Amazon SageMaker ช่วยให้นักวิทยาศาสตร์ข้อมูลและนักพัฒนาเตรียมความพร้อม สร้าง ฝึกอบรม และปรับใช้โมเดลแมชชีนเลิร์นนิง (ML) คุณภาพสูงได้อย่างรวดเร็วโดยการรวบรวมชุดความสามารถที่หลากหลาย ซึ่งสร้างขึ้นมาเพื่อ ML โดยเฉพาะเข้าด้วยกัน SageMaker รองรับเฟรมเวิร์ก ML, ชุดเครื่องมือ และภาษาเขียนโปรแกรมชั้นนำ

เมื่อใช้ SageMaker คุณจะจ่ายเฉพาะส่วนที่คุณใช้เท่านั้น คุณมีตัวเลือกในการชำระเงินสองรูปแบบ ได้แก่ ราคาแบบตามความต้องการ ซึ่งไม่มีค่าธรรมเนียมขั้นต่ำและไม่มีภาระผูกพันล่วงหน้า และ SageMaker Savings Plans ซึ่งนำเสนอโมเดลราคาที่ยืดหยุ่นตามการใช้งาน โดยแลกเปลี่ยนกับภาระผูกพันในการใช้งานอย่างต่อเนื่อง

Amazon SageMaker Free Tier

ลองใช้ Amazon SageMaker ได้ฟรี ในฐานะส่วนหนึ่งของ AWS Free Tier คุณสามารถเริ่มใช้งาน Amazon SageMaker ได้ฟรี Free Tier ของคุณจะเริ่มเดือนแรกเมื่อคุณสร้างทรัพยากร SageMaker แรกของคุณ รายละเอียดของ Free Tier สำหรับ Amazon SageMaker อยู่ในตารางด้านล่าง

ความสามารถของ Amazon SageMaker การใช้งาน Free Tier ต่อเดือนสำหรับระยะเวลา 2 เดือนแรก
Studio Notebooks และอินสแตนซ์โน้ตบุ๊กแบบตามความต้องการ อินสแตนซ์ ml.t3.medium 250 ชั่วโมงบน Studio Notebooks หรืออินสแตนซ์ ml.t2 medium 250 ชั่วโมง หรืออินสแตนซ์ ml.t3.medium 250 ชั่วโมงบนอินสแตนซ์โน้ตบุ๊กแบบตามความต้องการ
RStudio บน SageMaker อินสแตนซ์ ml.t3.medium 250 ชั่วโมงบนแอป RSession และอินสแตนซ์ ml.t3.medium ฟรีสำหรับแอป RStudioServerPro
Data Wrangler อินสแตนซ์ ml.m5.4xlarge 25 ชั่วโมง
Feature Store หน่วยการเขียน 10 ล้านหน่วย, หน่วยการอ่าน 10 ล้านหน่วย, พื้นที่จัดเก็บ 25 GB
การฝึกอบรม อินสแตนซ์ m4.xlarge หรือ m5.xlarge 50 ชั่วโมง
การอนุมานแบบเรียลไทม์ อินสแตนซ์ m4.xlarge หรือ m5.xlarge 125 ชั่วโมง
การอนุมานแบบไร้เซิร์ฟเวอร์ ระยะเวลาการอนุมาน 150,000 วินาที
Canvas 750 ชั่วโมง/เดือนสำหรับเวลาเซสชัน และคำขอการสร้างโมเดลสูงสุด 10 รายการ/เดือน โดยแต่ละคำขอมีได้สูงสุด 1 ล้านเซลล์/คำขอการสร้างโมเดล

ราคาแบบตามความต้องการ

  • Studio Notebooks
  • RStudio บน SageMaker
  • อินสแตนซ์ On-Demand Notebook
  • การประมวลผล
  • Data Wrangler
  • Feature Store
  • การฝึกอบรม
  • การอนุมานแบบเรียลไทม์
  • การอนุมานแบบอะซิงโครนัส
  • Batch Transform
  • การอนุมานแบบไร้เซิร์ฟเวอร์
  • JumpStart
  • Studio Notebooks
  • Amazon SageMaker Studio Notebooks
    Amazon SageMaker Studio Notebooks คือ Jupyter Notebook แบบคลิกเดียวที่สามารถเริ่มต้นการทำงานได้อย่างรวดเร็ว ทรัพยากรการประมวลผลพื้นฐานนั้นยืดหยุ่นได้อย่างเต็มที่ และสามารถแชร์ Notebooks ร่วมกับผู้อื่นได้ง่ายๆ ทำให้สามารถทำงานร่วมกันได้อย่างราบรื่น คุณจะถูกเรียกเก็บค่าใช้จ่ายเฉพาะสำหรับประเภทของอินสแตนซ์ที่คุณใช้และระยะเวลาในการใช้งาน

  • RStudio บน SageMaker
  • RStudio บน SageMaker
    RStudio บน SageMaker นำเสนอทรัพยากรการประมวลผลบนระบบคลาวด์แบบตามความต้องการเพื่อเร่งรัดการพัฒนาโมเดลและเพิ่มผลิตภาพ ระบบจะเรียกเก็บเงินจากคุณสำหรับประเภทอินสแตนซ์ที่คุณเลือกใช้งานแอป RStudio Session และแอป RStudio Server Pro

    แอป RStudioServerPro

  • อินสแตนซ์ On-Demand Notebook
  • อินสแตนซ์ On-Demand Notebook
    อินสแตนซ์ On-Demand Notebook คืออินสแตนซ์การประมวลผลที่เรียกใช้แอป Jupyter Notebook คุณจะถูกเรียกเก็บค่าใช้จ่ายเฉพาะสำหรับประเภทของอินสแตนซ์ที่คุณใช้และระยะเวลาในการใช้งาน

  • การประมวลผล
  • การประมวลผล Amazon SageMaker
    การประมวลผล Amazon SageMaker ช่วยให้คุณรันปริมาณงานสำหรับ ช่วงก่อนการประมวลผล หลังการประมวลผล และการประเมินโมเดลบนโครงสร้างพื้นฐานที่มีการจัดการเต็มรูปแบบได้อย่างง่ายดาย คุณจะถูกเรียกเก็บค่าใช้จ่ายเฉพาะสำหรับประเภทของอินสแตนซ์ที่คุณใช้และระยะเวลาในการใช้งาน

  • Data Wrangler
  • Amazon SageMaker Data Wrangler
    Amazon SageMaker Data Wrangler ช่วยลดเวลาในการรวบรวมและจัดเตรียมข้อมูลสำหรับการทำแมชชีนเลิร์นนิ่ง จากเป็นสัปดาห์เหลือเพียงไม่กี่นาที คุณจ่ายเฉพาะสำหรับเวลาที่ใช้ในการเรียบเรียง สำรวจ และแสดงภาพข้อมูล ราคาของ SageMaker Data Wrangler ขึ้นอยู่กับชนิดของอินสแตนซ์โดยลำดับที่สอง*

    Amazon SageMaker Data Wrangler Jobs

    Amazon SageMaker Data Wrangler Jobs จะถูกสร้างขึ้นเมื่อโฟลวของข้อมูลถูกนำออกจาก SageMaker Data Wrangler ด้วย Amazon SageMaker Data Wrangler Jobs คุณสามารถกำหนดการทำงานอัตโนมัติสำหรับเวิร์คโฟลวในการเตรียมข้อมูลได้ Amazon SageMaker Data Wrangler Jobs จะช่วยในการปรับใช้เวิร์กโฟลว์ในการจัดเตรียมข้อมูลของคุณบนชุดข้อมูลใหม่เพื่อช่วยคุณประหยัดเวลา และจะคิดค่าใช้จ่ายตามจำนวนวินาที

  • Feature Store
  • Amazon SageMaker Feature Store
    Amazon SageMaker Feature Store คือพื้นที่เก็บข้อมูลส่วนกลางสำหรับการนำเข้า จัดเก็บ และให้บริการฟีเจอร์ สำหรับแมชชีนเลิร์นนิ่ง คุณจะถูกเรียกเก็บเงินสำหรับการเขียน อ่าน และจัดเก็บข้อมูล บน SageMaker Feature Store การเขียนจะถูกคิดค่าใช้จ่ายตามหน่วยคำขอเขียนต่อ KB การอ่านจะถูกคิดค่าใช้จ่ายตามหน่วยคำขออ่านต่อ 4KB และการจัดเก็บข้อมูลจะถูกคิดค่าใช้จ่ายเป็น GB ต่อเดือน

  • การฝึกอบรม
  • Amazon SageMaker Training
    Amazon SageMaker Training ช่วยให้การฝึกอบรมโมเดลแมชชีนเลิร์นนิ่ง (ML) เป็นเรื่องง่ายโดยให้ทุกสิ่งที่คุณต้องการสำหรับการฝึกอบรม ปรับแต่ง และแก้ไขข้อบกพร่อง (debug) ของโมเดล คุณจะถูกเรียกเก็บเงินตามประเภทอินสแตนซ์ที่คุณเลือกใช้งาน เมื่อคุณใช้ Amazon SageMaker Debugger เพื่อแก้ไขข้อบกพร่องและติดตามทรัพยากรในระหว่างการฝึกข้อมูล คุณสามารถใช้กฎที่ติดตั้งมาด้วยเพื่อแก้ไขข้อบกพร่องของงานในการฝึกข้อมูลหรือเขียนกฎที่ตั้งค่าเองของคุณก็ได้ การใช้งานฝึกแก้ไขข้อบกพร่องนั้นไม่มีค่าใช้จ่าย คุณจะถูกเรียกเก็บค่าใช้จ่ายเฉพาะสำหรับประเภทอินแสตนซ์ที่คุณใช้และระยะเวลาในการใช้งาน

  • การอนุมานแบบเรียลไทม์
  • Amazon SageMaker Hosting: การอนุมานแบบเรียลไทม์
    Amazon SageMaker ให้บริการการอนุมานแบบเรียลไทม์สำหรับกรณีที่คุณต้องการการพยากรณ์แบบเรียลไทม์ คุณจะถูกเรียกเก็บเงินตามประเภทอินสแตนซ์ที่คุณเลือกใช้งาน เมื่อคุณใช้ Amazon SageMaker Model Monitor เพื่อรักษาความแม่นยำสูงของโมเดลที่ให้การอนุมานแบบเรียลไทม์ คุณสามารถใช้กฎในตัวเพื่อเฝ้าติดตามโมเดลหรือเขียนกฎแบบกำหนดเองได้ สำหรับกฎแบบกำหนดเอง คุณจะได้รับการตรวจสอบฟรีสูงสุด 30 ชั่วโมง ค่าใช้จ่ายเพิ่มเติมจะถูกเรียกเก็บโดยคิดจากระยะเวลาการใช้งาน คุณจะถูกเรียกเก็บค่าใช้จ่ายเพิ่มเติมต่างหากเมื่อคุณใช้กฎแบบที่คุณกำหนดเอง

  • การอนุมานแบบอะซิงโครนัส
  • การอนุมานแบบอะซิงโครนัสของ Amazon SageMaker:
    การอนุมานแบบอะซิงโครนัสของ Amazon SageMaker คือตัวเลือกในการอนุมานที่ใกล้เคียงแบบเรียลไทม์ซึ่งจัดคิวคำขอที่เข้ามาและประมวลผลคำขอเหล่านั้นแบบอะซิงโครนัส ใช้ตัวเลือกนี้เมื่อคุณต้องการประมวลผลเพย์โหลดขนาดใหญ่เมื่อข้อมูลมาถึงหรือใช้งานโมเดลที่ใช้เวลาในการประมวลผลการอนุมานยาวนานและไม่มีความต้องการเวลาแฝงในระดับต่ำกว่าวินาที คุณจะถูกเรียกเก็บเงินตามประเภทอินสแตนซ์ที่เลือก

  • Batch Transform
  • Amazon SageMaker Batch Transform
    การใช้ Amazon SageMaker Batch Transform ช่วยให้ไม่จำเป็นต้องแบ่งชุดข้อมูลออกเป็นหลายๆ ส่วนหรือจัดการตำแหน่งข้อมูลปลายทางแบบเรียลไทม์ SageMaker Batch Transform ช่วยให้คุณรันการคาดการณ์บนชุดข้อมูลแบบกลุ่มทั้งขนาดใหญ่และเล็กได้ คุณจะถูกเรียกเก็บค่าใช้จ่ายเฉพาะสำหรับประเภทของอินสแตนซ์ที่คุณใช้และระยะเวลาในการใช้งาน

  • การอนุมานแบบไร้เซิร์ฟเวอร์
  • Amazon SageMaker Serverless Inference
    Amazon SageMaker Serverless Inference ช่วยให้คุณปรับใช้โมเดลแมชชีนเลิร์นนิงสำหรับการอนุมานได้โดยไม่ต้องกำหนดค่าหรือจัดการโครงสร้างพื้นฐานที่จำเป็นใดๆ เมื่อใช้ Serverless Inference คุณจะจ่ายค่าบริการเฉพาะความสามารถในการคำนวณที่ใช้ประมวลผลคำขอการอนุมานเท่านั้น โดยจะเรียกเก็บเงินตามมิลลิวินาที และปริมาณของข้อมูลที่ประมวลผล ค่าบริการในการคำนวณจะขึ้นอยู่กับการกำหนดค่าหน่วยความจำที่คุณเลือก

  • JumpStart
  • Amazon SageMaker JumpStart
    Amazon SageMaker JumpStart ช่วยให้คุณเริ่มต้นใช้งานแมชชีนเลิร์นนิงได้อย่างรวดเร็วและง่ายดายด้วยการเข้าถึงชุดโมเดลยอดนิยมต่างๆ ได้ในคลิกเดียว (หรือที่เรียกว่า “Model Zoo”) Jumpstart ยังมีโซลูชันแบบครบวงจรที่ช่วยแก้ปัญหาการใช้งาน ML ทั่วไป ซึ่งสามารถปรับแต่งได้ตามความต้องการของคุณ ไม่มีค่าใช้จ่ายเพิ่มเติมสำหรับการใช้โมเดลหรือโซลูชันของ JumpStart คุณจะถูกเรียกเก็บเงินตามชั่วโมงอินสแตนซ์ Training and Inference (การฝึกอบรมและการอนุมาน) ที่ใช้ไป ในระดับเดียวกันกับที่คุณสร้างด้วยตนเอง

Amazon SageMaker Studio

ตอนนี้คุณสามารถเข้าถึง Amazon SageMaker Studio ซึ่งเป็นสภาพแวดล้อมสำหรับการพัฒนาแบบบูรณาการ (IDE) ตัวแรกได้โดยไม่มีค่าใช้จ่ายเพิ่มเติม SageMaker Studio ช่วยให้คุณเข้าถึงและมองเห็นแต่ละขั้นตอนที่ต้องใช้ในการสร้าง ฝึกอบรม และปรับใช้โมเดลได้อย่างสมบูรณ์ เมื่อใช้ SageMaker Studio คุณจะจ่ายเฉพาะการประมวลผลและพื้นที่จัดเก็บข้อมูลพื้นฐานที่คุณใช้ภายใน Studio เท่านั้น

คุณสามารถใช้บริการต่างๆ จาก SageMaker Studio, AWS SDK สำหรับ Python (Boto3) หรือ AWS CLI ได้ดังนี้

  • SageMaker Pipelines เพื่อจัดการและทำเวิร์กโฟลว์ของ ML ให้เป็นอัตโนมัติ
  • SageMaker Autopilot เพื่อสร้างโมเดล ML โดยอัตโนมัติซึ่งสามารถมองเห็นได้อย่างสมบูรณ์
  • SageMaker Experiments ใช้สำหรับจัดการและติดตามงานในการฝึกฝนและเวอร์ชันต่างๆ
  • SageMaker Debugger เพื่อแก้จุดบกพร่องของความผิดปกติต่างๆ ในระหว่างการฝึกอบรม
  • SageMaker Model Monitor เพื่อดูแลรักษาโมเดลให้มีคุณภาพสูง
  • SageMaker Clarify เพื่ออธิบายโมเดล ML ของคุณให้ดียิ่งขึ้นและตรวจหาความเอนเอียง
  • SageMaker JumpStart เพื่อปรับใช้โซลูชัน ML สำหรับกรณีการใช้งานต่างๆ อย่างง่ายดาย คุณอาจเสียค่าบริการจากบริการอื่นๆ ของ AWS ที่ใช้ในโซลูชันสำหรับการเรียก API พื้นฐานโดย Amazon SageMaker ในนามของคุณ
  • SageMaker Inference Recommender เพื่อรับคำแนะนำสำหรับการกำหนดค่าตำแหน่งข้อมูลที่เหมาะสม

คุณจะจ่ายเฉพาะทรัพยากรในการประมวลผลและพื้นที่จัดเก็บข้อมูลพื้นฐานภายใน SageMaker หรือบริการอื่นๆ ของ AWS ตามการใช้งานจริงของคุณเท่านั้น

Amazon SageMaker Studio Lab (ตัวอย่าง)

คุณสามารถสร้างและฝึกอบรมโมเดล ML โดยใช้ Amazon SageMaker Studio Lab (ตัวอย่าง) ได้ฟรี SageMaker Studio Lab มอบสภาพแวดล้อมในการพัฒนาแบบไม่ต้องกำหนดค่าให้กับนักพัฒนา นักวิชาการ และนักวิทยาศาสตร์ข้อมูล เพื่อเรียนรู้และทดลองกับ ML โดยไม่ต้องเสียค่าใช้จ่ายเพิ่มเติม

Amazon SageMaker Canvas

Amazon SageMaker Canvas ขยายขอบเขตการเข้าถึง ML โดยมอบความสามารถในการสร้างการคาดการณ์ ML ที่แม่นยำให้กับนักวิเคราะห์ธุรกิจโดยใช้อินเทอร์เฟซชี้และคลิกแบบภาพ ซึ่งไม่จำเป็นต้องเขียนโค้ดหรือมีประสบการณ์ในการใช้งาน ML มาก่อน

การติดป้ายข้อมูลของ Amazon SageMaker

การติดป้ายข้อมูลของ Amazon SageMaker มอบข้อเสนอการติดป้ายข้อมูลสองแบบ ได้แก่ Amazon SageMaker Ground Truth Plus และ Amazon SageMaker Ground Truth คุณสามารถเรียนรู้เพิ่มเติมเกี่ยวกับการติดป้ายข้อมูลของ Amazon SageMaker บริการติดป้ายข้อมูลที่มีการจัดการอย่างเต็มรูปแบบ ซึ่งช่วยให้สร้างชุดข้อมูลการฝึกอบรมที่มีความแม่นยำสูงสำหรับ ML ได้ง่ายๆ

Amazon SageMaker Edge

เรียนรู้เพิ่มเติมเกี่ยวกับราคาสำหรับ Amazon SageMaker Edge เพื่อเพิ่มประสิทธิภาพ รัน และตรวจสอบโมเดล ML บนกลุ่มอุปกรณ์ Edge 

Amazon SageMaker Savings Plans

Amazon SageMaker Savings Plans ช่วยลดค่าใช้จ่ายของคุณได้สูงสุด 64% โดยแผนจะมีผลกับการใช้งานอินสแตนซ์ SageMaker ML ที่มีสิทธิ์โดยอัตโนมัติ รวมถึง SageMaker Studio Notebooks, โน้ตบุ๊กแบบตามความต้องการของ SageMaker, การประมวลผล SageMaker, SageMaker Data Wrangler, การฝึกอบรม SageMaker, การอนุมานแบบเรียลไทม์ของ SageMaker และ SageMaker Batch Transform ไม่ว่าจะเป็นกลุ่มประเภทอินสแตนซ์ ขนาด หรือ Region ใด ตัวอย่างเช่น คุณสามารถเปลี่ยนแปลงการใช้งานจากอินสแตนซ์ CPU ml.c5.xlarge ที่ทำงานในสหรัฐอเมริกาฝั่งตะวันออก (โอไฮโอ) เป็นอินสแตนซ์ ml.Inf1 ในสหรัฐอเมริกาฝั่งตะวันตก (ออริกอน) สำหรับเวิร์กโหลดการอนุมานได้ทุกเมื่อและยังคงชำระเงินตามราคาของ Savings Plans โดยอัตโนมัติ 

เรียนรู้เพิ่มเติม »

ต้นทุนรวมในการเป็นเจ้าของ (TCO) เมื่อใช้ Amazon SageMaker

Amazon SageMaker ช่วยลดต้นทุนรวมในการเป็นเจ้าของ (TCO) ได้อย่างน้อย 54% ตลอดระยะเวลาสามปี เมื่อเทียบกับโซลูชันจัดการเองบนระบบคลาวด์แบบอื่นๆ เรียนรู้เพิ่มเติมกับการวิเคราะห์ TCO ที่ครบถ้วนสำหรับ Amazon SageMaker

ตัวอย่างราคา

  • ตัวอย่างราคาที่ 1: Studio Notebooks

    นักวิทยาศาสตร์ข้อมูลจะต้องทำตามลำดับการดำเนินการดังต่อไปนี้ขณะที่ใช้ Amazon SageMaker Studio Notebooks

    1. เปิดโน้ตบุ๊ก 1 ในเคอร์เนล TensorFlow บนอินสแตนซ์ ml.c5.xlarge จากนั้นทำงานบนโน้ตบุ๊กนี้เป็นเวลา 1 ชั่วโมง
    2. เปิดโน้ตบุ๊ก 2 บนอินสแตนซ์ ml.c5.xlarge ระบบจะเปิดในอินสแตนซ์ ml.c5.xlarge เดียวกันกับที่เรียกใช้ในโน้ตบุ๊ก 1 โดยอัตโนมัติ 
    3. ทำงานบนโน้ตบุ๊ค 1 และโน้ตบุ๊ค 2 พร้อมกันเป็นเวลา 1 ชั่วโมง
    4. นักวิทยาศาสตร์ข้อมูลจะถูกเรียกเก็บค่าบริการสำหรับการใช้งาน ml.c5.xlarge ทั้งหมดสอง (2) ชั่วโมง สำหรับชั่วโมงที่เหลื่อมล้ำกันในขณะที่ทำงานบนโน้ตบุ๊ก 1 และโน้ตบุ๊ก 2 พร้อมกันนั้น ระบบจะวัดแอปพลิเคชันเคอร์เนลแต่ละรายการเป็นเวลา 0.5 ชั่วโมง และจะเรียกเก็บค่าบริการสำหรับการใช้งาน 1 ชั่วโมง
    แอปพลิเคชันเคอร์เนล อินสแตนซ์โน้ตบุ๊ก ชั่วโมง ค่าใช้จ่ายต่อชั่วโมง รวมทั้งหมด
    TensorFlow ml.c5.xlarge 1 0.204 USD 0.204 USD
    TensorFlow ml.c5.xlarge 0.5 0.204 USD 0.102 USD
    วิทยาศาสตร์ข้อมูล ml.c5.xlarge 0.5 0.204 USD 0.102 USD
            0.408 USD
  • ตัวอย่างราคาที่ 2: RStudio บน SageMaker

    นักวิทยาศาสตร์ข้อมูลจะต้องทำตามลำดับการดำเนินการต่อไปนี้ในขณะที่ใช้ RStudio บน SageMaker

    1. เปิด RSession 1 บนอินสแตนซ์ ml.c5.xlarge จากนั้นทำงานบนโน้ตบุ๊กนี้เป็นเวลา 1 ชั่วโมง
    2. เปิด RSession 2 บนอินสแตนซ์ ml.c5.xlarge ระบบจะเปิดในอินสแตนซ์ ml.c5.xlarge เดียวกันกับที่เรียกใช้ใน RSession 1 โดยอัตโนมัติ
    3. ทำงานบน RSesssion 1 และ RSession 2 พร้อมกันเป็นเวลา 1 ชั่วโมง
    4. นักวิทยาศาสตร์ข้อมูลจะถูกเรียกเก็บค่าบริการสำหรับการใช้งาน ml.c5.xlarge ทั้งหมดสอง (2) ชั่วโมง สำหรับชั่วโมงที่เหลื่อมล้ำกันในขณะที่ทำงานบน RSession 1 และ RSession 2 พร้อมกันนั้น ระบบจะวัดการใช้งาน RSession แต่ละรายการเป็นเวลา 0.5 ชั่วโมง และจะเรียกเก็บค่าบริการสำหรับการใช้งาน 1 ชั่วโมง

    ในขณะเดียวกัน RServer ก็ทำงานทุกวันตลอด 24 ชั่วโมง ไม่ว่าจะเปิด RSession หรือไม่ก็ตาม หากผู้ดูแลระบบเลือก "Small" (ml.t3.medium) แสดงว่าไม่เสียค่าใช้จ่าย หากผู้ดูแลระบบเลือก "Medium" (ml.c5.4xlarge) หรือ "Large" (ml.c5.9xlarge) ระบบจะเรียกเก็บเงินเป็นรายชั่วโมงตามเวลาที่เปิดใช้งาน RStudio สำหรับโดเมน SageMaker

    แอป RSession อินสแตนซ์ RSession ชั่วโมง ค่าใช้จ่ายต่อชั่วโมง รวมทั้งหมด
    Base R ml.c5.xlarge 1 0.204 USD 0.204 USD
    Base R ml.c5.xlarge 0.5 0.204 USD 0.102 USD
    Base R ml.c5.xlarge 0.5 0.204 USD 0.102 USD
            0.408 USD
  • ตัวอย่างราคาที่ 3: การประมวลผล

    Amazon SageMaker Processing จะคิดค่าใช้จ่ายเฉพาะอินสแตนซ์ที่ใช้ขณะเรียกใช้งานของคุณเท่านั้น เมื่อคุณจัดเตรียมข้อมูลอินพุตสำหรับการประมวลผลใน Amazon S3 แล้ว Amazon SageMaker จะดาวน์โหลดข้อมูลจาก Amazon S3 ไปยังพื้นที่จัดเก็บไฟล์ภายในระบบเมื่อเริ่มต้นงานประมวลผล

    นักวิเคราะห์ข้อมูลเรียกใช้งานประมวลผลเพื่อประมวลผลล่วงหน้าและตรวจสอบความถูกต้องของข้อมูลบนอินสแตนซ์ ml.m5.4xlarge สองรายการเป็นระยะเวลางาน 10 นาที เธออัปโหลดชุดข้อมูลขนาด 100 GB ใน S3 เพื่อเป็นอินพุตสำหรับงานประมวลผล และจะจัดเก็บข้อมูลเอาต์พุต (ที่มีขนาดเท่ากัน) ไว้ใน S3

    ชั่วโมง อินสแตนซ์การประมวลผล ค่าใช้จ่ายต่อชั่วโมง รวมทั้งหมด
    1 * 2 * 0.167 = 0.334 ml.m5.4xlarge 0.922 USD 0.308 USD
    พื้นที่จัดเก็บข้อมูล (SSD) สำหรับการใช้ทั่วไป (GB) ค่าใช้จ่ายต่อชั่วโมง รวมทั้งหมด
    100 GB * 2 = 200 0.14 USD 0.0032 USD

    ผลรวมย่อยสำหรับงานประมวลผลของ Amazon SageMaker = 0.308 USD
    ผลรวมย่อยสำหรับพื้นที่จัดเก็บข้อมูล SSD สำหรับการใช้ทั่วไปขนาด 200 GB = 0.0032 USD
    ราคารวมสำหรับตัวอย่างนี้คือ 0.3112 USD

  • ตัวอย่างราคาที่ 4: Data Wrangler

    ในฐานะนักวิทยาศาสตร์ข้อมูล คุณใช้เวลา 3 วันในการใช้งาน Amazon SageMaker Data Wrangler เพื่อเรียบเรียง สำรวจ และแสดงภาพข้อมูลของคุณเป็นเวลา 6 ชั่วโมงต่อวัน ในการดำเนินการตามไปป์ไลน์สำหรับเตรียมข้อมูลของคุณ คุณต้องเริ่ม SageMaker Data Wrangler job ที่มีกำหนดให้ทำงานทุกสัปดาห์

    ตารางด้านล่างจะสรุปปริมาณการใช้งานโดยรวมของคุณตลอดทั้งเดือนและค่าใช้จ่ายที่เกี่ยวข้องกับการใช้งาน Amazon SageMaker Data Wrangler

    แอปพลิเคชัน อินสแตนซ์ SageMaker Studio วัน ระยะเวลา ระยะเวลารวม ค่าใช้จ่ายต่อชั่วโมง ผลรวมย่อยของค่าใช้จ่าย
    SageMaker Data Wrangler ml.m5.4xlarge 3 6 ชั่วโมง 18 ชั่วโมง 0.922 USD 16.596 USD
    SageMaker Data Wrangler Job ml.m5.4xlarge - 40 นาที 2.67 ชั่วโมง 0.922 USD 2.461 USD

    จากตาราง คุณใช้งาน Amazon SageMaker Data Wrangler ทั้งหมด 18 ชั่วโมง ตลอด 3 วันเพื่อจัดเตรียมข้อมูลของคุณ นอกจากนี้ คุณยังสร้าง SageMaker Data Wrangler job เพื่อเตรียมข้อมูลที่อัพเดตเป็นรายสัปดาห์ แต่ละงานจะใช้เวลา 40 นาที และงานจะรันทุกสัปดาห์เป็นเวลา 1 เดือน

    ค่าใช้จ่ายรายเดือนโดยรวมของคุณในการใช้งาน Data Wrangler = 16.596 USD + 2.461 USD = 19.097 USD

  • ตัวอย่างราคาที่ 5: Feature Store

    คุณมีเว็บแอปพลิเคชันที่ออกการอ่านและการเขียนรายการละ 25 KB ใน Amazon SageMaker Feature Store สำหรับช่วง 10 วันแรกของเดือน คุณจะพบปัญหาการรับส่งข้อมูลเล็กน้อย ส่งผลให้มีการเขียน 10,000 รายการและอ่าน 10,000 รายการต่อวันไปยัง SageMaker Feature Store ในวันที่ 11 ของเดือน แอพพลิเคชันของคุณเป็นที่สนใจบนสื่อสังคมออนไลน์และการรับส่งข้อมูลของแอปพลิเคชันพุ่งสูงขึ้นเป็นการอ่าน 200,000 รายการและการเขียน 200,000 รายการในวันนั้น จากนั้นแอพพลิเคชันของคุณจึงกลับเข้าสู่รูปแบบการรับส่งข้อมูลปกติ โดยเฉลี่ยในแต่ละวันมีการเขียน 80,000 รายการและการอ่าน 80,000 รายการตลอดทั้งเดือน

    ตารางด้านล่างสรุปปริมาณการใช้งานโดยรวมของคุณตลอดทั้งเดือนและค่าใช้จ่ายที่เกี่ยวข้องกับการใช้งาน Amazon SageMaker Feature Store

    วันของเดือน การเขียนทั้งหมด หน่วยการเขียนทั้งหมด การอ่านทั้งหมด หน่วยการอ่านทั้งหมด
    วันที่ 1 ถึงวันที่ 10 การเขียน 100,000 รายการ 
    (การเขียน 10,000 รายการ * 10 วัน)
    2,500,000 
    (100,000 * 25KB )
    100,000 
    (10,000 * 10 วัน)
    700,000++ 
    (100,000 * 25/4 KB )
             
    วันที่ 11 การเขียน 200,000 รายการ 5,000,000 
    (200,000* 25KB)
    การอ่าน 200,000 รายการ 1,400,000++ 
    (200,000* 25/4KB)
             
    วันที่ 12 ถึง วันที่ 30 การเขียน 1,520,000 รายการ 
    (80,000 * 19 วัน)
    38,000,000 
    (1,520,000 * 25 KB)
    การเขียน 1,520,000 รายการ
    (80,000 * 19 วัน)
    มากกว่า 10,640,000
    (1,520,000 * 25/4 KB)
             
    หน่วยที่คิดค่าใช้จ่ายทั้งหมด   การเขียน 45,500,000 รายการ   การเขียน 12,740,000 รายการ
    ค่าใช้จ่ายรายเดือนสำหรับการเขียนและการอ่าน   56.875 USD 
    (45.5 ล้านหน่วยการเขียน * 1.25 USD ต่อการเขียนล้านรายการ)
      3.185 USD 
    (12.74 ล้านหน่วยการอ่าน * 0.25 USD ต่อการอ่านล้านรายการ)

    ++ จำนวนหน่วยการอ่านที่ไม่เต็มหน่วยจะถูกปัดเศษขึ้นเป็นจำนวนหน่วยถัดไป

    พื้นที่จัดเก็บข้อมูล
    จัดเก็บข้อมูลรวม = 31.5 GB
    ค่าใช้จ่ายรายเดือนสำหรับการจัดเก็บข้อมูล = 31.5 GB * 0.45 USD = 14.175 USD

    ค่าใช้จ่ายรายเดือนสำหรับ Amazon SageMaker Feature Store = 56.875 USD + 3.185 USD + 14.175 USD = 74.235 USD

  • ตัวอย่างราคาที่ 6: การฝึกอบรม

    นักวิทยาศาสตร์ข้อมูลคนหนึ่งได้ใช้เวลาหนึ่งสัปดาห์ในการพัฒนาโมเดลสำหรับไอเดียใหม่ เธอฝึกอบรมแบบจำลอง4 ครั้งใน ml.m4.4xlarge ใหญ่เป็นเวลา 30 นาทีต่อการฝึกซ้อมกับ Amazon SageMaker Debugger เปิดใช้งานโดยใช้กฎในตัว 2 ตัวและกฎที่กำหนดเอง 1 ข้อที่เธอเขียน สำหรับกฎแบบกำหนดเอง เธอระบุอินสแตนซ์ ml.m5.xlarge เธอฝึกโดยใช้ข้อมูลการฝึกอบรมขนาด 3 GB ใน Amazon S3 และส่งเอาต์พุตโมเดล 1 GB ไปยัง Amazon S3 SageMaker สร้างไดรฟ์ข้อมูล SSD (gp2) สำหรับงานทั่วไปสำหรับอินสแตนซ์การฝึกอบรมแต่ละรายการ SageMaker ยังสร้างไดรฟ์ข้อมูล SSD (gp2) สำหรับงานทั่วไปสำหรับแต่ละกฎที่ระบุด้วย ในตัวอย่างนี้ ระบบจะสร้างไดรฟ์ข้อมูล SSD (gp2) สำหรับงานทั่วไปจำนวน 4 รายการ SageMaker Debugger จะปล่อยข้อมูลการแก้จุดบกพร่อง 1 GB ไปยังบัคเก็ต Amazon S3 ของลูกค้า

     

    ชั่วโมง อินสแตนซ์การฝึกอบรม อินสแตนซ์แก้จุดบกพร่อง ค่าใช้จ่ายต่อชั่วโมง ผลรวมย่อย
    4 * 0.5 = 2.00 ml.m4.4xlarge ไม่ระบุ 0.96 USD 1.92 USD
    4 * 0.5 * 2 = 4 ไม่ระบุ ไม่มีค่าบริการเพิ่มเติมสำหรับอินสแตนซ์ของกฎในตัว 0 USD 0 USD
    4 * 0.5 = 2 ml.m5.xlarge ไม่ระบุ 0.23 USD 0.46 USD
            -------
            2.38 USD
      พื้นที่จัดเก็บข้อมูล (SSD) สำหรับการใช้ทั่วไปสำหรับการฝึกอบรม (GB) พื้นที่จัดเก็บข้อมูล (SSD) สำหรับการใช้ทั่วไปสำหรับกฎในตัวของ Debugger (GB) พื้นที่จัดเก็บข้อมูล (SSD) สำหรับการใช้ทั่วไปสำหรับกฎแบบกำหนดเองของ Debugger (GB) ค่าใช้จ่ายต่อ GB ต่อเดือน ผลรวมย่อย
    ความจุที่ใช้ 3 2 1    
    ราคา 0 USD ไม่มีค่าบริการเพิ่มเติมสำหรับไดรฟ์ข้อมูลพื้นที่จัดเก็บของกฎในตัว 0 USD 0.10 USD 0 USD

    ค่าบริการรวมทั้งหมดสำหรับการฝึกอบรมและการแก้จุดบกพร่องในตัวอย่างนี้คือ 2.38 USD อินสแตนซ์ของการประมวลผลและไดรฟ์ข้อมูลพื้นที่จัดเก็บข้อมูลสำหรับการใช้ทั่วไปที่ใช้งานโดยกฎที่มีอยู่แล้วของ Amazon SageMaker Debugger จะไม่มีค่าบริการเพิ่มเติม

  • ตัวอย่างราคาที่ 7: การอนุมานแบบเรียลไทม์

    โมเดลในตัวอย่างที่ 5 จะปรับใช้ในการใช้งานจริงกับอินสแตนซ์ ml.c5.xlarge สอง (2) รายการเพื่อการโฮสต์แบบ Multi-AZ ที่น่าเชื่อถือ โดยจะเปิดใช้งาน Amazon SageMaker Model Monitor กับอินสแตนซ์ ml.m5.4xlarge หนึ่ง (1) รายการ และกำหนดเวลางานตรวจสอบวันละครั้ง งานตรวจสอบแต่ละงานใช้เวลาดำเนินการ 5 นาที โมเดลจะได้รับข้อมูล 100 MB ต่อวัน และการอนุมานจะมีขนาด 1 ใน 10 ของข้อมูลอินพุต

    ชั่วโมงต่อเดือน อินสแตนซ์การโฮสต์ อินสแตนซ์การตรวจสอบโมเดล ค่าใช้จ่ายต่อชั่วโมง รวมทั้งหมด
    24 * 31 * 2 = 1488 ml.c5.xlarge   0.204 USD 303.522 USD
    31*0.08 = 2.5   ml.m5.4xlarge 0.922 USD 2.305 USD

     

    ข้อมูลเข้าต่อเดือน – การโฮสต์ ข้อมูลออกต่อเดือน – การโฮสต์ ค่าใช้จ่ายต่อ GB เข้าหรือออก รวมทั้งหมด
    100 MB * 31 = 3,100 MB   0.016 USD 0.0496 USD
      10 MB * 31 = 310 MB 0.016 USD 0.00496 USD

    ผลรวมย่อยสำหรับการฝึกอบรม การโฮสต์ และการตรวจสอบ = 305.827 USD ผลรวมย่อยสำหรับข้อมูลที่ประมวลผลเข้า 3,100 MB และข้อมูลที่ประมวลผลออก 310 MB สำหรับการโฮสต์ต่อเดือน = 0.054 USD ค่าบริการรวมสำหรับตัวอย่างนี้คือ 305.881 USD

    โปรดทราบ สำหรับกฎในตัวที่มีอินสแตนซ์ ml.m5.xlarge คุณจะได้รับการตรวจสอบรวมสูงสุด 30 ชั่วโมงในแต่ละเดือนสำหรับตำแหน่งข้อมูลทั้งหมดโดยไม่มีค่าใช้จ่าย

  • ตัวอย่างราคาที่ 8: การอนุมานแบบอะซิงโครนัส

    การอนุมานแบบอะซิงโครนัสของ Amazon SageMaker จะเรียกเก็บค่าบริการตามอินสแตนซ์ที่ใช้โดยตำแหน่งข้อมูลของคุณ เมื่อไม่มีการประมวลผลคำขอ คุณสามารถกำหนดค่าการปรับขนาดอัตโนมัติให้ปรับการนับอินสแตนซ์เป็นศูนย์เพื่อประหยัดค่าใช้จ่ายได้ สำหรับเพย์โหลดอินพุตใน Amazon S3 จะไม่มีค่าใช้จ่ายสำหรับการอ่านข้อมูลอินพุตจาก Amazon S3 และการเขียนข้อมูลเอาต์พุตไปยัง S3 ใน Region เดียวกัน

    โมเดลในตัวอย่างที่ 5 จะใช้เพื่อเรียกใช้ตำแหน่งข้อมูลการอนุมานแบบอะซิงโครนัสของ SageMaker ตำแหน่งข้อมูลจะกำหนดค่าเพื่อเรียกใช้อินสแตนซ์ ml.c5.xlarge 1 รายการและปรับลดการนับอินสแตนซ์ลงเป็นศูนย์เมื่อไม่มีการประมวลผลคำขอ อินสแตนซ์ ml.c5.xlarge ในตำแหน่งข้อมูลมีพื้นที่จัดเก็บข้อมูล (SSD) สำหรับการใช้ทั่วไปขนาด 4 GB ติดตั้งอยู่ ในตัวอย่างนี้ ตำแหน่งข้อมูลจะคงการนับอินสแตนซ์ไว้ที่ 1 เป็นเวลา 2 ชั่วโมงต่อวันและมีเวลาพัก 30 นาที หลังจากปรับลดการนับอินสแตนซ์ลงเป็นศูนย์สำหรับเวลาที่เหลือของวัน ดังนั้น ระบบจะเรียกเก็บเงินคุณสำหรับการใช้งานเป็นเวลา 2.5 ชั่วโมงต่อวัน 

    ตำแหน่งข้อมูลประมวลผลคำขอ 1,024 รายการต่อวัน ขนาดของคำขอเรียกใช้/เนื้อหาการตอบกลับแต่ละรายการจะอยู่ที่ 10 KB และเพย์โหลดคำขอการอนุมานแต่ละรายการใน Amazon S3 จะอยู่ที่ 100 MB เอาต์พุตของการอนุมานมีขนาด 1 ใน 10 ของข้อมูลอินพุตที่จัดเก็บไว้ใน Amazon S3 ใน Region เดียวกัน ในตัวอย่างนี้ ค่าบริการประมวลผลข้อมูลจะมีผลกับคำขอและเนื้อหาการตอบกลับ แต่ไม่มีผลกับข้อมูลที่ถ่ายโอนเข้า/ออก Amazon S3 

    ชั่วโมงต่อเดือน อินสแตนซ์การโฮสต์ ค่าใช้จ่ายต่อชั่วโมง รวมทั้งหมด
    2.5 * 31 * 1 = 77.5 ml.c5.xlarge 0.20 USD 15.81 USD
    พื้นที่จัดเก็บข้อมูล (SSD) สำหรับการใช้ทั่วไป (GB) ค่าใช้จ่ายต่อ GB ต่อเดือน รวมทั้งหมด
    4 0.14 USD 0.56 USD
    ข้อมูลเข้าต่อเดือน ข้อมูลออกต่อเดือน ค่าใช้จ่ายต่อ GB เข้าหรือออก รวมทั้งหมด
    10 KB * 1,024 * 31 = 310 MB 10 KB * 1,024 * 31 = 310 MB 0.02 USD 0.0048
      10 KB * 1,024 * 31 = 310 MB 0.02 USD 0.0048

    ผลรวมย่อยสำหรับการอนุมานแบบอะซิงโครนัสของ SageMaker = 15.81 USD + 0.56 USD + 2 * .0048 = 16.38 USD ค่าบริการการอนุมานแบบอะซิงโครนัสรวมสำหรับตัวอย่างนี้คือ 16.38 USD ต่อเดือน

  • ตัวอย่างราคาที่ 9: Batch Transform

    Amazon SageMaker Batch Transform จะคิดค่าบริการเฉพาะอินสแตนซ์ที่ใช้ขณะเรียกใช้งานของคุณเท่านั้น หากข้อมูลของคุณอยู่ใน Amazon S3 อยู่แล้ว จะไม่มีค่าใช้จ่ายสำหรับการอ่านข้อมูลอินพุตจาก S3 และการเขียนข้อมูลเอาต์พุตไปยัง S3 ใน Region เดียวกัน  

    แบบจำลองในตัวอย่างที่ 5 จะใช้ในการเรียกใช้ SageMaker Batch Transform นักวิทยาศาสตร์ข้อมูลจะเรียกใช้งาน SageMaker Batch Transform 4 รายการแยกจากกันบน ml.m4.4xlarge จำนวน 3 รายการเป็นเวลา 15 นาทีต่อการเรียกใช้งาน เธอจะอัปโหลดชุดข้อมูลการประเมินขนาด 1 GB ใน S3 สำหรับการเรียกใช้แต่ละครั้ง และการอนุมานจะมีขนาด 1 ใน 10 ของข้อมูลอินพุต ซึ่งจะจัดเก็บกลับเข้าไปใน S3

    ชั่วโมง อินสแตนซ์การฝึกอบรม ค่าใช้จ่ายต่อชั่วโมง รวมทั้งหมด
    3 * 0.25 * 4 = 3 ชั่วโมง ml.m4.4xlarge 0.96 USD 2.88 USD
    GB ข้อมูลเข้า - การแปลงแบตช์ GB ข้อมูลออก - การแปลงแบตช์ ค่าใช้จ่ายต่อ GB เข้าหรือออก รวมทั้งหมด
    0 0 0.02 USD 0 USD

    ผลรวมย่อยสำหรับงาน SageMaker Batch Transform = 2.88 USD ผลรวมย่อยสำหรับ 4.4 GB ใน Amazon S3 = 0 USD ค่าบริการรวมสำหรับตัวอย่างนี้คือ 2.90 USD

  • ตัวอย่างราคาที่ 10: การอนุมานแบบไร้เซิร์ฟเวอร์

    เมื่อใช้การอนุมานแบบไร้เซิร์ฟเวอร์ คุณจะจ่ายเฉพาะสำหรับความสามารถในการคำนวณที่ใช้ในการประมวลผลคำขอการอนุมานเท่านั้น โดยจะเรียกเก็บเงินตามมิลลิวินาที และปริมาณของข้อมูลที่ประมวลผล ค่าบริการในการคำนวณจะขึ้นอยู่กับการกำหนดค่าหน่วยความจำที่คุณเลือก

    หากคุณจัดสรรหน่วยความจำ 2 GB ให้กับตำแหน่งข้อมูลของคุณ ดำเนินการ 10 ล้านครั้งในหนึ่งเดือน และตำแหน่งข้อมูลนั้นทำงานเป็นเวลา 100 มิลลิวินาทีในแต่ละครั้ง และประมวลผลข้อมูลขาเข้า/ขาออกทั้งหมดรวม 10 GB ค่าบริการของคุณจะคำนวณได้ดังนี้

    ค่าบริการในการประมวลผลรายเดือน

    จำนวนคำขอ ระยะเวลาของแต่ละคำขอ ระยะเวลารวมในการอนุมาน (วินาที) ค่าใช้จ่ายต่อวินาที ค่าบริการสำหรับระยะเวลาการอนุมานต่อเดือน
    10 ล้าน 100 มิลลิวินาที 1 ล้าน 0.00004 USD 40 USD

    ค่าบริการในการประมวลผลข้อมูลต่อเดือน 

    การประมวลผลข้อมูล (GB) ค่าใช้จ่ายต่อ GB เข้าหรือออก ค่าบริการในการประมวลผลข้อมูลต่อเดือน
    10 GB 0.016 USD 0.16 USD

    ผลรวมย่อยของค่าบริการสำหรับระยะเวลาการอนุมานแบบไร้เซิร์ฟเวอร์ของ SageMaker = 40 USD ผลรวมย่อยของค่าบริการสำหรับการประมวลผลข้อมูล 10 GB = 0.16 USD ค่าบริการรวมสำหรับตัวอย่างนี้คือ 40.16 USD

  • ตัวอย่างราคาที่ 11: Jumpstart

    ลูกค้าใช้ JumpStart เพื่อปรับใช้โมเดล BERT Base Uncased ที่ได้รับการฝึกอบรมไว้แล้วล่วงหน้า เพื่อจัดประเภทรีวิวลูกค้าว่าเป็นบวกหรือลบ

    ลูกค้าปรับใช้โมเดลนี้กับอินสแตนซ์ ml.c5.xlarge สอง (2) รายการเพื่อการโฮสต์แบบ Multi-AZ ที่น่าเชื่อถือ โมเดลจะได้รับข้อมูล 100 MB ต่อวัน และการอนุมานจะมีขนาด 1 ใน 10 ของข้อมูลอินพุต

    ชั่วโมงต่อเดือน อินสแตนซ์การโฮสต์ ค่าใช้จ่ายต่อชั่วโมง รวมทั้งหมด
    24 * 31 * 2 = 1488 ml.c5.xlarge 0.204 USD 303.55 USD
     
    ข้อมูลเข้าต่อเดือน – การโฮสต์ ข้อมูลออกต่อเดือน – การโฮสต์ ค่าใช้จ่ายต่อ GB เข้าหรือออก

    รวมทั้งหมด

    100 MB * 31 = 3,100 MB   0.02 USD 0.06 USD
      10 MB * 31 = 310 MB 0.02 USD 0.01 USD
     

    ผลรวมย่อยสำหรับการฝึกอบรม การโฮสต์ และการตรวจสอบ = 305.827 USD ผลรวมย่อยสำหรับข้อมูลที่ประมวลผลเข้า 3,100 MB และข้อมูลที่ประมวลผลออก 310 MB สำหรับการโฮสต์ต่อเดือน = 0.06 USD ค่าบริการรวมสำหรับตัวอย่างนี้คือ 305.887 USD ต่อเดือน

เรียนรู้เพิ่มเติมเกี่ยวกับ Amazon SageMaker

เข้าเยี่ยมชมหน้า Amazon SageMaker
พร้อมเริ่มต้นใช้งานหรือยัง?
ลงชื่อสมัครใช้งาน
มีคำถามเพิ่มเติมหรือไม่
ติดต่อเรา