Цены на Amazon SageMaker

При работе с Amazon SageMaker оплате подлежат только используемые ресурсы. Плата за создание, обучение и развертывание моделей машинного обучения взимается по секундам, без минимальных платежей или долгосрочных обязательств.

В рамках уровня бесплатного пользования AWS работу с Amazon SageMaker можно начать бесплатно. Если вы используете Amazon SageMaker впервые, то в течение первых двух месяцев вам будет доступен уровень бесплатного пользования, ежемесячно включающий 250 часов использования блокнота по требованию для создания моделей на инстансе t2.medium или t3.medium или блокнотов Amazon SageMaker Studio на инстансе t3.medium, а также 50 часов использования инстанса m4.xlarge или m5.xlarge для обучения и 125 часов использования инстанса m5.xlarge или m4.xlarge для развертывания моделей машинного обучения с целью формирования логических выводов в режиме реального времени и пакетных преобразований с помощью Amazon SageMaker. Использование хранилища уровнем бесплатного пользования не предусмотрено. Действие уровня бесплатного пользования начинается с первого месяца, как только вы создали первый ресурс SageMaker.

Вам предоставлен доступ к Amazon SageMaker Studio – первой интегрированной среде разработки (IDE) для машинного обучения. SageMaker Studio обеспечивает полный доступ и видимость каждого шага, необходимого для создания, обучения и развертывания моделей. Сервис SageMaker Studio абсолютно бесплатный. Вы платите только за сервисы AWS, которые используете в среде Studio.

Amazon SageMaker предлагает снизить совокупную стоимость владения (TCO) не менее чем на 54 % в течение трех лет, по сравнению с другими облачными самоуправляемыми сервисами. Полный анализ совокупной стоимости владения (TCO) для Amazon SageMaker можно найти здесь.

Специалист по работе с данными выполняет описанную ниже последовательность действий, используя блокноты SageMaker Studio.

1. Открывает блокнот 1 в ядре TensorFlow на инстансе ml.c5.xlarge, затем работает на этом блокноте 1 час.
2. Открывает блокнот 2 на инстансе ml.c5.xlarge. Он автоматически откроется в том же инстансе ml.c5.xlarge, что и блокнот 1. 
3. Работает одновременно на блокнотах 1 и 2 в течение 1 часа. 
4. Специалисту по работе с данными будет выставлен общий счет за 2 (два) часа использования ml.c5.xlarge. За час, в течение которого специалист работал одновременно на блокнотах 1 и 2, будет учтено применение каждого ядра в течение 0,5 часа и выставлен счет за 1 час.
   

Amazon SageMaker Processing начисляет плату только за инстансы, используемые во время выполнения заданий. Когда вы предоставляете входные данные для обработки в Amazon S3, Amazon SageMaker скачивает эти данные из Amazon S3 в локальное хранилище данных перед началом задания обработки.

Специалист по обработке данных запускает задание обработки, чтобы предварительно обработать и проверить данные на двух инстансах ml.m5.4xlarge, что потребует 10 минут работы. Она загружает набор входных данных 100 ГБ в S3 для задания обработки, а выходные данные примерно такого же размера также будут сохраняться в S3.

Промежуточный итог: задание обработки Amazon SageMaker = 0,359 USD;
Промежуточный итог: универсальное хранилище SSD объемом 200 ГБ = 0,0032 USD.
Итоговая стоимость для этого примера составит 0,3622 USD

Специалист по работе с данными в течение недели работала над моделью для воплощения новой идеи. Она обучила модель 4 раза на инстансе ml.m4.4xlarge, и каждое обучение выполнялось в течение 30 минут со включенным Amazon SageMaker Debugger, где настроены 2 встроенных и 1 настраиваемое правило, которое она написала сама. Для настраиваемого правила она указала инстанс ml.m5.xlarge. Для обучения она использует 3 ГБ обучающих данных, которые размещены в Amazon S3, а модель объемом 1 ГБ помещается в Amazon S3. SageMaker создает Универсальные тома SSD (gp2) для каждого инстанса обучения. Также SageMaker создает Универсальные тома SSD (gp2) для каждого используемого правила. В нашем примере это означает, что будут созданы 4 универсальных тома SSD (gp2). SageMaker Debugger выводит 1 ГБ отладочных данных в клиентскую корзину Amazon S3.

Общие затраты на обучение и отладку в нашем примере составят 2,7811 USD. Вычислительные инстансы и тома хранения общего назначения, которые используются встроенными правилами SageMaker Debugger, не приводят к дополнительным расходам.

Модель из примера №3 развертывается в рабочую среду с двумя (2) инстансами ml.c5.xlarge для обеспечения надежного развертывания в нескольких зонах доступности. Также используется Amazon SageMaker Model Monitor с одним (1) инстансом ml.m5.4xlarge, а задания мониторинга назначаются один раз в день. На завершение каждого задания мониторинга требуется около 5 минут. Ежедневно модель принимает 100 МБ данных. Логические выводы занимают 1/10 объема входящих данных.

Промежуточная сумма за обучение и хостинг = 356,832 USD; промежуточная сумма за хостинг 3100 МБ обработанных входящих данных и 310 МБ обработанных исходящих данных в месяц = 0,056 USD. Стоимость для этого примера составляет 356,887 USD в месяц.

Обратите внимание, что для встроенных правил с инстансами ml.m5.xlarge вы бесплатно получаете до 30 часов мониторинга по всем адресам на каждый месяц.

При использовании Amazon SageMaker Batch Transform плата начисляется только за инстансы, используемые во время выполнения заданий. Если данные уже находятся в Amazon S3, плата за чтение входных данных из S3 и запись выходных данных в S3 не начисляется.

Модель из примера 1 используется для выполнения пакетного преобразования. Специалист по работе с данными запускает четыре отдельных задания пакетного преобразования на трех инстансах ml.m4.4xlarge в течение 15 минут для каждого задания. При каждом запуске специалист загружает из S3 набор данных для оценки, который занимает 1 ГБ, при этом логические выводы, которые сохраняются в S3, занимают 1/10 объема входных данных.

Стоимость выполнения задания на пакетное преобразование = 3,36 USD; стоимость передачи 4,4 ГБ данных в Amazon S3 = 0. Итоговая стоимость для этого примера составит 3,36 USD