Preisübersicht

Amazon SageMaker AI unterstützt Datenwissenschaftler und Entwickler bei der schnellen Vorbereitung, Erstellung, Schulung und Bereitstellung hochwertiger Machine-Learning-Modelle (ML), indem es eine breite Palette von Funktionen zusammenführt, die speziell für ML entwickelt wurden. SageMaker AI unterstützt die führenden ML-Frameworks, Toolkits und Programmiersprachen.

Mit SageMaker AI zahlen Sie nur für das, was Sie nutzen. Sie haben zwei Zahlungsmöglichkeiten: ein On-Demand-Preismodell, das keine Mindestgebühren und keine Vorausleistungen vorsieht, und die Amazon SageMaker Savings Plans, die ein flexibles, nutzungsbasiertes Preismodell im Austausch für die Verpflichtung zu einer kontinuierlichen Nutzungsmenge bieten.

                                           

SageMaker AI – Kostenloses Kontingent

Amazon SageMaker AI kann kostenlos getestet werden. Die ersten Schritte mit SageMaker AI sind kostenlos. Ihr SageMaker AI Free Tier beginnt mit dem ersten Monat, wenn Sie Ihre erste SageMaker-AI-Ressource erstellen.

Fähigkeiten von Amazon SageMaker AI Nutzung eines kostenlosen Kontingents pro Monat für die ersten 2 Monate
Studio-Notebooks, und Notebook-Instances 250 Stunden ml.t3.-medium-Instance auf Studio-Notebooks ODER 250 Stunden ml.t3.-medium-Instance auf Notebook-Instances
Page-Illo_PricingCalculator_Wallet_1x

AWS Pricing Calculator

Berechnen Sie Ihre Amazon-SageMaker- und Architekturkosten mit einem einzigen Kostenvoranschlag.

Jetzt Ihre individuelle Schätzung erstellen »

On-Demand-Preise

  • JupyterLab

  • Amazon SageMaker JupyterLab
    Starten Sie das vollständig verwaltete JupyterLab in Sekundenschnelle. Verwenden Sie die neueste webbasierte interaktive Entwicklungsumgebung für Notebooks, Code und Daten. Der von Ihnen gewählte Instance-Typ wird Ihnen nach der Dauer der Nutzung in Rechnung gestellt.

  • Verarbeitung

  • Amazon SageMaker Processing
    Mit Amazon SageMaker Processing können Sie Ihre Workloads für Vor- und Nachverarbeitung sowie Modellauswertung problemlos in einer vollständig verwalteten Infrastruktur ausführen. Der von Ihnen gewählte Instance-Typ wird Ihnen nach der Dauer der Nutzung in Rechnung gestellt.

  • Training

  • Amazon SageMaker – Training
    Amazon SageMaker bietet alles, was Sie zum Trainieren, Optimieren und Debuggen von Modellen benötigen, und erleichtert so das Training von ML-Modellen (Machine Learning). Die Nutzung des von Ihnen gewählten Instance-Typs wird Ihnen in Rechnung gestellt. Wenn Sie Amazon SageMaker Debugger zum Debuggen von Problemen und Überwachen von Ressourcen während des Trainings verwenden, können Sie zum Debuggen Ihrer Trainingsaufgaben integrierte Regeln verwenden oder Ihre eigenen benutzerdefinierten Regeln schreiben. Die Verwendung der integrierten Regeln zum Debuggen Ihrer Trainingsaufgaben ist kostenlos. Bei benutzerdefinierten Regeln wird Ihnen der von Ihnen gewählte Instance-Typ auf der Grundlage der Nutzungsdauer in Rechnung gestellt.

  • Echtzeit-Inferenz

  • Amazon SageMaker Hosting: Echtzeit-Inferenz
    Amazon SageMaker bietet Echtzeit-Inferenz für Ihre Anwendungsfälle, die Echtzeit-Vorhersagen benötigen. Die Nutzung des von Ihnen gewählten Instance-Typs wird Ihnen in Rechnung gestellt. Wenn Sie Amazon SageMaker Model Monitor zur Pflege hochpräziser Modelle verwenden, die Echtzeit-Inferenz bereitstellen, können Sie integrierte Regeln zur Überwachung Ihrer Modelle verwenden oder Ihre eigenen Regeln schreiben. Bei integrierten Regeln erhalten Sie bis zu 30 Stunden Überwachung kostenlos. Zusätzliche Gebühren werden nach der Dauer der Nutzung berechnet. Die Verwendung eigener benutzerdefinierter Regeln wird Ihnen separat in Rechnung gestellt.

Instance-Details

Instance für Amazon SageMaker P6 – Produktdetails

Instance-Größe Blackwell-GPUs GPU-Speicher (GB) vCPUs Systemspeicher (GiB) Instance-Speicher (TB) Netzwerkbandbreite (Gbit/s) EBS-Bandbreite (GBit/s) Verfügbar in UltraServers
ml.p6-b200.48xlarge 8 1.440 HBM3e 192 2 048 8 x 3,84 8 x 400 100 Nein

ml.p6e- gb200.36xlarge		 4 740 HBM3e 144 960 3 x 7,5 4 x 400 60 Ja

*P6e-GB200-Instances sind nur in UltraServers verfügbar

Details zu Amazon SageMaker UltraServer

UltraServers bieten eine Reihe von Instances, die über eine Netzwerk-Domain mit hoher Bandbreite miteinander verbunden sind. Beispielsweise verbindet der P6e-GB200 UltraServer bis zu 18 p6e-gb200.36xlarge-Instances unter einer NVIDIA-NVLink-Domain. Mit 4 NVIDIA Blackwell GPUs pro Instance unterstützt jeder P6e-GB200 UltraServer somit 72 GPUs, sodass Sie Ihre größten KI-Workloads mit hoher Leistung auf SageMaker ausführen können.

Instance-Größe Blackwell-GPUs GPU-Speicher (GB) vCPUs Systemspeicher (GiB) UltraServer-Speicher (TB) Gesamt-EFA-Bandbreite (Gbit/s) EBS-Bandbreite (GBit/s) Verfügbar in UltraServers
ml.u-p6e-gb200x72 72 13 320 2 529 17 280 405 28 800 1 080 Ja
ml.u-p6e-gb200x36 36 6 660 1 296 8 640 202,5 14 400 540 Ja

Produktdetails zur Amazon-SageMaker-P5-Instance

Instance-Größe vCPUs Instance-Arbeitsspeicher (TiB) GPU-Modell  GPU GPU-Speicher insgesamt (GB) Speicher pro GPU (GB) Netzwerkbandbreite (Gbit/s) GPUDirect RDMA GPU Peer-to-Peer Instance-Speicher (TB) EBS-Bandbreite (Gbit/s)
ml.p5.48xlarge 192 2 NVIDIA H100 8 640 HBM3 80 3200 EFAv2   Ja 900 GB/s NVSwitch   8x3.84 NVMe-SSD 80

Produktdetails zur Amazon-SageMaker-P4d-Instance

Instance-Größe vCPUs Instance-Arbeitsspeicher (GiB) GPU-Modell GPUs GPU-Speicher insgesamt (GB) Speicher pro GPU (GB) Netzwerkbandbreite (Gbit/s) GPUDirect RDMA GPU Peer-to-Peer Instance-Speicher (GB) EBS-Bandbreite (Gbit/s)
ml.p4d.24xlarge 96 1 152 NVIDIA A100 8 320 HBM 2 40 400 ENA und EFA Ja 600 GB/s NVSwitch 8 x 1 000 NVMe SSD 19
ml.p4de.24xlarge 96 1 152 NVIDIA A100 8 640 HNM2e 80 400 ENA und EFA Ja 600 GB/s NVSwitch 8X1000 NVMe-SSD 19

Amazon-SageMaker-P3-Instance – Produktdetails

Instance-Größe vCPUs Instance-Arbeitsspeicher (GiB) GPU-Modell GPUs GPU-Speicher insgesamt (GB) Speicher pro GPU (GB) Netzwerkbandbreite (Gbit/s) GPU Peer-to-Peer Instance-Speicher (GB) EBS-Bandbreite (Gbit/s)
ml.p3.2xlarge 8 61 NVIDIA V100 1 16 16 Bis zu 10 n. a. Nur EBS 1,5
ml.p3.8xlarge 32 244 NVIDIA V100 4 64 16 10 NVLink Nur EBS 7
ml.p3.16xlarge 64 488 NVIDIA V100 8 128 16 25 NVLink Nur EBS 14
ml.p3dn.24xlarge 96 768 NVIDIA V100 8 256 32 100 NVLink 2 x 900 NVMe-SSD 19

Amazon-SageMaker-G4-Instance – Produktdetails

Instance-Größe vCPUs Instance-Arbeitsspeicher (GiB) GPU-Modell GPUs GPU-Speicher insgesamt (GB) Speicher pro GPU (GB) Netzwerkbandbreite (Gbit/s) Instance-Speicher (GB) EBS-Bandbreite (Gbit/s)
ml.g4dn.xlarge 4 16 NVIDIA T4 1 16 16 Bis zu 25 1 x 125 NVMe-SSD Bis zu 3,5
ml.g4dn.2xlarge 8 32 NVIDIA T4 1 16 16 Bis zu 25 1 x 125 NVMe-SSD Bis zu 3,5
ml.g4dn.4xlarge 16 64 NVIDIA T4 1 16 16 Bis zu 25 1 x 125 NVMe-SSD 4,75
ml.g4dn.8xlarge 32 128 NVIDIA T4 1 16 16 50 1 x 900 NVMe SSD 9,5
ml.g4dn.16xlarge 64 256 NVIDIA T4 1 16 16 50 1 x 900 NVMe SSD 9,5
ml.g4dn.12xlarge 48 192 NVIDIA T4 4 64 16 50 1 x 900 NVMe SSD 9,5

Amazon-SageMaker-G5-Instance – Produktdetails

Instance-Größe vCPUs Instance-Arbeitsspeicher (GiB) GPU-Modell GPUs GPU-Speicher insgesamt (GB) Speicher pro GPU (GB) Netzwerkbandbreite (Gbit/s) EBS-Bandbreite (Gbit/s) Instance-Speicher (GB)
ml.g5n.xlarge 4 16 NVIDIA A10G 1 24 24 Bis zu 10 Bis zu 3,5 1 x 250
ml.g5.2xlarge 8 32 NVIDIA A10G 1 24 24 Bis zu 10 Bis zu 3,5 1 x 450
ml.g5.4xlarge 16 64 NVIDIA A10G 1 24 24 Bis zu 25 8 1 x 600
ml.g5.8xlarge 32 128 NVIDIA A10G 1 24 24 25 16 1 x 900
ml.g5.16xlarge 64 256 NVIDIA A10G 1 24 24 25 16 1 x 1900
ml.g5.12xlarge 48 192 NVIDIA A10G 4 96 24 40 16 1 x 3 800
ml.g5.24xlarge 96 384 NVIDIA A10G 4 96 24 50 19 1 x 3 800
ml.g5.48xlarge 192 768 NVIDIA A10G 8 192 24 100 19 2 x 3 800

Produktdetails zur Amazon-SageMaker-Trn1-Instance

Instance-Größe vCPUs Arbeitsspeicher (GiB) Trainium-Beschleuniger Beschleunigerspeicher gesamt (GB) Arbeitsspeicher pro Beschleuniger (GB) Instance-Speicher (GB) Netzwerkbandbreite (Gbit/s) EBS-Bandbreite (Gbit/s)
ml.trn1.2xlarge 8 32 1 32 32 1 x 500 NVMe SSD Bis zu 12,5 Bis zu 20
ml.trn1.32xlarge 128 512 16 512 32 4 x 2 000 NVMe-SSD 800 80

Produktdetails zur Amazon-SageMaker-Inf1-Instance

Instance-Größe vCPUs Arbeitsspeicher (GiB) Inferentia-Beschleuniger Beschleunigerspeicher gesamt (GB) Arbeitsspeicher pro Beschleuniger (GB) Instance-Speicher Inter-Beschleuniger-Verbindungen Netzwerkbandbreite (Gbit/s) EBS-Bandbreite (Gbit/s)
ml.inf1.xlarge 4 8 1 8 8 Nur EBS n. a. Bis zu 25 Bis zu 4,75
ml.inf1.2xlarge 8 16 1 8 8 Nur EBS n. a. Bis zu 25 Bis zu 4,75
ml.inf1.6xlarge 24 48 4 32 8 Nur EBS Ja 25 4,75
ml.inf1.24xlarge 96 192 16 128 8 Nur EBS ja 100 19

Produktdetails zur Amazon-SageMaker-Inf2-Instance

Instance-Größe vCPUs Arbeitsspeicher (GiB) Inferentia-Beschleuniger Beschleunigerspeicher gesamt (GB) Arbeitsspeicher pro Beschleuniger (GB) Instance-Speicher Inter-Beschleuniger-Verbindungen Netzwerkbandbreite (Gbit/s) EBS-Bandbreite (Gbit/s)
ml.inf2.xlarge 4 16 1 32 32 Nur EBS n. a. Bis zu 25 Bis zu 10
ml.inf2.8xlarge 32 128 1 32 32 Nur EBS n. a. Bis zu 25 10
ml.inf2.24xlarge 96 384 6 196 32 Nur EBS Ja 50 30
ml.inf2.48xlarge 192 768 12 384 32 Nur EBS Ja 100 60

Amazon SageMaker Studio

Amazon SageMaker Studio ist eine einzige webbasierte Oberfläche für die komplette ML-Entwicklung und bietet eine Auswahl an vollständig verwalteten integrierten Entwicklungsumgebungen (IDEs) und speziell entwickelten Tools. Sie können kostenlos auf SageMaker Studio zugreifen. Ihnen werden nur die zugrundeliegende Rechenleistung und der Speicher berechnet, die Sie für verschiedene IDEs und ML-Tools in SageMaker Studio verwenden.

Sie können viele Dienste von SageMaker Studio, AWS SDK für Python (Boto3) oder AWS Command Line Interface (AWS CLI) nutzen, darunter die folgenden:

  • IDEs auf SageMaker Studio zur Durchführung einer vollständigen ML-Entwicklung mit einer Vielzahl vollständig verwalteter IDEs, darunter JupyterLab, Code Editor basierend auf Code-OSS (Visual Studio Code – Open Source) und RStudio
  • SageMaker Pipelines zum Automatisieren und Verwalten von ML-Workflows
  • SageMaker Autopilot zum automatischen Erstellen von ML-Modellen mit vollständiger Transparenz
  • SageMaker Experiments zum Organisieren und Nachverfolgen Ihrer Trainingsaufträge und -versionen
  • SageMaker Debugger zum Debuggen von Anomalien während des Trainings
  • SageMaker Model Monitor zur Aufrechterhaltung qualitativ hochwertiger Modelle
  • SageMaker Clarify zur besseren Erklärung Ihrer ML-Modelle und zur Erkennung von Verzerrungen
  • SageMaker JumpStart zur einfachen Bereitstellung von ML-Lösungen für viele Anwendungsfälle. Für die grundlegenden API-Aufrufe, die Amazon SageMaker in Ihrem Namen vornimmt, können Ihnen Gebühren von anderen in der Lösung verwendeten AWS-Services entstehen.
  • SageMaker Inference Recommender für Empfehlungen zur richtigen Endpunktkonfiguration

Sie zahlen nur für die zugrunde liegenden Rechen- und Speicherressourcen in SageMaker oder anderen AWS-Services, basierend auf Ihrer Nutzung.

Um das kostenlose Kontingent von Amazon Q Developer auf Jupyter Lab und Code Editor zu nutzen, folgen Sie den Anweisungen hier. Um Amazon Q Developer Pro in Jupyter Lab verwenden zu können, müssen Sie Amazon Q Developer abonnieren. Preise für Amazon Q Developer finden Sie hier.

Gesamtbetriebskosten (TCO) mit Amazon SageMaker

Amazon SageMaker bietet mindestens 54 % niedrigere Gesamtbetriebskosten (TCO) über einen Zeitraum von drei Jahren im Vergleich zu anderen selbstverwalteten cloudbasierten Lösungen. Erfahren Sie mehr mit der vollständigen TCO-Analyse für Amazon SageMaker.

Preisbeispiele

  • Als Datenwissenschaftler verbringen Sie 20 Tage damit, JupyterLab für schnelle Experimente mit Notebooks, Code und Daten für 6 Stunden pro Tag auf einer ml.g4dn.xlarge-Instance zu verwenden. Sie erstellen einen JupyterLab-Space und führen ihn dann aus, um auf die JupyterLab-IDE zuzugreifen. Die Rechenleistung wird nur für die Instance berechnet, die verwendet wird, wenn der JupyterLab-Speicherplatz läuft. Die Speichergebühren für einen JupyterLab-Speicherplatz fallen an, bis er gelöscht wird.

    Datenverarbeitung

    Instance Dauer Tage Gesamtdauer Kosten pro Stunde Gesamtsumme
    ml.r6i.4 x groß 6 Stunden 20 6 * 20 = 120 Stunden 1.440 EUR 172,80 EUR

    Speicher

    Sie werden den Allzweck-SSD-Speicher 480 Stunden lang (24 Stunden* 20 Tage) verwenden. In einer Region, die 0,1211 € pro GB-Monat berechnet:
    0,1211 € pro GB-Monat * 5 GB * 480 / (24 Stunden/Tag * 30-Tage-Monat) = 0,4037 €

  • Für Amazon SageMaker Processing fallen nur Gebühren für die genutzte Instance während der Ausführung Ihrer Aufträge an. Wenn Sie die Eingabedaten zur Verarbeitung in Amazon S3 bereitstellen, lädt Amazon SageMaker die Daten zu Beginn der Verarbeitungsaufgabe aus Amazon S3 auf einen lokalen Dateispeicher herunter.

    Der Datenanalyst führt einen Auftrag zur Vorverarbeitung und Validierung von Daten auf zwei ml.m5.4xlarge-Instances für eine Auftragsdauer von 10 Minuten aus. Sie lädt einen Datensatz von 100 GB in S3 als Eingabe für den Verarbeitungsauftrag hoch, und die Ausgabedaten (die ungefähr die gleiche Größe haben) werden wieder in S3 gespeichert.

    Stunden Verarbeitungs-Instances Kosten pro Stunde Gesamtsumme
    1 * 2 * 0,167 = 0,334 ml.c6i.2xlarge 0,459481 € 0,150460 €
    Universell-Speicher (SSD) (GB) Kosten pro Stunde Gesamtsumme
    100 GB * 2 = 200 0,14 € 0,0032 €

    Die Zwischensumme für den Amazon-SageMaker-Processing-Auftrag = 0,15046 €.
    Zwischensumme für 200 GB an Universell-Speicher (SSD) = 0,0032 €.
    In diesem Beispiel würden insgesamt 0,15366 € berechnet werden

  • Die Gesamtkosten für Training und Debugging betragen in diesem Beispiel 24,077292 €. Für die Computing-Instances und die Universell-Speicher-Volumes, die von den in Amazon SageMaker Debugger integrierten Regeln verwendet werden, fallen keine zusätzlichen Gebühren an.

      Universell-Speicher (SSD) für Training (GB) Universell-Speicher (SSD) für in den Debugger integrierte Regeln (GB) Universell-Speicher (SSD) für benutzerdefinierte Debugger-Regeln (GB) Preis pro GB/Monat Zwischensumme
    Genutzte Kapazität 3 2 1    
    Kosten 0 € Keine zusätzlichen Gebühren für integrierte Speichervolumes 0 € 0,10 € 0 €

     

    Stunden Training-Instance Debug-Instance Kosten pro Stunde Zwischensumme
    4 * 0,5 = 2,00 ml.c6i.2xlarge – 0,459481 € 0,91896 €
    4 * 0,5 * 2 = 4 – Keine zusätzlichen Gebühren für integrierte Regel-Instances 0 € 0 €
    4 * 0,5 = 2 ml.c7i.48xlarge – 11,579165 € 23,1583 €
            -------
            24,07729 €

    Ein Datenwissenschaftler hat eine Woche lang an einem Modell für ein neues Konzept gearbeitet. Er trainiert das Modell vier Mal auf einem ml.m4.4xlarge für 30 Minuten pro Trainingslauf, wobei Amazon SageMaker Debugger mit zwei integrierten Regeln einer selbst geschriebenen Regel aktiviert ist. Bei der benutzerdefinierten Regel legte er die ml.m5.xlarge-Instance fest. Sie führt das Training mit einem Trainings-Datenvolumen von 3 GB in Amazon S3 aus und gibt 1 GB an Modellausgabe an Amazon S3 weiter. SageMaker erstellt Universell-Speicher SSD (gp2)-Volumes für jede Trainings-Instance. SageMaker erstellt außerdem Universell-Speicher SSD (gp2)-Volumes für jede definierte Regel. In diesem Beispiel werden insgesamt vier Universell-Speicher SSD (gp2)-Volumes erstellt. SageMaker Debugger gibt 1 GB Debug-Daten an den Amazon-S3-Bucket des Kunden aus.