ราคา Amazon SageMaker

ด้วย Amazon SageMaker คุณจะมีสองตัวเลือกในการชำระเงินและชำระเฉพาะส่วนที่คุณใช้เท่านั้น ราคาตามความต้องการจะเรียกเก็บตามวินาทีโดยไม่มีค่าธรรมเนียมขั้นต่ำและไม่มีภาระผูกพันล่วงหน้า และ SageMaker Savings Plans จะให้โมเดลราคาที่ยืดหยุ่นตามการใช้งานโดยแลกเปลี่ยนกับภาระผูกพันในระยะเวลาการใช้งานอย่างต่อเนื่อง

ลองใช้ Amazon SageMaker Studio ได้ฟรี เนื่องจากเป็นส่วนหนึ่งของ AWS Free Tier คุณสามารถเริ่มใช้งาน Amazon SageMaker ได้ฟรี Free Tier ของคุณจะเริ่มเดือนแรกเมื่อคุณสร้างทรัพยากร SageMaker แรกของคุณ รายละเอียดของ free tier สำหรับ Amazon SageMaker ดังตารางด้านล่าง

Amazon SageMaker Savings Plans ช่วยลดค่าใช้จ่ายของคุณได้สูงสุด 64% โดยแผนจะมีผลกับการใช้งานอินสแตนซ์แมชชีนเลิร์นนิ่ง SageMaker (ML) ที่มีสิทธิ์โดยอัตโนมัติ รวมถึงโน้ตบุ๊ค SageMaker Studio, โน้ตบุ๊ค SageMaker On-Demand, SageMaker Processing, SageMaker Data Wrangler, SageMaker Training, SageMaker Real-Time Inference และ SageMaker Batch Transform ไม่ว่าจะเป็นกลุ่มประเภทอินสแตนซ์ ขนาด หรือรีเจี้ยนใด ตัวอย่างเช่น คุณสามารถเปลี่ยนแปลงการใช้งานจากอินสแตนซ์ CPU ml.c5.xlarge ที่ทำงานในสหรัฐอเมริกาฝั่งตะวันออก (โอไฮโอ) เป็นอินสแตนซ์ ml.Inf1 ในสหรัฐอเมริกาฝั่งตะวันตก (ออริกอน) สำหรับปริมาณงานการอนุมานได้ทุกเมื่อและยังคงชำระเงินตามราคาของ Savings Plans โดยอัตโนมัติ เรียนรู้เพิ่มเติม »

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

เรียนรู้เพิ่มเติมเกี่ยวกับราคาสำหรับ Amazon SageMaker Ground Truth บริการป้ายกำกับข้อมูลที่สามารถจัดการอย่างสมบูรณ์ซึ่งช่วยให้สร้างชุดข้อมูลสำหรับฝึกแมชชีนเลิร์นนิ่งที่มีความแม่นยำสูงได้ง่ายขึ้น

เรียนรู้เพิ่มเติมเกี่ยวกับราคาสำหรับ Amazon SageMaker Edge Manager เพื่อเพิ่มประสิทธิภาพ รัน และตรวจสอบโมเดลแมชชีนเลิร์นนิ่งบนอุปกรณ์ edge 

Amazon SageMaker ช่วยลดต้นทุนรวมในการเป็นเจ้าของ (total cost of ownership – TCO) ได้อย่างน้อย 54% ตลอดระยะเวลา 3 ปีเมื่อเทียบกับโซลูชันจัดการเองบนระบบคลาวด์แบบอื่นๆ เรียนรู้เพิ่มเติมเกี่ยวกับ TCO analysis สำหรับ Amazon SageMaker

คุณสามารถประมาณค่าใช้จ่ายในการใช้งาน Amazon SageMaker ได้โดยใช้ เครื่องคำนวณราคา Amazon SageMaker ด้วยเครื่องคำนวณราคา คุณสามารถคำนวนค่าใช้จ่ายโดยประมาณสำหรับกรณีใช้งาน นำออกมาเพื่อใช้สำหรับการวิเคราะห์ออฟไลน์ และปรับค่าใช้จ่ายตามความต้องการใช้งานของคุณ

นักวิทยาศาสตร์ข้อมูลจะต้องทำตามลำดับการดำเนินการดังต่อไปนี้ขณะที่ใช้ Amazon 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 = 0.308 USD
ผลรวมย่อยสำหรับพื้นที่จัดเก็บข้อมูล SSD สำหรับการใช้ทั่วไปขนาด 200 GB = 0.0032 USD
ราคารวมสำหรับตัวอย่างนี้เท่ากับ 0.3112 USD

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

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 = 16.596 USD + 2.461 USD = 19.097 USD

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

++ 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

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

ค่าบริการรวมทั้งหมดสำหรับการฝึกอบรมและการแก้จุดบกพร่องในตัวอย่างนี้คือ 2.38 USD อินสแตนซ์ของการประมวลผลและปริมาณพื้นที่จัดเก็บสำหรับวัตถุประสงค์ทั่วไปที่ถูกใช้งานโดยกฎที่มีอยู่แล้วของ Amazon SageMaker Debugger จะไม่ถูกคิดค่าบริการเพิ่มเติม

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

ผลรวมย่อยสำหรับการฝึกอบรม การโฮสต์ และการเฝ้าติดตาม = 305.827 USD ผลรวมย่อยสำหรับข้อมูล 3,100 MB ที่ประมวลผลเข้าและข้อมูล 310 MB ที่ประมวลผลออกสำหรับการโฮสต์ต่อเดือน = 0.06 USD ราคารวมสำหรับตัวอย่างนี้คือ 305.887 USD

โปรดทราบ สำหรับกฎในตัวที่มีอินสแตนซ์ ml.m5.xlarge คุณจะได้รับการติดตามรวมสูงสุด 30 ชั่วโมงในแต่ละเดือน สำหรับตำแหน่งข้อมูลปลายทางทั้งหมดโดยไม่มีค่าใช้จ่าย

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

ผลรวมย่อยสำหรับ SageMaker Batch Transform job = 2.88 USD ผลรวมย่อยสำหรับ 4.4 GB ที่เข้าไปใน Amazon S3 = 0 USD ราคารวมสำหรับตัวอย่างนี้คือ 2.90 USD