Definição de preço do Amazon SageMaker

Com o Amazon SageMaker, você paga somente pelo que usar. A criação, o treinamento e a implantação de modelos de ML são cobrados por segundo, sem taxas mínimas e sem compromissos antecipados.

Como parte do Nível gratuito da AWS, você pode começar a usar o Amazon SageMaker gratuitamente. Se você nunca usou o Amazon SageMaker antes, nos primeiros dois meses, é oferecido um nível gratuito mensal de 250 horas de uso de blocos de anotações t2.medium ou t3.medium com instâncias de bloco de anotações sob demanda ou instâncias t3.medium com blocos de anotações do SageMaker Studio para construir seus modelos, mais 50 horas de m4.xlarge ou m5.xlarge para treinar seus modelos, mais 125 horas de m4.xlarge ou m5.xlarge para implantar seus modelos de machine learning para inferência em tempo real e transformação em lote com o Amazon SageMaker. O nível gratuito não inclui o uso do volume de armazenamento. O seu nível gratuito começa no primeiro mês, assim que você cria seu primeiro recurso do SageMaker.

Agora você pode acessar gratuitamente o Amazon SageMaker Studio, o primeiro ambiente de desenvolvimento integrado (IDE) totalmente. 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.

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 na nuvem. A análise completa do TCO para o Amazon SageMaker pode ser encontrada aqui.

Uma cientista de dados executa a seguinte sequência de ações enquanto usa blocos de anotações do SageMaker Studio.

1. Abre o bloco de anotações 1 em um kernel 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 vai abrir automaticamente na mesma instância ml.c5.xlarge que está executando o bloco de anotações 1. 
3. Trabalha no bloco de anotações 1 e no bloco de anotações 2 simultaneamente por 1 hora. 
4. A cientista de dados será cobrada 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 aplicativo de kernel será medido 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 = 0,359 USD;
O subtotal de 200 GB do armazenamento de uso geral em SSD = 0,0032 USD.
O preço total para esse exemplo seria de 0,3622 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 no bucket do Amazon S3 do cliente.

As cobranças totais de treinamento e depuração neste exemplo são de 2,7811 USD. As instâncias de computação e os volumes de armazenamento de uso geral usados pelas regras internas do SageMaker Debugger não incorrem em custos adicionais.

O modelo no Exemplo #3 é então implementado na produção para duas (2) instâncias ml.c5.xlarge para 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 = 356,832 USD. Subtotal para 3100 MB de dados de entrada processados e 310 MB de dados de saída processados para hospedagem por mês = 0,056 USD. O total de cobranças para este exemplo seria de 356,887 USD por mês.

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

O Amazon SageMaker Batch Transform somente cobra 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.

O modelo no exemplo 1 é usado para executar o Batch Transform. A cientista de dados executa quatro tarefas separadas do Batch Transform em três ml.m4.4xlarge para 15 minutos por execução de trabalho. Ela carrega um conjunto de dados de avaliação de 1 GB em S3 para cada execução, e as inferências têm um décimo do tamanho dos dados de entrada armazenados de volta em S3.

O subtotal para o trabalho do Batch Transform = 3,36 USD; o subtotal para 4,4 GB para o Amazon S3 = 0. O total de cobranças para esse exemplo seria de 3,36 USD.