ราคา Amazon SageMaker

สำหรับ Amazon SageMaker คุณจะจ่ายเฉพาะส่วนที่คุณใช้เท่านั้น การสร้าง การฝึกอบรม และการติดตั้งโมเดล ML เพื่อใช้จริงจะเรียกเก็บค่าใช้จ่ายตามวินาที โดยไม่มีค่าธรรมเนียมขั้นต่ำและไม่มีค่าบริการล่วงหน้า

คุณสามารถเริ่มใช้งาน Amazon SageMaker ได้ฟรี ซึ่งเป็นส่วนหนึ่งของ AWS Free Tier หากคุณไม่เคยใช้ Amazon SageMaker มาก่อน ในสองเดือนแรกคุณจะได้ใช้งานโน้ตบุ๊ค t2.medium หรือ t3.medium แบบ Free Tier ได้ 250 ชั่วโมงทุกเดือน พร้อมด้วยอินสแตนซ์โน้ตบุ๊คตามความต้องการหรืออินสแตนซ์ t3.medium พร้อมโน้ตบุ๊ค SageMaker Studio เพื่อสร้างโมเดลของคุณ บวกกับ m4.xlarge หรือ m5.xlarge อีก 50 ชั่วโมงสำหรับการฝึกอบรมโมเดล และ m4.xlarge หรือ m5.xlarge อีก 125 ชั่วโมงสำหรับการติดตั้งโมเดลแมชชีนเลิร์นนิ่งเพื่อใช้จริงสำหรับการอนุมานแบบเรียลไทม์และการแปลงแบบกลุ่มด้วย Amazon SageMaker Free Tier ไม่ครอบคลุมถึงการใช้งานพื้นที่จัดเก็บไดรฟ์ข้อมูล Free Tier จะเริ่มจากเดือนแรกที่คุณสร้างทรัพยากร SageMaker แรกของคุณ

ขณะนี้คุณสามารถเข้าถึง Amazon SageMaker Studio ซึ่งเป็นสิ่งแวดล้อมสำหรับการพัฒนาแบบเบ็ดเสร็จ (IDE) ตัวแรกที่ใช้ได้ฟรี SageMaker Studio ช่วยให้คุณเข้าถึงและมองเห็นในแต่ละขั้นตอนที่ต้องสร้าง ฝึกอบรม และติดตั้งโมเดลเพื่อใช้จริง ใช้ SageMaker Studio ได้ฟรี โดยจ่ายเฉพาะบริการของ AWS ที่คุณใช้ภายใน Studio เท่านั้น

Amazon SageMaker ช่วยลดต้นทุนรวมในการเป็นเจ้าของ (total cost of ownership – TCO) ได้อย่างน้อย 54% ตลอดระยะเวลา 3 ปีเมื่อเทียบกับโซลูชันจัดการเองบนระบบคลาวด์แบบอื่นๆ ดูการวิเคราะห์ TCO ทั้งหมดสำหรับ Amazon SageMaker ได้ที่นี่

นักวิทยาศาสตร์ข้อมูลจะต้องทำตามลำดับการดำเนินการต่อไปนี้ในขณะที่ใช้ SageMaker Studio Notebooks

1. เปิดโน้ตบุ๊ค 1 ในเคอร์เนล TensorFlow บนอินสแตนซ์ ml.c5.xlarge จากนั้นทำงานบนโน้ตบุ๊คนี้เป็นเวลา 1 ชั่วโมง
2. เปิดอินสแตนซ์ ml.c5.xlarge ของโน้ตบุ๊ค 2 ระบบจะเปิดในอินสแตนซ์ ml.c5.xlarge เดียวกันกับที่เรียกใช้ในโน้ตบุ๊ค 1 โดยอัตโนมัติ 
3. ทำงานบนโน้ตบุ๊ค 1 และโน้ตบุ๊ค 2 พร้อมกันเป็นเวลา 1 ชั่วโมง 
4. นักวิทยาศาสตร์ข้อมูลจะถูกเรียกเก็บค่าบริการสำหรับการใช้งาน ml.c5.xlarge ทั้งหมดสอง (2) ชั่วโมง สำหรับชั่วโมงที่เหลื่อมล้ำกันในขณะที่ทำงานบนโน้ตบุ๊ค 1 และโน้ตบุ๊ค 2 พร้อมกันนั้น ระบบจะวัดแอปพลิเคชันเคอร์เนลแต่ละรายการเป็น 0.5 ชั่วโมง และจะเรียกเก็บค่าบริการสำหรับการใช้งาน 1 ชั่วโมง
   

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

นักวิเคราะห์ข้อมูลเรียกใช้งาน Processing เพื่อประมวลผลล่วงหน้าและตรวจสอบความถูกต้องของข้อมูลบนอินสแตนซ์ ml.m5.4xlarge สองรายการเป็นระยะเวลางาน 10 นาที เธออัปโหลดชุดข้อมูลขนาด 100 GB ใน S3 เพื่อเป็นอินพุตสำหรับงานประมวลผล และจะจัดเก็บข้อมูลเอาต์พุตที่มีขนาดเท่ากันไว้ใน S3

ผลรวมย่อยสำหรับงานประมวลผลของ Amazon SageMaker = 0.359 USD
ผลรวมย่อยสำหรับพื้นที่จัดเก็บข้อมูล SSD สำหรับการใช้ทั่วไปขนาด 200 GB = 0.0032 USD
ราคารวมสำหรับตัวอย่างนี้คือ 0.3622 USD

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

ค่าบริการทั้งหมดสำหรับการฝึกอบรมและการแก้จุดบกพร่องในตัวอย่างนี้คือ 2.7811 USD อินสแตนซ์การประมวลผลและไดรฟ์ข้อมูลสำหรับการใช้ทั่วไปที่ใช้โดยกฎในตัวของ SageMaker Debugger ไม่คิดค่าบริการเพิ่มเติม

จากนั้นจะติดตั้งโมเดลไปยังการผลิตเพื่อใช้จริงในตัวอย่างที่ 3 กับอินสแตนซ์ ml.c5.xlarge สอง (2) รายการสำหรับการโฮสต์หลาย AZ ที่เชื่อถือได้ โดยจะเปิดใช้งาน Amazon SageMaker Model Monitor กับอินสแตนซ์ ml.m5.4xlarge หนึ่ง (1) รายการ และกำหนดเวลางานตรวจสอบวันละครั้ง งานเฝ้าติดตามแต่ละงานใช้เวลา 5 นาทีเพื่อดำเนินการจนเสร็จสิ้น แบบจำลองจะได้รับข้อมูล 100MB ต่อวันและการอนุมานจะมีขนาด 1 ใน 10 ของข้อมูลอินพุต

ผลรวมย่อยสำหรับการฝึกอบรม การโฮสต์ และการเฝ้าติดตาม = 356.832 USD ผลรวมย่อยสำหรับข้อมูล 3,100 MB ที่ประมวลผลเข้าและข้อมูล 310 MB ที่ประมวลผลออกสำหรับการโฮสต์ต่อเดือน = 0.056 USD ราคารวมสำหรับตัวอย่างนี้คือ 356.887 USD

โปรดทราบว่าสำหรับกฎในตัวที่มีอินสแตนซ์ ml.m5.xlarge คุณจะได้รับการเฝ้าติดตามรวมสูงสุด 30 ชั่วโมงสำหรับตำแหน่งข้อมูลทั้งหมดในแต่ละเดือนโดยไม่มีค่าใช้จ่าย

Amazon SageMaker Batch Transform จะคิดค่าใช้จ่ายเฉพาะอินสแตนซ์ที่ใช้ขณะประมวลผลงานของคุณ หากข้อมูลของคุณอยู่ใน Amazon S3 อยู่แล้ว จะไม่มีค่าใช้จ่ายสำหรับการอ่านข้อมูลอินพุตจาก S3 และการเขียนข้อมูลเอาต์พุตไปยัง S3

แบบจำลองในตัวอย่างที่ 1 จะใช้ในการเรียกใช้การแปลงแบตช์ Data Scientist เรียกใช้งานการแปลงแบตช์ 4 รายการแยกจากกันบน ml.m4.4xlarge จำนวน 3 รายการเป็นเวลา 15 นาทีต่อการรันงาน Data Scientist คนนั้นอัปโหลดชุดข้อมูลการประเมิน 1 GB ใน S3 สำหรับการเรียกใช้แต่ละครั้ง และการอนุมานมีขนาด 1 ใน 10 ของข้อมูลอินพุตซึ่งได้รับการจัดเก็บกลับเข้าไปใน S3

ยอดรวมบางส่วนสำหรับงาน Batch Transform = 3.36 USD ยอดรวมบางส่วนสำหรับ 4.4 GB ที่เข้าไปใน Amazon S3 = 0 ราคารวมสำหรับตัวอย่างนี้คือ 3.36 USD