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.

Experimente o Amazon SageMaker gratuitamente

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.

O Amazon SageMaker Studio é gratuito

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.

Menor custo total de propriedade (TCO) com o Amazon SageMaker

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.

  • Blocos de anotações do Studio
  • Instâncias de blocos de anotações sob demanda
  • Processamento
  • Treinamento
  • Inferência em tempo real
  • Batch Transform
  • Blocos de anotações do Studio
  • Blocos de anotações do SageMaker Studio
    Os blocos de anotações do Studio são blocos de anotações do Jupyter que podem ser iniciados rapidamente com um clique. Os recursos computacionais subjacentes são totalmente elásticos. Esses blocos de anotações podem ser facilmente compartilhados com outros, permitindo uma colaboração perfeita. 

  • Instâncias de blocos de anotações sob demanda
  • Instâncias de blocos de anotações sob demanda
    Instâncias de blocos de anotações sob demanda são instâncias de computação de machine learning (ML) executando o Jupyter Notebook App. Você será cobrado pelo uso do tipo de instância que escolher. Cada bloco de anotações é listado separadamente em sua fatura.

  • Processamento
  • Processamento do SageMaker
    O SageMaker Processing permite executar facilmente suas cargas de trabalho de pré-processamento, pós-processamento e avaliação de modelos em uma infraestrutura totalmente gerenciada.

  • Treinamento
  • Treinamento do SageMaker
    O SageMaker facilita o treinamento de modelos de machine learning (ML), fornecendo tudo o que você precisa para treinar, ajustar e depurar modelos. Quando você usa o SageMaker Debugger, as regras embutidas são gratuitas. Para regras personalizadas, você precisará escolher uma instância e será cobrado pela duração de uso da instância.

  • Inferência em tempo real
  • Hospedagem do SageMaker: Inferência em tempo real
    Ao implantar seus modelos como endpoints do Amazon SageMaker para inferência em tempo real e ativar o Amazon SageMaker Model Monitor, você pode usar regras internas para monitorar seus modelos ou escrever suas próprias regras personalizadas. Para regras embutidas, você recebe até 30 horas de monitoramento de graça. O uso adicional será baseado no uso.

  • Batch Transform
  • Hospedagem do SageMaker: Transformação em lote
    Com o recurso de Transformação em lote, não há necessidade de dividir o conjunto de dados em diversas partes nem de gerenciar endpoints em tempo real. O recurso Batch Transform permite que você execute previsões em conjuntos de dados de lotes grandes ou pequenos.

Exemplo 1 de definição de preço: Blocos de anotações do Studio

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.
Aplicativo de kernel Instância de bloco de anotações Horas Subtotal de custo por hora Total
TensorFlow ml.c5.xlarge 1 0,24 USD  
TensorFlow ml.c5.xlarge 0,5 0,12 USD  
Ciência de dados ml.c5.xlarge 0,5 0,12 USD  
        0,48 USD

Exemplo 2 de definição de preço: Processamento

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.

Horas   Instâncias de processamento  Custo por hora Total
1 * 2 * 0,167 = 0,334 ml.m5.4xlarge 1,075 USD 0,359 USD
Armazenamento de uso geral (SSD) (GB)
 Custo por hora Total
100 GB * 2 = 200
0,14 USD 0,0032 USD

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

Exemplo 3 de definição de preço: Treinamento

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.

Horas Instância de treinamento Instância de depuração Custo por hora
Subtotal
4 * 0,5 = 2,00
ml.m4.4xlarge
N/D 1,12 USD 2,24 USD
4 * 0,5 * 2 = 4
N/D
Sem encargos adicionais para instâncias de regra internas 0 USD
0 USD
4 * 0,5 = 2
ml.m5.xlarge N/D 0,27 USD 0,54 USD
        -------
        2,78 USD
  Armazenamento de uso geral (SSD) para treinamento (GB)
Regras internas do armazenamento de uso geral (SSD) para depurador (GB) Regras personalizadas do armazenamento de uso geral (SSD) para depurador (GB) Custo por GB-mês Subtotal
Capacidade usada 3 2 1    
Custo 0,00083 USD Sem encargos adicionais para volumes de armazenamento de regras internas
0,00028 USD 0,10000 USD 0,0011 USD

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.

Exemplo 4 de definição de preço: Inferência

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.

Horas por mês Instâncias de hospedagem Instâncias do monitor de modelos
Custo por hora Total
24 * 31 * 2 = 1488 ml.c5.xlarge   0,238 USD 354,144 USD
31*0,08 = 2,5   ml.m5.4xlarge 1,075 USD 2,688 USD
Dados de entrada por mês – Hospedagem Dados de saída por mês – Hospedagem Custo por GB de entrada ou saída Total
100 MB * 31 = 3100 MB
  0,02 USD 0,050 USD
  10 MB * 31 = 310 MB 0,02 USD 0,006 USD

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.

Exemplo 5 de definição de preço: Transformação em lote

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.

Horas   Instâncias de treinamento  Custo por hora Total
3 * 0,25 * 4 = 3 horas ml.m4.xlarge 1,12 USD 3,36 USD
GB de entrada de dados – Batch Transform
GB de saída de dados – Batch Transform Custo por GB de entrada ou saída Total
0 0 0,02 USD 0

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.

Saiba mais sobre os recursos do Amazon SageMaker

Acesse a página de recursos
Pronto para começar?
Cadastre-se
Tem outras dúvidas?
Entre em contato conosco