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. 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.

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.

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 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

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 ao todo 18 horas por 3 duas para preparar seus dados. Além disso, você cria uma tarefa do Amazon SageMaker Data Wrangler para preparar dados atualizados semanalmente. Cada tarefa dura 40 minutos e é executada semanalmente por 1 mês.

Total de cobranças mensais para o uso do Data Wrangler = 17,28 USD + 2,56 USD = 19,84 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 a Loja de recursos do Amazon SageMaker = 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 no bucket do Amazon S3 do cliente.

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

O modelo no exemplo 3 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 = 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 custos.

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.

O modelo no exemplo 1 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 a tarefa do SageMaker 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.