Definição de preço do Amazon SageMaker

Com o Amazon SageMaker, você tem duas opções de pagamento e paga apenas pelo que usar. Os preços sob demanda são cobrados por segundo, sem taxas mínimas e sem compromissos antecipados, e os SageMaker Savings Plans oferecem um modelo de preços flexível e baseado em uso em troca de um compromisso com uma quantidade consistente de uso.

O teste do Amazon SageMaker é gratuito. Como parte do Nível gratuito da AWS, você pode começar a usar o Amazon SageMaker gratuitamente. O seu nível gratuito começa no primeiro mês, assim que você criar seu primeiro recurso do SageMaker. Os detalhes do nível gratuito do Amazon SageMaker estão descritos na tabela abaixo.

Os Amazon SageMaker Savings Plans ajudam a reduzir seus custos em até 64%. Os planos se aplicam automaticamente ao uso de instâncias de machine learning (ML) do Sagemaker qualificadas, incluindo SageMaker Studio Notebooks, SageMaker On-Demand Notebooks, SageMaker Processing, SageMaker Data Wrangler, SageMaker Training, SageMaker Real-Time Inference e SageMaker Batch Transform, independentemente da família, tamanho ou região das instâncias. Por exemplo, você pode alterar o uso de uma instância de CPU ml.c5.xlarge em execução no Leste dos EUA (Ohio) para uma instância ml.Inf1 no Oeste dos EUA (Oregon) para cargas de trabalho de inferência a qualquer momento e continuar automaticamente a pagar o preço dos Savings Plans. Saiba mais »

Agora você pode acessar gratuitamente o Amazon SageMaker Studio, o primeiro ambiente de desenvolvimento totalmente integrado (IDE). O SageMaker Studio fornece acesso e visibilidade completos em cada etapa necessária para criar, treinar e implantar modelos. O uso do SageMaker Studio é gratuito, e você só paga pelos serviços da AWS que utiliza dentro do Studio.

Você pode usar muitos serviços dentro do SageMaker Studio sem custos adicionais, inclusive:

• O SageMaker Pipelines para automatizar e gerenciar fluxos de trabalho de ML automatizados
• O SageMaker Autopilot para criar automaticamente modelos de ML com visibilidade total
  
• O SageMaker Experiments para organizar e rastrear suas tarefas e versões de treinamento
• O SageMaker Debugger para depurar anomalias durante treinamentos
• O SageMaker Model Monitor para manter modelos de qualidade alta
• O SageMaker Clarify para explicar melhor os seus modelos de ML e
• O SageMaker JumpStart para implantar facilmente soluções de ML para vários casos de uso

Você só paga pelos recursos de armazenamento e computação subjacentes dentro do SageMaker ou outros serviços da AWS, com base no seu uso.

O Amazon SageMaker Jumpstart e o projeto do Amazon SageMaker são produtos provisionados pelo AWS Service Catalog. O AWS Service Catalog pode resultar em cobranças pelas chamadas de API básicas feitas pelo Amazon SageMaker para o AWS Service Catalog em seu nome. Consulte os detalhes em https://aws.amazon.com/servicecatalog/pricing/.

Saiba mais sobre a definição de preço do Amazon SageMaker Ground Truth, um serviço totalmente gerenciado de rotulagem de dados que facilita a criação de conjuntos de dados de treinamento altamente precisos para machine learning.

Saiba mais sobre a definição de preço do Amazon SageMaker Edge Manager para otimizar, executar e monitorar modelos de ML em frotas de dispositivos de borda. 

O Amazon SageMaker oferece pelo menos 54% a menos de custo total de propriedade (TCO) durante um período de 3 anos, em comparação com outras soluções autogerenciadas baseadas em nuvem. Saiba mais por meio da análise completa do TCO para o Amazon SageMaker.

Agora você pode estimar seus gastos para usar o Amazon SageMaker por meio da Calculadora de definição de preço do Amazon Sagemaker. Com a calculadora de definição de preço, você consegue ter uma estimativa de custos para o seu caso de uso, exportar suas estimativas para análise off-line e ajustar seus gastos com base nas suas exigências.

Um cientista de dados analisa a sequência de ações a seguir ao usar os blocos de anotações do Amazon SageMaker Studio.

1. Ele abre o bloco de anotações 1 em um kernel do TensorFlow em uma instância ml.c5.xlarge e trabalha nesse bloco de anotações por 1 hora.
2. Abre o bloco de anotações 2 em uma instância ml.c5.xlarge. Ele se abrirá automaticamente na mesma instância ml.c5.xlarge que está executando o bloco de anotações 1. 
3. O cientista trabalha no bloco de anotações 1 e no bloco de anotações 2 simultaneamente por 1 hora.
   
4. O cientista de dados será cobrado por um total de duas (2) horas de uso da ml.c5.xlarge. Para a hora sobreposta durante a qual ela trabalhou no bloco de anotações 1 e no bloco de anotações 2 ao mesmo tempo, cada aplicação de kernel será medida por 0,5 hora e ela será cobrada por 1 hora.
   

O Amazon SageMaker Processing somente cobra pelas instâncias utilizadas durante a execução dos seus trabalhos. Quando você fornece os dados de entrada para processamento no Amazon S3, o Amazon SageMaker baixa os dados do Amazon S3 para o armazenamento local de arquivos no início de um trabalho de processamento.

O analista de dados executa um trabalho de processamento para pré-processar e validar dados em duas instâncias ml.m5.4xlarge por uma duração de 10 minutos. Ela carrega um conjunto de dados de 100 GB no S3 como entrada para o trabalho de processamento, e os dados de saída aproximadamente do mesmo tamanho são armazenados no S3.

O subtotal do trabalho do Amazon SageMaker Processing = 0,308 USD;
O subtotal de 200 GB do armazenamento de uso geral em SSD = 0,0032 USD.
O preço total para esse exemplo seria de 0,3112 USD

Como um cientista de dados, você gasta 3 dias usando o Amazon SageMaker Data Wrangler para limpar, explorar e visualizar seus dados por 6 horas por dia. Para executar o seu pipeline de preparação de dados, você então inicia uma tarefa do Amazon SageMaker Data Wrangler agendada para executar semanalmente.

A tabela abaixo resume seu uso total do mês bem como as cobranças associadas ao uso do Amazon SageMaker Data Wrangler.

Na tabela, você usa o Amazon SageMaker Data Wrangler por um total de 18 horas em 3 dias para preparar seus dados. Além disso, você cria uma tarefa do Amazon SageMaker Data Wrangler para preparar dados atualizados semanalmente. Cada trabalho dura 40 minutos e é executado semanalmente por um mês.

Total de cobranças mensais para o uso do Data Wrangler = 16,596 USD + 2,461 USD = 19,097 USD

Você possui uma aplicação Web que emite leituras e gravações de 25 KB cada para a Loja de recursos do Amazon SageMaker. Nos primeiros 10 dias de um mês, você recebe pouco tráfego para sua aplicação, resultando em 10.000 gravações e 10.000 leituras para a Loja de recursos do SageMaker a cada dia. No dia 11º dia do mês, sua aplicação chama a atenção nas redes sociais e o tráfego da aplicação atinge um pico de 200.000 leituras e 200.000 gravações neste dia. A sua aplicação então estabiliza em um padrão de tráfego mais regular, com uma média de 80.000 leituras e 80.000 gravações por dia até o fim do mês.

A tabela abaixo resume seu uso total do mês, bem como as cobranças associadas ao uso da Loja de recursos do Amazon SageMaker.

++ Todas as unidades fracionárias de leitura são arredondadas para o número inteiro seguinte

Armazenamento de dados
Total de dados armazenados = 31,5 GB
Cobranças mensais por armazenamento de dados = 31,5 GB * 0,45 USD = 14,175 USD

Total de cobranças mensais para o Amazon SageMaker Feature Store = 56,875 USD + 3,185 USD + 14,175 USD = 74,235 USD

Uma cientista de dados passou uma semana trabalhando em um modelo para uma nova ideia. Ela treina o modelo 4 vezes em uma ml.m4.4xlarge por 30 minutos executando o treinamento com o Amazon SageMaker Debugger ativado usando duas regras internas e uma regra personalizada que ela escreveu. Para a regra personalizada, ela especificou a instância ml.m5.xlarge. Ela treina usando 3 GB de dados de treinamento no Amazon S3 e envia a saída do modelo de 1 GB para o Amazon S3. O SageMaker cria volumes de uso geral com SSD (gp2) para cada instância de treinamento. O SageMaker também cria volumes de uso geral com SSD (gp2) para cada regra especificada. Neste exemplo, um total de 4 volumes de uso geral com SSD (gp2) será criado. O SageMaker Debugger emite 1 GB de dados de depuração para o bucket do Amazon S3 do cliente.

O total de cobranças de treinamento e depuração neste exemplo é de 2,38 USD. As instâncias de computação e os volumes de armazenamento de uso geral usados pelas regras internas do Amazon SageMaker Debugger não incorrem em cobranças adicionais.

O modelo no exemplo 5 é então implantado na produção para duas (2) instâncias ml.c5.xlarge para obter uma hospedagem multi-AZ confiável. O Amazon SageMaker Model Monitor é ativado com uma (1) instância ml.m5.4xlarge e os trabalhos de monitoramento são agendados uma vez por dia. Cada trabalho de monitoramento leva 5 minutos para ser concluído. O modelo recebe 100 MB de dados por dia e as inferências têm 1/10 do tamanho dos dados de entrada.

Subtotal de treinamento, hospedagem e monitoramento = 305,827 USD. Subtotal para 3100 MB de dados de entrada processados e 310 MB de dados de saída processados para hospedagem por mês = 0,06 USD. O total de cobranças para este exemplo seria de 305,887 USD por mês.

Para regras internas com a instância ml.m5.xlarge, você obtém até 30 horas de monitoramento agregado em todos os endpoints todo mês, sem custos.

A inferência assíncrona do Amazon SageMaker cobra pelas instâncias usadas pelo endpoint. Quando não está processando solicitações ativamente, é possível configurar a autoescalabilidade para escalar a contagem da instância para zero para economizar em custos. Para inserir cargas úteis no Amazon S3, não há custo para ler dados de entrada do Amazon S3 e gravar os dados de saída no S3 da mesma região.

O modelo no Exemplo n^o 5 é usado para executar um endpoint de inferência assíncrona do SageMaker. O endpoint é configurado para executar em uma instância ml.c5.xlarge e reduzir a escala na vertical de contagem de instâncias para zero quando não estiver processando solicitações ativamente. A instância ml.c5.xlarge do endpoint tem um armazenamento de uso geral (SSD) de 4 GB anexado a ela. Neste exemplo, o endpoint mantém uma contagem de instância de 1 por 2 horas por dia e tem um período de desaquecimento de 30 minutos, após o qual ele reduz a escala na vertical para uma contagem de instância de zero pelo resto do dia. Portanto, você é cobrado por 2,5 horas de uso por dia. 

O endpoint processa 1.024 solicitações por dia. O tamanho de cada corpo de solicitação/resposta de invocação é de 10 KB e cada carga útil de solicitação de inferência no Amazon S3 é 100 MB. As saídas de inferência têm 1/10 do tamanho dos dados de entrada, os quais são armazenados de volta no Amazon S3 na mesma região. Neste exemplo, as cobranças de processamento de dados se aplicam ao corpo de solicitação e de resposta, mas não aos dados transferidos do Amazon S3 e para ele. 

Subtotal de inferência assíncrona do SageMaker = 15,81 USD + 0,56 USD + 2* 0,0048 = 16,38 USD. O total de cobranças de inferência assíncrona para este exemplo seria de 16,38 USD por mês.

O recurso Transformação em lote do Amazon SageMaker cobra somente pelas instâncias utilizadas durante a execução das suas tarefas. Se os seus dados já estiverem no Amazon S3, não haverá custo para ler dados de entrada do S3 e gravar dados de saída no S3 na mesma região. 

O modelo no Exemplo n^o 5 é usado para executar o SageMaker Batch Transform. O cientista de dados executa 4 tarefas separadas do SageMaker Batch Transform em 3 ml.m4.4xlarge para 15 minutos por execução de tarefa. Ela carrega um conjunto de dados de avaliação de 1 GB no S3 para cada execução, e as inferências têm um décimo do tamanho dos dados de entrada armazenados de volta no S3.

O subtotal para o trabalho do SageMaker Batch Transform = 2,88 USD; o subtotal para 4,4 GB no Amazon S3 = 0 USD. O total de cobranças para esse exemplo seria de 2,90 USD.