.175 USD = 74.235 USD

データサイエンティストが新しい考えに対するモデルについて 1 週間仕事をしたとします。彼女は、作成した2つのビルトインルールと1つのカスタムルールを使用してAmazon SageMakerデバッガーを有効にして、トレーニング実行ごとに30分間、ml.m4.4xlargeでモデルを4回トレーニングします。カスタムルールでは、ml.m5.xlarge インスタンスを特定しました。Amazon S3の3 GBトレーニングデータを使用してトレーニングを行い、1 GB モデルアウトプットをAmazon S3 に押し込めます。SageMaker は、各トレーニングインスタンス用に、汎用 SSD (gp2) ボリュームを作成します。SageMaker はまた、特定された各ルール用にも汎用 SSD (gp2) ボリュームを作成します。この例では、合計で 4 つの汎用 SSD (gp2) ボリュームが作成されます。SageMaker デバッガ―は、お客様の Amazon S3 バケットに1 GB のデバッグデータを放出します。

この例でのデバッグおよびトレーニングの総額は、2.38 USD です。コンピューティングと、Amazon SageMaker Debugger 組み込みルールで使用される汎用ストレージボリュームについては、追加料金は発生しません。

その後、例 #3 のモデルは、信頼性の高いマルチ AZ ホスティングのために、2 つの ml.c5.xlarge インスタンスに本番としてデプロイされます。Amazon SageMaker Model Monitor は、1 つの ml.m5.4xlarge インスタンスで有効化され、1 日 1 回、ジョブがモニタリングされます。各ジョブのモニタリングは完了するまで5分かかります。このモデルはデータを毎日 100 MB を受信し、インファレンスは入力データのサイズの 10 分の 1 でした。

トレーニング、ホスティング、およびモニタリングの小計 = 305.827 USD。毎月のホスティングのための入力データ処理量 3100 MB と出力データ処理量 310 MB の小計 = 0.06 USD。この例の合計料金は、月額 305.887 USD になります。

ml.m5.xlarge インスタンスのビルトインルールでは、毎月すべてのエンドポイントで集計モニタリング時間が最大 30 時間無料になります。

Amazon SageMaker バッチ変換では、ジョブの実行中に使用されたインスタンスに対してのみ料金が発生します。データがすでに Amazon S3 にある場合、S3 からの入力データの読み取りや S3 への出力データの書き込みに料金は発生しません。

例 #1 のモデルを使用して SageMaker バッチ変換を実行します。データサイエンティストは、3 個の ml.m4.4xlarge 上で 4 つの別々の SageMaker バッチ変換ジョブを、1 回のジョブ実行につき 15 分間実行します。実行ごとに 1 GB の評価データセットを S3 にアップロードし、推論のサイズは S3 に再度保存される入力データの 1/10 です。

SageMaker バッチ変換ジョブの小計 = 2.88 USD、4.4 GB の Amazon S3 への移動の小計 = 0 USD。この例の合計請求額は 2.90 USD です。