สำหรับ Amazon SageMaker คุณจะจ่ายเฉพาะส่วนที่คุณใช้เท่านั้น การสร้าง การฝึก และการติดตั้งโมเดลแมชชีนเลิร์นนิ่ง (ML) จะเรียกเก็บค่าใช้จ่ายตามวินาที โดยไม่มีค่าธรรมเนียมขั้นต่ำและไม่มีค่าบริการล่วงหน้า
เริ่มต้นใช้งาน Amazon SageMaker โดยไม่มีค่าใช้จ่าย
เนื่องจากเป็นส่วนหนึ่งของ AWS Free Tier คุณสามารถเริ่มใช้งาน Amazon SageMaker ได้ฟรี Free Tier ของคุณจะเริ่มเดือนแรกเมื่อคุณสร้างทรัพยากร SageMaker แรกของคุณ รายละเอียดของ free tier สำหรับ Amazon SageMaker ดังตารางด้านล่าง
ความสามารถของ Amazon SageMaker | ใช้งาน Free Tier สำหรับระยะเวลา 2 เดือน |
---|---|
อินสแตนซ์โน้ตบุ๊คของ Amazon SageMaker Studio และอินสแตนซ์โน้ตบุ๊คตามความต้องการ | 250 ชั่วโมงของอินสแตนซ์ ml.t3.medium บน Studio notebooks หรือ 250 ชั่วโมงของอินสแตนซ์ ml.t2 medium หรืออินสแตนซ์ ml.t3.medium บนอินสแตนซ์ on-demand notebook |
Amazon SageMaker Data Wrangler | 25 ชั่วโมงของอินสแตนซ์ ml.m5.4xlarge instance |
Amazon SageMaker Feature Store | หน่วยการเขียน 10M หน่วยการอ่าน 10M ที่เก็บข้อมูล 25 GB |
การฝึกอบรม | 50 ชั่วโมงของอินสแตนซ์ m4.xlarge or m5.xlarge |
การอนุมาน | 125 ชั่วโมงของอินสแตนซ์ m4.xlarge หรือ m5.xlarge |
Amazon SageMaker Studio พร้อมใช้งานแล้ว ได้โดยไม่มีการคิดค่าบริการเพิ่มเติม
ขณะนี้คุณสามารถเข้าถึง Amazon SageMaker Studio ซึ่งเป็นสภาพแวดล้อมสำหรับการพัฒนาแบบบูรณาการ (IDE) ตัวแรกที่ใช้ได้ฟรี SageMaker Studio ช่วยให้คุณเข้าถึงและมองเห็นในแต่ละขั้นตอนที่ต้องสร้าง ฝึกอบรม และติดตั้งโมเดลเพื่อใช้จริง ใช้ SageMaker Studio ได้ฟรี โดยจ่ายเฉพาะบริการของ AWS ที่คุณใช้ภายใน Studio เท่านั้น
คุณสามารถใช้บริการภายใน SageMaker Studio ได้โดยไม่มีค่าใช้จ่ายเพิ่มเติม ซึ่งได้แก่
- SageMaker Pipelines ใช้สำหรับการกำหนดระบบการทำงานอัตโนมัติและจัดการเวิรฺ์คโฟลวของแมชชีนเลิร์นนิ่ง
- SageMaker Autopilot ใช้สำหรับสร้างโมเดลแมชชีนเลิร์นนิ่งอัตโนมัติโดยสามารถมองเห็นได้ทั้งหมด
- SageMaker Experiments ใช้สำหรับจัดการและติดตามงานในการฝึกฝนและเวอร์ชันต่างๆ
- SageMaker Debugger ใช้สำหรับแก้บัก (debug ) ความผิดปกติระหว่างการฝึก
- SageMaker Model Monitor เพื่อรักษาคุณภาพของโมเดลแมชชีนเลิร์นนิ่ง
- SageMaker Clarify ใช้เพื่ออธิบายโมเดลแมชชีนเลิร์นนิ่งของคุณได้ดีขึ้น
- SageMaker JumpStart ใช้เพื่อติดตั้งใช้งานโซลูชันแมชชีนเลิร์นนิ่งสำหรับกรณีการใช้งานได้อย่างง่ายดาย
คุณมีค่าใช้จ่ายเฉพาะทรัพยากรในการประมวลผลและพื้นที่จัดเก็บข้อมูลภายใน SageMaker หรือบริการของ AWS services ตามการใช้งานจริงของคุณ
Amazon SageMaker Ground Truth
เรียนรู้เพิ่มเติมเกี่ยวกับราคาสำหรับ Amazon SageMaker Ground Truth บริการป้ายกำกับข้อมูลที่สามารถจัดการอย่างสมบูรณ์ซึ่งช่วยให้สร้างชุดข้อมูลสำหรับฝึกแมชชีนเลิร์นนิ่งที่มีความแม่นยำสูงได้ง่ายขึ้น
ตัวจัดการ Amazon SageMaker Edge
เรียนรู้เพิ่มเติมเกี่ยวกับราคาสำหรับ Amazon SageMaker Edge Manager เพื่อเพิ่มประสิทธิภาพ รัน และตรวจสอบโมเดลแมชชีนเลิร์นนิ่งบนอุปกรณ์ edge
ลดต้นทุนรวมในการเป็นเจ้าของ (total cost of ownership – TCO) ด้วย Amazon SageMaker
Amazon SageMaker ช่วยลดต้นทุนรวมในการเป็นเจ้าของ (total cost of ownership – TCO) ได้อย่างน้อย 54% ตลอดระยะเวลา 3 ปีเมื่อเทียบกับโซลูชันจัดการเองบนระบบคลาวด์แบบอื่นๆ เรียนรู้เพิ่มเติมเกี่ยวกับ TCO analysis สำหรับ Amazon SageMaker
เครื่องคำนวณราคา Amazon SageMaker
คุณสามารถประมาณค่าใช้จ่ายในการใช้งาน Amazon SageMaker ได้โดยใช้ เครื่องคำนวณราคา Amazon SageMaker ด้วยเครื่องคำนวณราคา คุณสามารถคำนวนค่าใช้จ่ายโดยประมาณสำหรับกรณีใช้งาน นำออกมาเพื่อใช้สำหรับการวิเคราะห์ออฟไลน์ และปรับค่าใช้จ่ายตามความต้องการใช้งานของคุณ
-
Studio Notebooks
-
อินสแตนซ์ On-Demand Notebook
-
การประมวลผล
-
Data Wrangler
-
Feature Store
-
การฝึกอบรม
-
การอนุมานแบบเรียลไทม์
-
Batch Transform
-
Studio Notebooks
-
Amazon SageMaker Studio Notebooks
Amazon SageMaker Studio Notebooks คือ Jupyter notebooks แบบคลิกเดียวที่สามารถเริ่มต้นการทำงานได้อย่างรวดเร็ว ทรัพยากรการประมวลผลที่สำคัญมีความยืดหยุ่นเต็มที่ และสามารถแชร์ Notebooks กับผู้อื่นได้อย่างง่ายๆ ทำให้สามารถทำงานร่วมกันได้อย่างราบรื่น คุณจะถูกเรียกเก็บค่าใช้จ่ายเฉพาะสำหรับประเภทของอินสแตนซ์ที่คุณใช้และระยะเวลาในการใช้งาน
-
อินสแตนซ์ On-Demand Notebook
-
อินสแตนซ์ On-Demand Notebook
อินสแตนซ์ On-Demand Notebook เป็นอินสแตนซ์ประมวลผลของแมชชีนเลิร์นนิ่ง (ML) ที่รันแอพพลิเคชัน 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*
-
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 สำหรับแก้ไขข้อบกพร่องและติดตามทรัพยากรในระหว่างการฝึก ML คุณสามารถใช้กฎที่ติดตั้งมาด้วย ในการแก้ไขข้อบกพร่องของงานในการฝึกหรือเขียนกฎที่ตั้งค่าเองของคุณก็ได้ การใช้งานฝึกแก้ไขข้อบกพร่องนั้นไม่มีค่าใช้จ่าย คุณจะถูกเรียกเก็บค่าใช้จ่ายเฉพาะสำหรับประเภทอินแสตนซ์ที่คุณใช้และระยะเวลาในการใช้งาน
-
การอนุมานแบบเรียลไทม์
-
Amazon SageMaker Hosting: การอนุมานแบบเรียลไทม์
Amazon SageMaker ให้บริการการอนุมานแบบเรียลไทม์สำหรับกรณีที่คุณต้องการการพยากรณ์แบบเรียลไทม์ คุณจะถูกเรียกเก็บเงินตามประเภทอินสแตนซ์ที่คุณเลือกใช้งาน เมื่อคุณใช้ Amazon SageMaker Model Monitor เพื่อรักษาความแม่นยำสูงของโมเดลที่ให้การอนุมานแบบเรียลไทม์ คุณสามารถใช้กฎในตัวเพื่อเฝ้าติดตามโมเดลหรือเขียนกฎแบบกำหนดเองได้ สำหรับกฎแบบกำหนดเอง คุณจะได้รับการตรวจสอบฟรีสูงสุด 30 ชั่วโมง ค่าใช้จ่ายเพิ่มเติมจะถูกเรียกเก็บโดยคิดจากระยะเวลาการใช้งาน คุณจะถูกเรียกเก็บค่าใช้จ่ายเพิ่มเติมต่างหากเมื่อคุณใช้กฎแบบที่คุณกำหนดเอง
-
Batch Transform
-
Amazon SageMaker Batch Transform
การใช้ Amazon SageMaker Batch Transform ช่วยให้ไม่จำเป็นต้องแบ่งชุดข้อมูลออกเป็นหลายๆ ส่วนหรือจัดการตำแหน่งข้อมูลปลายทางแบบเรียลไทม์ SageMaker Batch Transform ช่วยให้คุณรันการคาดการณ์บนชุดข้อมูลแบบกลุ่มทั้งขนาดใหญ่และเล็กได้ คุณจะถูกเรียกเก็บค่าใช้จ่ายเฉพาะสำหรับประเภทของอินสแตนซ์ที่คุณใช้และระยะเวลาในการใช้งาน
ตัวอย่างราคา #1: Studio Notebooks
นักวิทยาศาสตร์ข้อมูลจะต้องทำตามลำดับการดำเนินการดังต่อไปนี้ขณะที่ใช้ Amazon SageMaker Studio Notebooks
- เปิดโน้ตบุ๊ค 1 ในเคอร์เนล TensorFlow บนอินสแตนซ์ ml.c5.xlarge จากนั้นทำงานบนโน้ตบุ๊คนี้เป็นเวลา 1 ชั่วโมง
- เปิดอินสแตนซ์ ml.c5.xlarge ของโน้ตบุ๊ค 2 ระบบจะเปิดในอินสแตนซ์ ml.c5.xlarge เดียวกันกับที่เรียกใช้ในโน้ตบุ๊ค 1 โดยอัตโนมัติ
- ทำงานบนโน้ตบุ๊ค 1 และโน้ตบุ๊ค 2 พร้อมกันเป็นเวลา 1 ชั่วโมง
- นักวิทยาศาสตร์ข้อมูลจะถูกเรียกเก็บค่าบริการสำหรับการใช้งาน ml.c5.xlarge ทั้งหมดสอง (2) ชั่วโมง สำหรับชั่วโมงที่เหลื่อมล้ำกันในขณะที่ทำงานบนโน้ตบุ๊ค 1 และโน้ตบุ๊ค 2 พร้อมกันนั้น ระบบจะวัดแอปพลิเคชันเคอร์เนลแต่ละรายการเป็น 0.5 ชั่วโมง และจะเรียกเก็บค่าบริการสำหรับการใช้งาน 1 ชั่วโมง
แอปพลิเคชันเคอร์เนล | อินสแตนซ์โน้ตบุ๊ค | ชั่วโมง | ผลรวมย่อยของค่าใช้จ่ายต่อชั่วโมง | ทั้งหมด |
---|---|---|---|---|
TensorFlow | ml.c5.xlarge | 1 | 0.24 USD | |
TensorFlow | ml.c5.xlarge | 0.5 | 0.12 USD | |
วิทยาศาสตร์ข้อมูล | ml.c5.xlarge | 0.5 | 0.12 USD | |
0.48 USD |
ตัวอย่างราคาที่ 2: การประมวลผล
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
ชั่วโมง | อินสแตนซ์การประมวลผล | ค่าใช้จ่ายต่อชั่วโมง | ทั้งหมด |
---|---|---|---|
1 * 2 * 0.167 = 0.334 | ml.m5.4xlarge | 1.075 USD | 0.359 USD |
พื้นที่จัดเก็บข้อมูล (SSD) สำหรับการใช้ทั่วไป (GB) |
ค่าใช้จ่ายต่อชั่วโมง | ทั้งหมด |
---|---|---|
100 GB * 2 = 200 |
0.14 USD | 0.0032 USD |
ผลรวมย่อยสำหรับงานประมวลผลของ Amazon SageMaker = 0.359 USD
ผลรวมย่อยสำหรับพื้นที่จัดเก็บข้อมูล SSD สำหรับการใช้ทั่วไปขนาด 200 GB = 0.0032 USD
ราคารวมสำหรับตัวอย่างนี้เท่ากับ 0.3622 USD
ตัวอย่างราคา #3: 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
แอพพลิเคชัน | อินสแตนซ์ SageMaker Studio | วัน | ระยะเวลา | ระยะเวลารวม | ค่าใช้จ่ายต่อชั่วโมง |
ผลรวมย่อยของค่าใช้จ่าย |
---|---|---|---|---|---|---|
SageMaker Data Wrangler | ml.m5.4xlarge | 3 | 6 ชั่วโมง | 18 ชั่วโมง | 0.96 USD | 17.28 USD |
SageMaker Data Wrangler job | ml.m5.4xlarge | - | 40 นาที | 2.67 ชั่วโมง | 0.96 USD |
2.56 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 จะเท่ากับ = 17.28 USD + 2.56 USD = 19.84 USD
ตัวอย่างราคา #4: Feature Store
คุณมีเว็บแอพพลิเคชันที่มีปัญหาในการอ่านและเขียนรายการละ 25 KB ใน Amazon SageMaker Feature Store สำหรับช่วง 10 วันแรกของเดือน คุณจะพบปัญหาการรับส่งข้อมูลเล็กน้อย ซึ่งเท่ากับ 10,000 การเขียนและ 10,000 การอ่านต่อวันใน 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 |
จำนวนหน่วยการเขียนรวมทั้งหมด |
การอ่านทั้งหมด |
จำนวนหน่วยการอ่านรวมทั้งหมด |
วันที่ 1 ถึง วันที่ 10 |
การเขียน 100,000 รายการ |
2,500,000 |
100,000 |
700,000++ |
วันที่ 11 |
การเขียน 200,000 รายการ |
5,000,000 |
การอ่าน 200,000 รายการ |
1,400,000++ |
วันที่ 12 ถึง วันที่ 30 |
การเขียน 1,520,000 รายการ |
38,000,000 |
การเขียน 1,520,000 รายการ (80,000 * 19 วัน) |
10,640,000++ (1,520,000 * 25/4KB) |
หน่วยที่คิดค่าใช้จ่ายทั้งหมด |
|
การเขียน 45,500,000 รายการ |
|
การเขียน 12,740,000 รายการ |
ค่าใช้จ่ายรายเดือนสำหรับการเขียนและการอ่าน |
|
56.875 USD |
|
3.185 USD |
++ จำนวนหน่วยการอ่านที่ไม่เต็มหน่วยจะถูกปัดเศษขึ้นเป็นจำนวนหน่วยถัดไป
พื้นที่จัดเก็บข้อมูล
จัดเก็บข้อมูลรวม = 31.5 GB
ค่าใช้จ่ายรายเดือนสำหรับการจัดเก็บข้อมูล = 31.5 GB * 0.45 USD = 14.175 USD
่าใช้จ่ายรายเดือนสำหรับ Amazon SageMaker Feature Store = 56.875 USD + 3.185 USD + 14.175 USD = 74.235 USD
ตัวอย่างราคา #5: การฝึกอบรม
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
ชั่วโมง | อินสแตนซ์การฝึกอบรม | อินสแตนซ์แก้จุดบกพร่อง | ค่าใช้จ่ายต่อชั่วโมง |
ผลรวมย่อย |
---|---|---|---|---|
4 * 0.5 = 2.00 |
ml.m4.4xlarge |
ไม่ระบุ | 1.12 USD | 2.24 USD |
4 * 0.5 * 2 = 4 |
ไม่ระบุ |
ไม่มีค่าบริการเพิ่มเติมสำหรับอินสแตนซ์ของกฎในตัว | 0 USD |
0 USD |
4 * 0.5 = 2 |
ml.m5.xlarge | ไม่ระบุ | 0.27 USD | 0.54 USD |
------- | ||||
2.78 USD |
พื้นที่จัดเก็บข้อมูล (SSD) สำหรับการใช้ทั่วไปสำหรับการฝึกอบรม (GB) |
พื้นที่จัดเก็บข้อมูล (SSD) สำหรับการใช้ทั่วไปสำหรับกฎในตัวของ Debugger (GB) | พื้นที่จัดเก็บข้อมูล (SSD) สำหรับการใช้ทั่วไปสำหรับกฎแบบกำหนดเองของ Debugger (GB) | ค่าใช้จ่ายต่อ GB ต่อเดือน | ผลรวมย่อย | |
---|---|---|---|---|---|
ความจุที่ใช้ | 3 | 2 | 1 | ||
ค่าใช้จ่าย | 0.00083 USD | ไม่มีค่าบริการเพิ่มเติมสำหรับไดรฟ์ข้อมูลพื้นที่จัดเก็บของกฎในตัว |
0.00028 USD | 0.10000 USD | 0.0011 USD |
ค่าบริการรวมทั้งหมดสำหรับการฝึกอบรมและการแก้จุดบกพร่องในตัวอย่างนี้คือ 2.7811 USD อินสแตนซ์ของการประมวลผลและปริมาณพื้นที่จัดเก็บสำหรับวัตถุประสงค์ทั่วไปที่ถูกใช้งานโดยกฎที่มีอยู่แล้วของ Amazon SageMaker Debugger จะไม่ถูกคิดค่าบริการเพิ่มเติม
ตัวอย่างราคา #6: การอนุมานแบบเรียลไทม์
โมเดลในตัวอย่าง #3 ถูกติดตั้งเพื่อใช้ผลิตกับอินสแตนซ์ ml.c5.xlarge สอง (2) รายการเพื่อโฮสต์หลาย AZ ได้อย่างน่าเชื่อถือ โดยจะเปิดใช้งาน Amazon SageMaker Model Monitor กับอินสแตนซ์ ml.m5.4xlarge หนึ่ง (1) รายการ และกำหนดเวลางานตรวจสอบวันละครั้ง งานเฝ้าติดตามแต่ละงานใช้เวลา 5 นาทีเพื่อดำเนินการจนเสร็จสิ้น แบบจำลองจะได้รับข้อมูล 100MB ต่อวันและการอนุมานจะมีขนาด 1 ใน 10 ของข้อมูลอินพุต
ชั่วโมงต่อเดือน | อินสแตนซ์การโฮสต์ | อินสแตนซ์เฝ้าติดตามแบบจำลอง |
ค่าใช้จ่ายต่อชั่วโมง | ทั้งหมด |
---|---|---|---|---|
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 |
ข้อมูลเข้าต่อเดือน – การโฮสต์ | ข้อมูลออกต่อเดือน – การโฮสต์ | ค่าใช้จ่ายต่อ GB เข้าหรือออก | ทั้งหมด |
---|---|---|---|
100 MB * 31 = 3100 MB |
0.02 USD | 0.050 USD | |
10 MB * 31 = 310 MB | 0.02 USD | 0.006 USD |
ผลรวมย่อยสำหรับการฝึกอบรม การโฮสต์ และการเฝ้าติดตาม = 356.832 USD ผลรวมย่อยสำหรับข้อมูล 3,100 MB ที่ประมวลผลเข้าและข้อมูล 310 MB ที่ประมวลผลออกสำหรับการโฮสต์ต่อเดือน = 0.056 USD ราคารวมสำหรับตัวอย่างนี้คือ 356.887 USD
โปรดทราบ สำหรับกฎในตัวที่มีอินสแตนซ์ ml.m5.xlarge คุณจะได้รับการติดตามรวมสูงสุด 30 ชั่วโมงในแต่ละเดือน สำหรับตำแหน่งข้อมูลปลายทางทั้งหมดโดยไม่มีค่าใช้จ่าย
ตัวอย่างราคา #7: Batch Transform
Amazon SageMaker Batch Transform จะคิดค่าใช้จ่ายเฉพาะอินสแตนซ์ที่ใช้ขณะประมวลผลงานของคุณ หากข้อมูลของคุณอยู่ใน Amazon S3 อยู่แล้ว จะไม่มีค่าใช้จ่ายสำหรับการอ่านข้อมูลขาเข้าจาก S3 และการเขียนข้อมูลขาออกไปยัง S3
แบบจำลองในตัวอย่าง #1 จะใช้ในการรัน SageMaker Batch Transform Data Scientist จะรัน SageMaker Batch Transform jobs 4 รายการแยกจากกันบน ml.m4.4xlarge จำนวน 3 รายการเป็นเวลา 15 นาทีต่อการรันแต่ละงาน เธอจะอัพโหลดชุดข้อมูลการประเมินขนาด 1 GB ใน S3 สำหรับการรันแต่ละครั้ง และการอนุมานมีขนาด 1 ใน 10 ของข้อมูลขาเข้าซึ่งจะถูกจัดเก็บกลับเข้าไปใน S3
ชั่วโมง | อินสแตนซ์การฝึก | ค่าใช้จ่ายต่อชั่วโมง | ทั้งหมด |
---|---|---|---|
3 * 0.25 * 4 = 3 ชั่วโมง | ml.m4.xlarge | 1.12 USD | 3.36 USD |
GB ข้อมูลเข้า - การแปลงแบตช์ |
GB ข้อมูลออก - การแปลงแบตช์ | ค่าใช้จ่ายต่อ GB เข้าหรือออก | ทั้งหมด |
---|---|---|---|
0 | 0 | 0.02 USD | 0 USD |
ผลรวมย่อยสำหรับ SageMaker Batch Transform job = 3.36 USD ผลรวมย่อยสำหรับ 4.4 GB ที่เข้าไปใน Amazon S3 = 0 USD ราคารวมสำหรับตัวอย่างนี้คือ 3.36 USD
เรียนรู้เพิ่มเติมเกี่ยวกับ Amazon SageMaker