สำหรับ Amazon SageMaker คุณจะจ่ายเฉพาะส่วนที่คุณใช้เท่านั้น การสร้าง การฝึกอบรม และการติดตั้งโมเดล ML เพื่อใช้จริงจะเรียกเก็บค่าใช้จ่ายตามวินาที โดยไม่มีค่าธรรมเนียมขั้นต่ำและไม่มีค่าบริการล่วงหน้า

ลองใช้ Amazon SageMaker ฟรี

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

Amazon SageMaker Studio ใช้ฟรี

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

ลดต้นทุนรวมในการเป็นเจ้าของ (total cost of ownership – TCO) ด้วย Amazon SageMaker

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

  • Studio Notebooks
  • อินสแตนซ์โน้ตบุ๊คตามความต้องการ
  • การประมวลผล
  • การฝึกอบรม
  • การอนุมานแบบเรียลไทม์
  • Batch Transform
  • Studio Notebooks
  • SageMaker Studio Notebooks
    โน้ตบุ๊ค Studio คือโน้ตบุ๊ค Jupyter แบบคลิกเดียวที่สามารถเริ่มต้นการทำงานได้อย่างรวดเร็ว ทรัพยากรการประมวลผลเบื้องต้นมีความยืดหยุ่นเต็มที่ โน้ตบุ๊คเหล่านี้สามารถแชร์กับผู้อื่นได้อย่างง่ายดาย ทำให้ทำงานร่วมกันได้อย่างราบรื่น 

  • อินสแตนซ์โน้ตบุ๊คตามความต้องการ
  • อินสแตนซ์โน้ตบุ๊คตามความต้องการ
    อินสแตนซ์โน้ตบุ๊คตามความต้องการเป็นอินสแตนซ์การประมวลผลของแมชชีนเลิร์นนิ่ง (ML) ที่เรียกใช้แอป Jupyter Notebook คุณจะถูกเรียกเก็บเงินสำหรับการใช้งานประเภทอินสแตนซ์ที่คุณเลือก ในใบเรียกเก็บเงินจะแสดงรายการของโน้ตบุ๊คแต่ละเครื่องแยกกัน

  • การประมวลผล
  • SageMaker Processing
    SageMaker Processing ช่วยให้คุณเรียกใช้ปริมาณงานการประเมินก่อนการประมวลผล หลังการประมวลผล และโมเดลบนโครงสร้างพื้นฐานที่มีการจัดการเต็มรูปแบบได้อย่างง่ายดาย

  • การฝึกอบรม
  • การฝึกอบรม SageMaker
    SageMaker ช่วยให้การฝึกอบรมโมเดลแมชชีนเลิร์นนิ่ง (ML) เป็นเรื่องง่ายโดยให้ทุกสิ่งที่คุณต้องการในการฝึกอบรม ปรับแต่ง และแก้ไขข้อบกพร่องโมเดล เมื่อคุณใช้ SageMaker Debugger กฎในตัวจะใช้ได้ฟรี สำหรับกฎแบบกำหนดเอง คุณจะต้องเลือกอินสแตนซ์ และคุณจะถูกเรียกเก็บค่าบริการตามระยะเวลาที่ใช้งานอินสแตนซ์

  • การอนุมานแบบเรียลไทม์
  • การโฮสต์ SageMaker: การอนุมานแบบเรียลไทม์
    เมื่อคุณติดตั้งโมเดลเพื่อใช้จริงเป็นตำแหน่งข้อมูลของ Amazon SageMaker สำหรับการอนุมานแบบเรียลไทม์และเปิดใช้งาน Amazon SageMaker Model Monitor แล้ว คุณสามารถใช้กฎในตัวเพื่อเฝ้าติดตามโมเดลหรือเขียนกฎแบบกำหนดเองได้ คุณจะได้รับการตรวจสอบฟรีสูงสุด 30 ชั่วโมงสำหรับกฎในตัว การใช้งานเพิ่มเติมจะขึ้นอยู่กับการใช้งาน

  • Batch Transform
  • การโฮสต์ SageMaker: Batch Transform
    Batch Transform ช่วยให้ไม่จำเป็นต้องแบ่งชุดข้อมูลออกเป็นหลายๆ ส่วนหรือจัดการตำแหน่งข้อมูลแบบเรียลไทม์ Batch Transform ช่วยให้คุณเรียกใช้การคาดคะเนบนชุดข้อมูลแบบกลุ่มขนาดใหญ่หรือเล็กได้

ตัวอย่างราคาที่ 1: Studio Notebooks

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
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
ราคารวมสำหรับตัวอย่างนี้คือ 0.3622 USD

ตัวอย่างราคาที่ 3: 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

ค่าบริการทั้งหมดสำหรับการฝึกอบรมและการแก้จุดบกพร่องในตัวอย่างนี้คือ 2.7811 USD อินสแตนซ์การประมวลผลและไดรฟ์ข้อมูลสำหรับการใช้ทั่วไปที่ใช้โดยกฎในตัวของ SageMaker Debugger ไม่คิดค่าบริการเพิ่มเติม

ตัวอย่างราคาที่ 4: การอนุมาน

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

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

โปรดทราบว่าสำหรับกฎในตัวที่มีอินสแตนซ์ ml.m5.xlarge คุณจะได้รับการเฝ้าติดตามรวมสูงสุด 30 ชั่วโมงสำหรับตำแหน่งข้อมูลทั้งหมดในแต่ละเดือนโดยไม่มีค่าใช้จ่าย

ตัวอย่างราคาที่ 5: Batch Transform

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

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

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

เรียนรู้เพิ่มเติมเกี่ยวกับคุณสมบัติของ Amazon SageMaker

ไปที่หน้าคุณสมบัติ
พร้อมเริ่มต้นใช้งานหรือยัง
ลงชื่อสมัครใช้งาน
มีคำถามเพิ่มเติมหรือไม่
ติดต่อเรา