O Amazon SageMaker ajuda cientistas de dados e desenvolvedores a preparar, construir, treinar e implantar modelos de machine learning (ML) de alta qualidade rapidamente reunindo um amplo conjunto de funcionalidades de propósito específico para ML. O SageMaker é compatível com os principais frameworks e toolkits de machine learning e linguagens de programação.

Com o SageMaker, você paga somente pelo que usar. Há duas opções de pagamento: preços sob demanda, que são cobrados sem taxas mínimas e sem compromissos antecipados, e os SageMaker Savings Plans, que oferecem um modelo de preços flexível e baseado em uso em troca de um compromisso de uso de uma quantidade constante.

Nível gratuito do Amazon SageMaker

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.

Capacidade do Amazon SageMaker Uso do nível gratuito por mês pelos primeiros dois meses
Cadernos do Studio e instâncias de cadernos sob demanda 250 horas da instância ml.t3.medium em cadernos do Studio OU 250 horas da instância ml.t2 medium ou ml.t3.medium em instâncias de cadernos sob demanda
RStudio no SageMaker 250 horas da instância ml.t3.medium na aplicação RSession E instância ml.t3.medium gratuita para a aplicação RStudioServerPro
Data Wrangler 25 horas da instância ml.m5.4xlarge
Feature Store 10 milhões de unidades de gravação, 10 milhões de unidades de leitura, 25 GB de armazenamento
Treinamento 50 horas de instâncias m4.xlarge ou m5.xlarge
Inferência em tempo real 125 horas de instâncias m4.xlarge ou m5.xlarge
Inferência sem servidor 150.000 segundos de duração de inferência
Canvas 750 horas/mês para tempo de sessão e até dez solicitações de criação de modelo/mês, cada uma com até 1 milhão de células/solicitação de criação de modelo

Preço sob demanda

  • Blocos de anotações do Studio
  • RStudio no SageMaker
  • Instâncias de blocos de anotações sob demanda
  • Processamento
  • Data Wrangler
  • Feature Store
  • Treinamento
  • Inferência em tempo real
  • Inferência assíncrona
  • Batch Transform
  • Inferência sem servidor
  • JumpStart
  • Blocos de anotações do Studio
  • Blocos de anotações do Amazon SageMaker Studio
    Os cadernos do Amazon SageMaker Studio são cadernos do Jupyter que podem ser acionados rapidamente com um clique. Os recursos de computação subjacentes são totalmente elásticos e os cadernos podem ser facilmente compartilhados com outras pessoas, viabilizando uma colaboração transparente. Você é cobrado pelo tipo de instância que escolhe, com base na duração de uso.

  • RStudio no SageMaker
  • RStudio no SageMaker
    O RStudio no SageMaker oferece recursos de computação em nuvem sob demanda para acelerar o desenvolvimento do modelo e melhorar a produtividade. Você é cobrado pelos tipos de instância que escolhe para executar o aplicativo RStudio Session e o aplicativo RStudio Server Pro.

    Aplicação RStudioServerPro

  • 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 executando o aplicativo Jupyter Notebook. Você é cobrado pelo tipo de instância que escolhe, com base na duração de uso.

  • Processamento
  • Amazon SageMaker Processing
    O Amazon SageMaker Processing permite executar facilmente suas cargas de trabalho de pré-processamento, pós-processamento e avaliação de modelos em uma infraestrutura totalmente gerenciada. Você é cobrado pelo tipo de instância que escolhe, com base na duração de uso.

  • Data Wrangler
  • Amazon SageMaker Data Wrangler
    O Amazon SageMaker Data Wrangler reduz o tempo para agregação e preparação de dados para machine learning de semanas para minutos. Você paga pelo tempo gasto para limpar, explorar e visualizar dados. O preço do SageMaker Data Wrangler é calculado por tipo de instância por segundo.

  • Feature Store
  • Amazon SageMaker Feature Store
    O Amazon SageMaker Feature Store é um repositório central para consumir, armazenar e oferecer recursos de machine learning. No SageMaker Feature Store, você é cobrado por gravações, leituras e armazenamento de dados. As gravações são cobradas como unidades de solicitação de gravação por KB, as leituras, como unidades de solicitação de leitura por cada 4 KB e o armazenamento de dados, por GB por mês.

  • Treinamento
  • Treinamento do Amazon SageMaker
    O Amazon SageMaker facilita o treinamento de modelos de machine learning (ML) fornecendo tudo o que você precisa para treinar, ajustar e depurar modelos. Você será cobrado pelo uso do tipo de instância que escolher. Ao usar o Amazon SageMaker Debugger para depurar problemas e monitorar recursos durante treinamentos, você pode usar regras internas para depurar suas tarefas de treinamento ou gravar suas próprias regras personalizadas. Não há custos para usar regras internas para depurar suas tarefas de treinamentos. Já para regras personalizadas, você é cobrado pelo tipo de instância que escolhe, com base na duração de uso.

  • Inferência em tempo real
  • Hospedagem do Amazon SageMaker: inferência em tempo real
    O Amazon SageMaker oferece inferência em tempo real para seus casos de uso que precisam de previsões em tempo real. Você será cobrado pelo uso do tipo de instância que escolher. Ao usar o Amazon SageMaker Model Monitor para manter modelos altamente precisos oferecendo inferência em tempo real, você pode usar regras internas para monitorar seus modelos ou gravar suas próprias regras personalizadas. Para regras internas, você recebe até 30 horas de monitoramento de graça. Cobranças adicionais serão baseadas na duração do uso. Ao usar regras personalizadas, você é cobrado separadamente.

  • Inferência assíncrona
  • Inferência assíncrona do Amazon SageMaker:
    A Inferência assíncrona do Amazon SageMaker é uma opção de inferência em tempo quase real que enfileira as solicitações recebidas e as processa de forma assíncrona. Use esta opção quando precisar processar grandes cargas úteis à medida que os dados chegam ou rodam modelos que têm longos tempos de processamento de inferência e não têm requisitos de latência de subsegundo. Você é cobrado pelo tipo de instância que você escolher.

  • Batch Transform
  • Transformação em lote do Amazon SageMaker
    Com o recurso Transformação em lote do Amazon SageMaker, não há necessidade de dividir seu conjunto de dados em várias partes, nem de gerenciar endpoints em tempo real. O SageMaker Batch Transform permite que você execute previsões sobre conjuntos de dados de lotes grandes ou pequenos. Você é cobrado pelo tipo de instância que escolhe, com base na duração de uso.

  • Inferência sem servidor
  • Amazon SageMaker Serverless Inference
    O Amazon SageMaker Serverless Inference permite que você implante modelos de machine learning para inferência sem configurar ou gerenciar qualquer infraestrutura subjacente. Com a inferência sem servidor, você paga apenas pela capacidade computacional usada para processar solicitações de inferência, cobradas por milissegundo e pela quantidade de dados processados. A carga de computação depende da configuração de memória que você escolher.

  • JumpStart
  • Amazon SageMaker JumpStart
    O Amazon SageMaker JumpStart ajuda você a começar a usar o machine learning de forma rápida e fácil com acesso com um clique a coleções de modelos populares (também conhecidos como “zoológicos modelo”). O Jumpstart também oferece soluções completas que resolvem casos de uso comuns de ML que podem ser personalizados de acordo com as suas necessidades. Não há custo adicional pelo uso de modelos ou soluções JumpStart. Você será cobrado pelas horas de instância de treinamento e inferência subjacentes usadas como se as tivesse criado manualmente.

Amazon SageMaker Studio

Agora você pode acessar o Amazon SageMaker Studio, o primeiro ambiente de desenvolvimento totalmente integrado (IDE), sem cobrança adicional. O SageMaker Studio fornece acesso e visibilidade completos em cada etapa necessária para construir, treinar e implantar modelos. Usando o SageMaker Studio, você paga apenas pela computação e armazenamento subjacentes que usa no Studio.

Você pode usar muitos serviços do SageMaker Studio, AWS SDK para Python (Boto3) ou AWS CLI, incluindo:

  • SageMaker Pipelines para automatizar e gerenciar fluxos de trabalho de ML
  • SageMaker Autopilot para criar automaticamente modelos de ML com visibilidade total
  • O SageMaker Experiments para organizar e rastrear suas tarefas e versões de treinamento
  • SageMaker Debugger para depurar anomalias durante treinamentos
  • SageMaker Model Monitor para manter modelos de alta qualidade
  • SageMaker Clarify para explicar melhor os seus modelos de ML e detectar tendências
  • SageMaker JumpStart para implantar facilmente soluções de ML para vários casos de uso. Você pode acumular em cobranças de outros produtos da AWS usados na solução para as chamadas de API subjacentes feitas pelo Amazon SageMaker em seu nome
  • SageMaker Inference Recommender para obter recomendações para a configuração correta do endpoint

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

Amazon SageMaker Studio Lab (pré-visualização)

Você pode criar e treinar modelos de machine learning usando o Amazon SageMaker Studio Lab (pré-visualização) gratuitamente. O SageMaker Studio Lab oferece aos desenvolvedores, acadêmicos e cientistas de dados um ambiente de desenvolvimento sem configuração para aprender e experimentar o machine learning sem custo adicional.

Amazon SageMaker Canvas

Amazon SageMaker Canvas expande o acesso ao ML, fornecendo aos analistas de negócios a capacidade de gerar previsões precisas de ML usando uma interface visual de apontar e clicar - sem necessidade de codificação ou experiência em ML.

Rotulagem de dados Amazon SageMaker

O Amazon SageMaker Data Labeling oferece duas ofertas de rotulagem de dados: Amazon SageMaker Ground Truth Plus e Amazon SageMaker Ground Truth. Saiba mais sobre o Amazon SageMaker Data Labeling, um serviço totalmente gerenciado de rotulagem de dados que facilita a construção de conjuntos de dados de treinamento altamente precisos para machine learning.

Amazon SageMaker Edge

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

Amazon SageMaker Savings Plans

Os Amazon SageMaker Savings Plans ajudam a reduzir seus custos em até 64%. Esses planos são aplicados automaticamente a usos de instâncias de ML qualificadas do SageMaker, entre elas os cadernos do SageMaker Studio e do SageMaker On-Demand, 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 workloads de inferência a qualquer momento e continuar automaticamente a pagar o preço dos Savings Plans. 

Saiba mais »

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 três anos em comparação com outras soluções autogerenciadas baseadas na nuvem. Saiba mais por meio da análise completa do TCO para o Amazon SageMaker.

Exemplos de preços

  • Exemplo de preço n.º 1: cadernos do Studio

    Um cientista de dados executa a seguinte sequência de ações ao usar os cadernos do Amazon SageMaker Studio.

    1. Ele abre o caderno 1 em um kernel do TensorFlow em uma instância ml.c5.xlarge e trabalha nesse caderno por uma hora.
    2. Ele abre o caderno 2 em uma instância ml.c5.xlarge. O caderno abrirá automaticamente na mesma instância ml.c5.xlarge que está executando o caderno 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 ele trabalhou no caderno 1 e no caderno 2 ao mesmo tempo, cada aplicação do kernel será medida por meia hora e ele será cobrado por uma hora.
    Aplicação do kernel Instância de cadernos Horas Custo por hora Total
    TensorFlow ml.c5.xlarge 1 USD 0,204 USD 0,204
    TensorFlow ml.c5.xlarge 0,5 USD 0,204 USD 0,102
    Ciência de dados ml.c5.xlarge 0,5 USD 0,204 USD 0,102
            USD 0,408
  • Exemplo de preço n.º 2: RStudio no SageMaker

    Uma cientista de dados executa a seguinte sequência de ações enquanto usa o RStudio no SageMaker.

    1. Inicia o RSession 1 em uma instância ml.c5.xlarge e trabalha nesse caderno por uma hora.
    2. Executa o RSession 2 em uma instância ml.c5.xlarge. Ele se abrirá automaticamente na mesma instância ml.c5.xlarge que está executando o RSession 1.
    3. Funciona no RSesssion 1 e RSession 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 ele trabalhou no RSession 1 e RSession 2 ao mesmo tempo, cada aplicação RSession será medida por meia hora e ele será cobrado por uma hora.

    Nesse ínterim, o servidor R está funcionando 24 horas por dia, 7 dias na semana, independentemente de haver sessões do R em execução ou não. Se o administrador escolher “Pequeno” (ml.t3.medium), então é gratuito. Se o administrador escolher "Médio" (ml.c5.4xlarge) ou "Grande" (ml.c5.9xlarge), ele será cobrado por hora, desde que o RStudio esteja habilitado para o domínio do SageMaker.

    Aplicação do RSession Instância do RSession Horas Custo por hora Total
    Base R ml.c5.xlarge 1 USD 0,204 USD 0,204
    Base R ml.c5.xlarge 0,5 USD 0,204 USD 0,102
    Base R ml.c5.xlarge 0,5 USD 0,204 USD 0,102
            USD 0,408
  • Exemplo de preço n.º 3: 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.

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

    Horas  Instâncias de processamento Custo por hora Total
    1 * 2 * 0,167 = 0,334 ml.m5.4xlarge 0,922 USD USD 0,308
    Armazenamento de uso geral (SSD) (GB)  Custo por hora Total
    100 GB * 2 = 200 0,14 USD USD 0,0032

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

  • Exemplo de preço n.º 4: Data Wrangler

    Como um cientista de dados, você gasta três dias usando o Amazon SageMaker Data Wrangler para limpar, explorar e visualizar seus dados por seis 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.

    Aplicação Instância do SageMaker Studio Dias Duração Duração total Custo por hora  Subtotal de custos
    SageMaker Data Wrangler ml.m5.4xlarge 3 6 horas 18 horas 0,922 USD 16,596 USD
    Trabalho do SageMaker Data Wrangler ml.m5.4xlarge - 40 minutos 2,67 horas 0,922 USD 2,461 USD

    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 = USD 16,596 + USD 2,461 = USD 19,097

  • Exemplo de preço n.º 5: Feature Store

    Você possui uma aplicação Web que emite leituras e gravações de 25 KB cada para o Amazon SageMaker Feature Store. Nos primeiros dez dias de um mês, você recebe pouco tráfego para sua aplicação, resultando em 10.000 gravações e 10.000 leituras para o SageMaker Feature Store todo 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 do Amazon SageMaker Feature Store.

    Dia do mês Total de gravações Total de unidades de gravação Total de leituras Total de unidades de leitura
    Dias 1 a 10 100.000 gravações 
    (10.000 gravações * 10 dias)
    2.500.000 
    (100.000 * 25 KB)
    100.000 
    (10.000 * 10 dias)
    700.000++ 
    (100.000 * 25/4 KB )
             
    Dia 11 200.000 gravações 5.000.000 
    (200.000 * 25 KB)
    200.000 leituras 1.400.000++ 
    (200.000 * 25/4 KB)
             
    Dia 12 de 30 1.520.000 gravações 
    (80.000 * 19 dias)
    38.000.000 
    (1.520.000 * 25 KB)
    1.520.000 gravações
    (80.000 * 19 dias)
    10.640.000++
    (1.520.000 * 25/4 KB)
             
    Total de unidades passíveis de cobrança   45.500.000 de unidades de gravação   12.740.000 de unidades de leitura
    Cobranças mensais para gravações e leituras   56,875 USD 
    (45.5 milhão de unidades de gravação * 1,25 USD por milhão de gravações)
      3.185 USD 
    (12.74 milhão de unidades de leitura * 0,25 USD por milhão de leituras)

    ++ 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 = USD 56,875 + USD 3,185 + USD 14,175 = USD 74,235

  • Exemplo de preço n.º 6: 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 Simple Storage Service (Amazon S3) e envia a saída do modelo de 1 GB para o Simple Storage Service (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 quatro volumes de uso geral com SSD (gp2) será criado. O SageMaker Debugger envia 1 GB de dados de depuração para o bucket do Simple Storage Service (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 0,96 USD 1,92 USD
    4 * 0,5 * 2 = 4 N/D Sem encargos adicionais para instâncias de regra internas USD 0 USD 0
    4 * 0,5 = 2 ml.m5.xlarge n/d 0,23 USD 0,46 USD
            -------
            USD 2,38
      Armazenamento de uso geral (SSD) para treinamento (GB)  Armazenamento de uso geral (SSD) para regras internas do depurador (GB) Armazenamento de uso geral (SSD) para regras personalizadas do depurador (GB) Custo por GB/mês Subtotal
    Capacidade usada 3 2 1    
    Custo USD 0 Sem cobranças adicionais para volumes de armazenamento de regras internas USD 0 0,10 USD USD 0

    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.

  • Exemplo de preço n.º 7: inferência em tempo real

    O modelo no exemplo 5 é então implantado na produção para 2 (duas) instâncias ml.c5.xlarge para obter uma hospedagem multi-AZ confiável. O Amazon SageMaker Model Monitor é ativado com 1 (uma) instância ml.m5.4xlarge e os trabalhos de monitoramento são agendados uma vez por dia. Cada trabalho de monitoramento leva cinco 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   USD 0,204 303,522 USD
    31*0,08 = 2,5   ml.m5.4xlarge 0,922 USD USD 2,305

     

    Dados de entrada por mês: hospedagem Dados de saída por mês: hospedagem Custo por GB de entrada ou saída Total
    100 MB * 31 = 3.100 MB   USD 0,016 USD 0,0496
      10 MB * 31 = 310 MB USD 0,016 USD 0,00496

    Subtotal para treinamento, hospedagem e monitoramento = USD 305,827. Subtotal para 3.100 MB de dados de entrada processados e 310 MB de dados de saída processados para hospedagem por mês = USD 0,054. O total de cobranças para este exemplo seria de USD 305,881 por mês.

    Observação: 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.

  • Exemplo de preço n.º 8: inferência assíncrona

    O Amazon SageMaker Asynchronous Inference 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 cargas úteis de entrada no Simple Storage Service (Amazon S3), não há custo para ler dados de entrada do Simple Storage Service (Amazon S3) e gravar dados de saída no S3 da mesma região.

    O modelo no exemplo n.º 5 é usado para executar um endpoint do SageMaker Asynchronous Inference. O endpoint é configurado para executar em uma instância ml.c5.xlarge e reduzir a escala na vertical da 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 um, por duas 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 Simple Storage Service (Amazon S3) é de 100 MB. As saídas de inferência têm 1/10 do tamanho dos dados de entrada, os quais são armazenados de volta no Simple Storage Service (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 Simple Storage Service (Amazon S3) e para ele. 

    Horas por mês Instâncias de hospedagem Custo por hora Total
    2,5 * 31 * 1 = 77,5 ml.c5.xlarge 0,20 USD USD 15,81
    Armazenamento de uso geral (SSD) (GB) Custo por GB/mês Total
    4 0,14 USD 0,56 USD
    Dados de entrada por mês Dados de saída por mês Custo por GB de entrada ou saída Total
    10 KB * 1.024 * 31 = 310 MB 10 KB * 1.024 * 31 = 310 MB USD 0,02 0,0048
      10 KB * 1.024 * 31 = 310 MB USD 0,02 0,0048

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

  • Exemplo de preço n.º 9: transformação em lote

    O Amazon SageMaker Batch Transform cobra somente pelas instâncias utilizadas enquanto suas tarefas estão em execução. Se os seus dados já estiverem no Simple Storage Service (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. A cientista de dados executa quatro tarefas separadas do SageMaker Batch Transform em três ml.m4.4xlarge por 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 1/10 do tamanho dos dados de entrada armazenados de volta no S3.

    Horas  Instâncias de treinamento Custo por hora Total
    3 * 0,25 * 4 = 3 horas ml.m4.4xlarge 0,96 USD 2,88 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 USD 0,02 USD 0

    Subtotal do trabalho do SageMaker Batch Transform = USD 2,88. Subtotal de 4,4 GB no Simple Storage Service (Amazon S3) = USD 0. O total de cobranças para este exemplo seria de USD 2,90.

  • Exemplo de preço n.º 10: inferência sem servidor

    Com a inferência sem servidor, você paga apenas pela capacidade computacional usada para processar solicitações de inferência, cobradas por milissegundo e pela quantidade de dados processados. A carga de computação depende da configuração de memória que você escolher.

    Se você alocou 2 GB de memória para seu endpoint, executou 10 milhões de vezes em um mês, funcionou por 100 ms toda vez e processou 10 GB de entrada/saída de dados no total, suas cobranças serão calculadas da seguinte forma:

    Cobranças mensais por computação

    Número de solicitações Duração de cada pedido Duração total de inferência (segundos) Custo por segundo Cobrança de duração de inferência mensal
    10 milhões 100 ms 1 milhão USD 0,00004 USD 40

    Cobranças mensais de processamento de dados

    Processamento de dados (GB) Custo por GB de entrada ou saída Taxa mensal de processamento de dados
    10 GB USD 0,016 USD 0,16

    Subtotal para custo de duração do SageMaker Serverless Inference = USD 40. Subtotal para cobrança de processamento de dados de 10 GB = USD 0,16. O total de cobranças para este exemplo seria de USD 40,16.

  • Exemplo de preço n.º 11: Jumpstart

    O cliente usa o JumpStart para implantar um modelo pré-treinado BERT Base Uncased para classificar o sentimento de avaliação do cliente como positivo ou negativo.

    O cliente implanta o modelo em 2 (duas) instâncias ml.c5.xlarge para hospedagem Multi-AZ confiável. 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 Custo por hora Total
    24 * 31 * 2 = 1488 ml.c5.xlarge USD 0,204 USD 303,55
     
    Dados de entrada por mês: hospedagem Dados de saída por mês – Hospedagem Custo por GB de entrada ou saída

    Total

    100 MB * 31 = 3.100 MB   USD 0,02 USD 0,06
      10 MB * 31 = 310 MB USD 0,02 USD 0,01
     

    Subtotal para treinamento, hospedagem e monitoramento = USD 305,827. Subtotal para 3.100 MB de dados de entrada processados e 310 MB de dados de saída processados para hospedagem por mês = USD 0,06. O total de cobranças para este exemplo seria de USD 305,887 por mês.

Saiba mais sobre o Amazon SageMaker

Visite a página de visão geral do SageMaker
Pronto para começar?
Cadastrar-se
Tem outras dúvidas?
Entre em contato conosco