Pada 2021, kami meluncurkan Layanan Proaktif AWS Support sebagai bagian dari Dukungan Perusahaan AWS menawarkan. Sejak diperkenalkan, kami telah membantu ratusan pelanggan mengoptimalkan beban kerja mereka, menetapkan batasan, dan meningkatkan visibilitas biaya dan penggunaan beban kerja machine learning (ML) mereka.
Dalam rangkaian postingan ini, kami berbagi pelajaran tentang cara mengoptimalkan biaya di Amazon SageMaker. di bagian 1, kami menunjukkan cara mulai menggunakan Penjelajah Biaya AWS untuk mengidentifikasi peluang pengoptimalan biaya di SageMaker. Dalam postingan ini, kami berfokus pada berbagai cara untuk menganalisis penggunaan SageMaker dan mengidentifikasi peluang pengoptimalan biaya untuk instans notebook SageMaker dan Studio Amazon SageMaker.
Instance notebook SageMaker
A Instance notebook SageMaker adalah instance komputasi yang dikelola sepenuhnya yang menjalankan aplikasi Jupyter Notebook. SageMaker mengelola pembuatan instans dan sumber daya terkait. Notebook berisi semua yang diperlukan untuk menjalankan atau membuat ulang alur kerja ML. Anda dapat menggunakan notebook Jupyter di instans notebook Anda untuk menyiapkan dan memproses data, menulis kode untuk melatih model, menerapkan model ke Hosting SageMaker, dan menguji atau memvalidasi model Anda. Biaya instans notebook SageMaker didasarkan pada jam instans yang digunakan saat instans notebook berjalan, serta biaya GB perbulan penyimpanan yang disediakan, sebagaimana dijelaskan dalam Harga Amazon SageMaker.
Di Cost Explorer, Anda dapat memfilter biaya buku catatan dengan menerapkan filter aktif Jenis penggunaan. Nama-nama jenis penggunaan ini disusun sebagai berikut:
REGION-Notebk:instanceType
(sebagai contoh,USE1-Notebk:ml.g4dn.8xlarge
)REGION-Notebk:VolumeUsage.gp2
(sebagai contoh,USE2-Notebk:VolumeUsage.gp2
)
Memfilter berdasarkan jenis penggunaan Notebk:
akan menampilkan daftar jenis penggunaan notebook di akun. Seperti yang ditunjukkan pada tangkapan layar berikut, Anda dapat memilih Select All Dan pilihlah Mendaftar untuk menampilkan perincian biaya penggunaan notebook Anda.
Untuk melihat perincian biaya jenis penggunaan notebook yang dipilih berdasarkan jumlah jam penggunaan, Anda harus membatalkan pilihan semua REGION-Notebk:VolumeUsage.gp2
jenis penggunaan dari daftar sebelumnya dan pilih Mendaftar untuk menerapkan filter. Tangkapan layar berikut menampilkan grafik biaya dan penggunaan untuk jenis penggunaan notebook yang dipilih.
Anda juga dapat menerapkan filter tambahan seperti nomor akun, Cloud komputasi elastis Amazon (Amazon EC2) jenis instans, tag alokasi biaya, Wilayah, dan lebih. Mengubah perincian menjadi Setiap hari memberi Anda bagan biaya dan penggunaan harian berdasarkan jenis dan dimensi penggunaan yang dipilih, seperti yang ditunjukkan pada tangkapan layar berikut.
Pada contoh sebelumnya, instance notebook bertipe ml.t2.medium di Wilayah USE2 melaporkan penggunaan harian selama 24 jam antara periode 2 Juli dan 26 September. Demikian pula, instance notebook bertipe ml.t3.medium di Wilayah USE1 melaporkan penggunaan harian 24 jam antara 3 Agustus dan 26 September, dan penggunaan harian 48 jam antara 26 September dan 31 Desember. Penggunaan harian 24 jam atau lebih selama beberapa hari berturut-turut dapat menunjukkan bahwa instans notebook telah dibiarkan berjalan selama beberapa hari tetapi tidak digunakan secara aktif. Jenis pola ini dapat memperoleh manfaat dari penerapan pagar pengaman kontrol biaya seperti pematian manual atau mati otomatis instans notebook untuk mencegah runtime menganggur.
Meskipun Cost Explorer membantu Anda memahami data biaya dan penggunaan pada perincian jenis instans, Anda dapat menggunakannya Laporan Biaya dan Penggunaan AWS (AWS CUR) untuk mendapatkan data pada perincian sumber daya seperti notebook ARN. Anda dapat membuat kueri khusus untuk mencari data AWS CUR menggunakan SQL standar. Anda juga dapat menyertakan tag alokasi biaya dalam kueri Anda untuk tingkat perincian tambahan. Kueri berikut menampilkan penggunaan sumber daya notebook selama 3 bulan terakhir dari data AWS CUR Anda:
Tangkapan layar berikut menunjukkan hasil yang diperoleh dari menjalankan kueri AWS CUR menggunakan Amazon Athena. Untuk informasi lebih lanjut tentang cara menggunakan Athena, lihat Membuat Kueri Laporan Biaya dan Penggunaan menggunakan Amazon Athena.
Hasil kueri menunjukkan notebook itu dev-notebook
berjalan pada instans ml.t2.medium melaporkan penggunaan 24 jam selama beberapa hari berturut-turut. Tarif instans adalah $0.0464/jam dan biaya harian untuk berjalan selama 24 jam adalah $1.1136.
Hasil kueri AWS CUR dapat membantu Anda mengidentifikasi pola notebook yang berjalan selama beberapa hari berturut-turut, yang dapat dianalisis untuk pengoptimalan biaya. Informasi lebih lanjut dan contoh kueri dapat ditemukan di Pustaka Kueri AWS CUR.
Anda juga dapat memasukkan data AWS CUR ke dalamnya Amazon QuickSight, di mana Anda dapat mengiris dan memotongnya dengan cara apa pun yang Anda inginkan untuk tujuan pelaporan atau visualisasi. Untuk instruksi tentang menyerap data AWS CUR ke QuickSight, lihat Bagaimana cara menyerap dan memvisualisasikan Laporan Biaya dan Penggunaan (CUR) AWS ke dalam Amazon QuickSight.
Optimalkan biaya instans notebook
Notebook SageMaker cocok untuk pengembangan model ML, yang mencakup eksplorasi data interaktif, penulisan skrip, pembuatan prototipe rekayasa fitur, dan pemodelan. Setiap tugas ini mungkin memiliki persyaratan sumber daya komputasi yang berbeda-beda. Memperkirakan jenis sumber daya komputasi yang tepat untuk melayani berbagai beban kerja merupakan tantangan, dan dapat menyebabkan penyediaan sumber daya yang berlebihan, yang mengakibatkan peningkatan biaya.
Untuk pengembangan model ML, ukuran instans notebook SageMaker bergantung pada jumlah data yang perlu Anda muat dalam memori untuk analisis data eksplorasi (EDA) yang bermakna dan jumlah komputasi yang diperlukan. Kami merekomendasikan untuk memulai dari yang kecil dengan instans tujuan umum (seperti keluarga T atau M) dan meningkatkannya sesuai kebutuhan. Misalnya, ml.t2.medium cukup untuk sebagian besar pemrosesan data dasar, rekayasa fitur, dan EDA yang menangani kumpulan data kecil yang dapat disimpan dalam memori 4 GB. Jika pengembangan model Anda melibatkan pekerjaan komputasi yang berat (seperti pemrosesan gambar), Anda dapat menghentikan instans notebook yang lebih kecil dan mengubah jenis instans ke instans yang lebih besar yang diinginkan, seperti ml.c5.xlarge. Anda dapat beralih kembali ke instans yang lebih kecil saat tidak lagi membutuhkan instans yang lebih besar. Ini akan membantu menekan biaya komputasi.
Pertimbangkan praktik terbaik berikut untuk membantu mengurangi biaya instans notebook Anda.
CPU vs GPU
Mempertimbangkan instans notebook CPU vs. GPU penting untuk ukuran yang tepat. CPU paling baik dalam menangani kalkulasi tunggal yang lebih kompleks secara berurutan, sedangkan GPU lebih baik dalam menangani kalkulasi ganda tetapi sederhana secara paralel. Untuk banyak kasus penggunaan, tipe instans generasi saat ini standar dari keluarga instans seperti M menyediakan daya komputasi, memori, dan performa jaringan yang cukup untuk notebook agar bekerja dengan baik.
GPU memberikan rasio harga/kinerja yang bagus jika Anda memanfaatkannya secara efektif. Misalnya, jika Anda melatih model pembelajaran mendalam pada notebook SageMaker dan jaringan neural Anda relatif besar, melakukan sejumlah besar perhitungan yang melibatkan ratusan ribu parameter, maka model Anda dapat memanfaatkan komputasi yang dipercepat dan paralelisme perangkat keras yang ditawarkan oleh instans GPU seperti keluarga instans P. Namun, disarankan untuk menggunakan instans GPU hanya saat Anda benar-benar membutuhkannya karena mahal dan overhead komunikasi GPU bahkan dapat menurunkan kinerja jika notebook Anda tidak membutuhkannya. Kami merekomendasikan penggunaan notebook dengan instans yang lebih kecil dalam komputasi untuk pembuatan interaktif dan menyerahkan pekerjaan berat ke pelatihan singkat, penyetelan, dan tugas pemrosesan dengan instans yang lebih besar, termasuk instans yang mendukung GPU. Dengan cara ini, Anda tidak menyimpan instans besar (atau GPU) yang terus berjalan dengan notebook Anda. Jika Anda memerlukan komputasi yang dipercepat di lingkungan notebook, Anda dapat menghentikan instans notebook keluarga m*, beralih ke instans keluarga P* yang mendukung GPU, dan memulainya lagi. Jangan lupa untuk mengubahnya kembali saat Anda tidak lagi membutuhkan dorongan ekstra di lingkungan pengembangan Anda.
Batasi akses pengguna ke jenis instans tertentu
Administrator dapat membatasi pengguna untuk membuat buku catatan yang terlalu besar Identitas AWS dan Manajemen Akses (IAM) kebijakan. Misalnya, contoh kebijakan berikut hanya mengizinkan pengguna untuk membuat instans notebook SageMaker t3 yang lebih kecil:
Administrator juga dapat menggunakan Katalog Layanan AWS untuk mengizinkan swalayan notebook SageMaker. Ini memungkinkan Anda membatasi jenis instans yang tersedia bagi pengguna saat membuat notebook. Untuk informasi lebih lanjut, lihat Aktifkan sains data aman dan swalayan menggunakan notebook Amazon SageMaker dan AWS Service Catalog dan Luncurkan Amazon SageMaker Studio menggunakan AWS Service Catalog dan AWS SSO di Lingkungan AWS Control Tower.
Hentikan instans notebook yang menganggur
Untuk menghemat biaya, sebaiknya hentikan instans notebook Anda saat Anda tidak membutuhkannya dan mulai saat Anda benar-benar membutuhkannya. Pertimbangkan pendeteksian otomatis instans notebook menganggur dan kelola siklus hidupnya menggunakan a skrip konfigurasi siklus hidup. Sebagai contoh, berhenti otomatis-menganggur adalah contoh skrip shell yang menghentikan notebook SageMaker saat menganggur selama lebih dari 1 jam.
AWS mempertahankan a repositori publik dari skrip konfigurasi siklus hidup notebook yang menangani kasus penggunaan umum untuk menyesuaikan instance notebook, termasuk contoh skrip bash untuk menghentikan notebook yang tidak aktif.
Jadwalkan mulai dan hentikan instans notebook secara otomatis
Pendekatan lain untuk menghemat biaya notebook adalah secara otomatis memulai dan menghentikan notebook Anda pada waktu tertentu. Anda dapat melakukannya dengan menggunakan Jembatan Acara Amazon aturan dan AWS Lambda fungsi. Untuk informasi selengkapnya tentang mengonfigurasi fungsi Lambda Anda, lihat Mengonfigurasi opsi fungsi Lambda. Setelah Anda membuat fungsi, Anda dapat membuat aturan untuk memicu fungsi ini pada jadwal tertentu, misalnya, memulai buku catatan setiap hari kerja pada pukul 7. Melihat Membuat aturan Amazon EventBridge yang berjalan sesuai jadwal untuk instruksi. Untuk skrip memulai dan menghentikan notebook dengan fungsi Lambda, lihat Pastikan sumber daya komputasi yang efisien di Amazon SageMaker.
Studio SageMaker
Studio memberikan solusi terkelola sepenuhnya bagi ilmuwan data untuk membuat, melatih, dan menerapkan model ML secara interaktif. Buku catatan studio adalah notebook Jupyter kolaboratif sekali klik yang dapat diputar dengan cepat karena Anda tidak perlu menyiapkan instans komputasi dan penyimpanan file sebelumnya. Anda dikenai biaya untuk jenis instans komputasi yang Anda pilih untuk menjalankan notebook Anda, berdasarkan durasi penggunaan. Tidak ada biaya tambahan untuk menggunakan Studio. Biaya yang dikeluarkan untuk menjalankan notebook Studio, shell interaktif, konsol, dan terminal didasarkan pada penggunaan instans komputasi ML.
Saat diluncurkan, sumber daya dijalankan pada instans komputasi ML dari jenis instans yang dipilih. Jika instans dari jenis tersebut sebelumnya telah diluncurkan dan tersedia, sumber daya akan dijalankan di instans tersebut. Untuk image berbasis CPU, jenis instance default yang disarankan adalah ml.t3.medium. Untuk image berbasis GPU, jenis instance default yang disarankan adalah ml.g4dn.xlarge. Penagihan terjadi per instans dan dimulai saat instans pertama dari jenis instans tertentu diluncurkan.
Jika Anda ingin membuat atau membuka notebook tanpa risiko terkena biaya, buka notebook dari File menu dan pilih Tanpa Kernel dari Pilih Kernel dialog. Anda dapat membaca dan mengedit buku catatan tanpa menjalankan kernel, tetapi Anda tidak dapat menjalankan sel. Anda ditagih secara terpisah untuk setiap instans. Penagihan berakhir saat semua aplikasi KernelGateway pada instans dimatikan, atau instans dimatikan. Untuk informasi tentang penagihan beserta contoh harga, lihat Harga Amazon SageMaker.
Di Cost Explorer, Anda dapat memfilter biaya notebook Studio dengan menerapkan filter aktif Jenis penggunaan. Nama jenis penggunaan ini disusun sebagai: REGION-studio:KernelGateway-instanceType
(sebagai contoh, USE1-Studio:KernelGateway-ml.m5.large
)
Memfilter berdasarkan jenis penggunaan studio:
di Cost Explorer akan menampilkan daftar jenis penggunaan Studio di akun. Anda dapat memilih jenis penggunaan yang diperlukan, atau pilih Select All Dan pilihlah Mendaftar untuk menampilkan perincian biaya penggunaan aplikasi Studio. Tangkapan layar berikut menunjukkan pemilihan semua studio
jenis penggunaan untuk analisis biaya.
Anda juga dapat menerapkan filter tambahan seperti Wilayah, akun tertaut, atau jenis instans untuk analisis biaya yang lebih terperinci. Mengubah perincian menjadi Setiap hari memberi Anda bagan biaya dan penggunaan harian berdasarkan jenis dan dimensi penggunaan yang dipilih, seperti yang ditunjukkan pada tangkapan layar berikut.
Dalam contoh sebelumnya, instance Studio KernelGateway dari tipe ml.t3.medium di Wilayah USE1 melaporkan penggunaan harian selama 48 jam antara periode 1 Januari dan 24 Januari, diikuti oleh penggunaan harian selama 24 jam hingga 11 Februari. Demikian pula, instans Studio KernelGateway dari tipe ml.m5.large di Wilayah USE1 melaporkan penggunaan harian selama 24 jam antara 1 Januari dan 23 Januari. Penggunaan harian selama 24 jam atau lebih selama beberapa hari berturut-turut mengindikasikan kemungkinan instans notebook Studio berjalan terus menerus selama beberapa hari. Jenis pola ini dapat mengambil manfaat dari penerapan pagar pembatas kontrol biaya seperti penutupan aplikasi Studio secara manual atau otomatis saat tidak digunakan.
Seperti disebutkan sebelumnya, Anda dapat menggunakan AWS CUR untuk mendapatkan data pada perincian sumber daya dan membuat kueri khusus untuk mencari data AWS CUR menggunakan SQL standar. Anda juga dapat menyertakan tag alokasi biaya dalam kueri Anda untuk tingkat perincian tambahan. Kueri berikut mengembalikan penggunaan sumber daya Studio KernelGateway selama 3 bulan terakhir dari data AWS CUR Anda:
Tangkapan layar berikut menunjukkan hasil yang diperoleh dari menjalankan kueri AWS CUR menggunakan Athena.
Hasil kueri menunjukkan bahwa aplikasi Studio KernelGateway bernama datascience-1-0-ml-t3-medium-1abf3407f667f989be9d86559395
berjalan di akun 111111111111
, Domain studio d-domain1234
, dan profil pengguna user1
pada instans ml.t3.medium melaporkan penggunaan 24 jam selama beberapa hari berturut-turut. Tarif instans adalah $0.05/jam dan biaya harian untuk berjalan selama 24 jam adalah $1.20.
Hasil kueri AWS CUR dapat membantu Anda mengidentifikasi pola sumber daya yang berjalan selama beberapa hari berturut-turut pada tingkat granular penggunaan per jam atau harian, yang dapat dianalisis untuk pengoptimalan biaya. Seperti notebook SageMaker, Anda juga dapat memasukkan data AWS CUR ke QuickSight untuk tujuan pelaporan atau visualisasi.
Pengatur Data SageMaker
Pengatur Data Amazon SageMaker adalah fitur Studio yang membantu Anda menyederhanakan proses persiapan data dan rekayasa fitur dari antarmuka visual kode rendah. Nama jenis penggunaan untuk aplikasi Studio Data Wrangler disusun sebagai REGION-Studio_DW:KernelGateway-instanceType
(sebagai contoh, USE1-Studio_DW:KernelGateway-ml.m5.4xlarge
).
Memfilter berdasarkan jenis penggunaan studio_DW:
di Cost Explorer akan menampilkan daftar jenis penggunaan Studio Data Wrangler di akun. Anda dapat memilih jenis penggunaan yang diperlukan, atau pilih Select All Dan pilihlah Mendaftar untuk menampilkan perincian biaya penggunaan aplikasi Studio Data Wrangler. Tangkapan layar berikut menunjukkan pemilihan semua studio_DW
jenis penggunaan untuk analisis biaya.
Seperti disebutkan sebelumnya, Anda juga dapat menerapkan filter tambahan untuk analisis biaya yang lebih terperinci. Misalnya, tangkapan layar berikut menampilkan penggunaan harian 24 jam dari instans Studio Data Wrangler jenis ml.m5.4xlarge di Wilayah USE1 selama beberapa hari dan biaya terkaitnya. Wawasan seperti ini dapat digunakan untuk menerapkan tindakan pengendalian biaya seperti mematikan aplikasi Studio saat tidak digunakan.
Anda dapat memperoleh informasi tingkat sumber daya dari AWS CUR, dan membuat kueri khusus untuk mencari data AWS CUR menggunakan SQL standar. Kueri berikut mengembalikan penggunaan sumber daya aplikasi Studio Data Wrangler dan biaya terkait selama 3 bulan terakhir dari data AWS CUR Anda:
SELECT bill_payer_account_id, line_item_usage_account_id, line_item_resource_id AS studio_notebook_arn, line_item_usage_type, DATE_FORMAT((line_item_usage_start_date),'%Y-%m-%d') AS day_line_item_usage_start_date, SUM(CAST(line_item_usage_amount AS DOUBLE)) AS sum_line_item_usage_amount, line_item_unblended_rate, SUM(CAST(line_item_unblended_cost AS DECIMAL(16,8))) AS sum_line_item_unblended_cost, line_item_blended_rate, SUM(CAST(line_item_blended_cost AS DECIMAL(16,8))) AS sum_line_item_blended_cost, line_item_line_item_description, line_item_line_item_type FROM {$table_name} WHERE line_item_usage_start_date >= date_trunc('month',current_date - interval '3' month) AND line_item_product_code = 'AmazonSageMaker' AND line_item_line_item_type IN ('DiscountedUsage', 'Usage', 'SavingsPlanCoveredUsage') AND line_item_usage_type like '%Studio_DW:KernelGateway%' AND line_item_operation = 'RunInstance' AND bill_payer_account_id = 'xxxxxxxxxxxx' GROUP BY bill_payer_account_id, line_item_usage_account_id, line_item_resource_id, line_item_usage_type, line_item_unblended_rate, line_item_blended_rate, line_item_line_item_type, DATE_FORMAT((line_item_usage_start_date),'%Y-%m-%d'), line_item_line_item_description ORDER BY line_item_resource_id, day_line_item_usage_start_date
Tangkapan layar berikut menunjukkan hasil yang diperoleh dari menjalankan kueri AWS CUR menggunakan Athena.
Hasil kueri menunjukkan bahwa aplikasi Studio Data Wrangler bernama sagemaker-data-wrang-ml-m5-4xlarge-b741c1a025d542c78bb538373f2d
berjalan di akun 111111111111
, Domain studio d-domain1234
, dan profil pengguna user1
pada instans ml.m5.4xlarge melaporkan penggunaan 24 jam selama beberapa hari berturut-turut. Tarif instans adalah $0.922/jam dan biaya harian untuk berjalan selama 24 jam adalah $22.128.
Optimalkan biaya Studio
Notebook studio dikenakan biaya untuk jenis instans yang Anda pilih, berdasarkan durasi penggunaan. Anda harus mematikan instans untuk berhenti menimbulkan biaya. Jika Anda mematikan notebook yang berjalan pada instans tetapi tidak mematikan instans, Anda tetap akan dikenai biaya. Saat Anda mematikan instans notebook Studio, sumber daya tambahan apa pun, seperti titik akhir SageMaker, Amazon ESDM cluster, dan Layanan Penyimpanan Sederhana Amazon Bucket (Amazon S3) yang dibuat dari Studio tidak dihapus. Hapus resource tersebut jika tidak lagi diperlukan untuk menghentikan akrual biaya. Untuk detail lebih lanjut tentang mematikan sumber daya Studio, lihat Matikan Sumber Daya. Jika Anda menggunakan Data Wrangler, penting untuk mematikannya setelah pekerjaan Anda selesai untuk menghemat biaya. Untuk detailnya, lihat Matikan Data Wrangler.
Pertimbangkan praktik terbaik berikut untuk membantu mengurangi biaya notebook Studio Anda.
Menghentikan instans notebook Studio yang menganggur secara otomatis
Anda dapat secara otomatis menghentikan sumber daya notebook Studio yang menganggur dengan konfigurasi siklus hidup di Studio. Anda juga dapat menginstal dan menggunakan ekstensi JupyterLab yang tersedia di GitHub sebagai konfigurasi siklus hidup Studio. Untuk instruksi mendetail tentang arsitektur Studio dan menambahkan ekstensi, lihat Hemat biaya dengan secara otomatis mematikan sumber daya yang tidak digunakan dalam Amazon SageMaker Studio.
Ubah ukuran dengan cepat
Manfaat notebook Studio dibandingkan instans notebook adalah dengan Studio, yang mendasarinya sumber daya komputasi sepenuhnya elastis dan Anda dapat mengubah instance dengan cepat. Ini memungkinkan Anda menaikkan dan menurunkan skala komputasi saat permintaan komputasi Anda berubah, misalnya dari ml.t3.medium ke ml.m5.4xlarge, tanpa mengganggu pekerjaan Anda atau mengelola infrastruktur. Berpindah dari satu instans ke instans lainnya lancar, dan Anda dapat terus bekerja saat instans diluncurkan. Dengan instans notebook sesuai permintaan, Anda harus menghentikan instans, memperbarui setelan, dan memulai ulang dengan jenis instans baru. Untuk informasi lebih lanjut, lihat Pelajari cara memilih mesin virtual ML dengan cepat di Amazon SageMaker Studio.
Batasi akses pengguna ke jenis instans tertentu
Administrator dapat menggunakan IAM kunci kondisi sebagai cara yang efektif untuk membatasi jenis instans tertentu, seperti instans GPU, untuk pengguna tertentu, sehingga mengendalikan biaya. Misalnya, dalam contoh kebijakan berikut, akses ditolak untuk semua instans kecuali ml.t3.medium dan ml.g4dn.xlarge. Perhatikan bahwa Anda harus mengizinkan instance sistem untuk aplikasi Server Jupyter default.
Untuk panduan komprehensif tentang praktik terbaik untuk mengoptimalkan biaya Studio, lihat Pastikan sumber daya komputasi yang efisien di Amazon SageMaker.
Gunakan tag untuk melacak biaya Studio
Di Studio, Anda dapat menetapkan tag khusus ke Studio Anda domain dan juga Pengguna yang disediakan akses ke domain. Studio akan secara otomatis menyalin dan menetapkan tag ini ke Buku catatan studio dibuat oleh pengguna, sehingga Anda dapat dengan mudah melacak dan mengategorikan biaya notebook Studio dan membuat model tagihan balik biaya untuk organisasi Anda.
Secara default, SageMaker secara otomatis menandai sumber daya SageMaker baru seperti tugas pelatihan, tugas pemrosesan, eksperimen, jalur pipa, dan entri registri model dengan masing-masing sagemaker:domain-arn
. SageMaker juga menandai sumber daya dengan sagemaker:user-profile-arn
or sagemaker:space-arn
untuk menunjuk pembuatan sumber daya pada tingkat yang lebih terperinci.
Administrator dapat menggunakan penandaan otomatis untuk memantau dengan mudah biaya yang terkait dengan lini bisnis, tim, pengguna individu, atau masalah bisnis individu mereka dengan menggunakan alat seperti Anggaran AWS dan Penjelajah Biaya. Misalnya, Anda dapat melampirkan a label alokasi biaya untuk sagemaker:domain-arn
menandai.
Ini memungkinkan Anda menggunakan Cost Explorer untuk memvisualisasikan pengeluaran notebook Studio untuk domain tertentu.
Pertimbangkan biaya penyimpanan
Saat anggota pertama tim Anda masuk ke Studio, SageMaker membuat sebuah Sistem File Amazon Elastis (Amazon EFS) volume untuk tim. Saat anggota ini, atau anggota tim mana pun, membuka Studio, direktori beranda dibuat di volume untuk anggota tersebut. Biaya penyimpanan dikenakan untuk direktori ini. Selanjutnya, biaya penyimpanan tambahan dikenakan untuk buku catatan dan file data yang disimpan di direktori home anggota. Untuk informasi lebih lanjut, lihat Harga Amazon EFS.
Kesimpulan
Dalam postingan ini, kami memberikan panduan tentang analisis biaya dan praktik terbaik saat membuat model ML menggunakan instans notebook dan Studio. Karena pembelajaran mesin memantapkan dirinya sebagai alat yang ampuh di seluruh industri, pelatihan dan menjalankan model ML harus tetap hemat biaya. SageMaker menawarkan rangkaian fitur yang luas dan mendalam untuk memfasilitasi setiap langkah dalam saluran ML dan memberikan peluang pengoptimalan biaya tanpa memengaruhi kinerja atau ketangkasan.
Tentang Penulis
Deepali Rajale adalah Spesialis AI/ML Senior di AWS. Dia bekerja dengan pelanggan perusahaan memberikan panduan teknis dengan praktik terbaik untuk menerapkan dan memelihara solusi AI/ML di ekosistem AWS. Dia telah bekerja dengan berbagai organisasi dalam berbagai kasus penggunaan pembelajaran mendalam yang melibatkan NLP dan visi komputer. Dia bersemangat memberdayakan organisasi untuk memanfaatkan AI generatif untuk meningkatkan pengalaman penggunaan mereka. Di waktu luangnya, dia menikmati film, musik, dan sastra.
Uri Rosenberg adalah Manajer Teknis Spesialis AI & ML untuk Eropa, Timur Tengah, dan Afrika. Berbasis di Israel, Uri bekerja untuk memberdayakan pelanggan perusahaan dalam segala hal tentang ML untuk merancang, membuat, dan mengoperasikan dalam skala besar. Di waktu luangnya, ia menikmati bersepeda, hiking, sarapan, makan siang, dan makan malam.
- Konten Bertenaga SEO & Distribusi PR. Dapatkan Amplifikasi Hari Ini.
- PlatoAiStream. Kecerdasan Data Web3. Pengetahuan Diperkuat. Akses Di Sini.
- Mencetak Masa Depan bersama Adryenn Ashley. Akses Di Sini.
- Beli dan Jual Saham di Perusahaan PRE-IPO dengan PREIPOยฎ. Akses Di Sini.
- Sumber: https://aws.amazon.com/blogs/machine-learning/part-2-analyze-amazon-sagemaker-spend-and-determine-cost-optimization-opportunities-based-on-usage-part-2-sagemaker-notebooks-and-studio/
- :memiliki
- :adalah
- :bukan
- :Di mana
- ][P
- $NAIK
- 1
- 100
- 11
- 14
- 15%
- 20
- 2021
- 23
- 24
- 26%
- 31
- 7
- 8
- a
- Tentang Kami
- dipercepat
- mengakses
- menyelesaikan
- Akun
- di seluruh
- Tindakan
- aktif
- menambahkan
- Tambahan
- alamat
- Keuntungan
- Afrika
- Setelah
- lagi
- AI
- AI / ML
- Semua
- alokasi
- mengizinkan
- memungkinkan
- sepanjang
- juga
- am
- Amazon
- Amazon EC2
- Amazon SageMaker
- Studio Amazon SageMaker
- Amazon Web Services
- jumlah
- an
- Analisis
- analisis
- menganalisa
- dan
- Lain
- Apa pun
- aplikasi
- Mendaftar
- Menerapkan
- pendekatan
- aplikasi
- arsitektur
- ADALAH
- AS
- terkait
- At
- melampirkan
- Agustus
- Otomatis
- secara otomatis
- secara otomatis
- tersedia
- AWS
- kembali
- berdasarkan
- menampar
- dasar
- BE
- karena
- menjadi
- manfaat
- TERBAIK
- Praktik Terbaik
- Lebih baik
- antara
- Besar
- penagihan
- mendorong
- Kerusakan
- Sarapan
- membangun
- Bangunan
- bisnis
- tapi
- by
- perhitungan
- CAN
- kasus
- katalog
- Sel
- tertentu
- menantang
- perubahan
- Perubahan
- mengubah
- biaya
- dibebankan
- beban
- Charts
- Pilih
- terpilih
- kode
- kolaboratif
- Umum
- Komunikasi
- kompleks
- luas
- komputasi
- menghitung
- komputer
- Visi Komputer
- komputasi
- daya komputasi
- kondisi
- konfigurasi
- berturut-turut
- Mempertimbangkan
- konsol
- terus-menerus
- dikonsumsi
- mengandung
- terus
- terus menerus
- kontrol
- Menara kontrol
- mengendalikan
- Biaya
- hemat biaya
- Biaya
- bisa
- membuat
- dibuat
- menciptakan
- membuat
- penciptaan
- terbaru
- adat
- pelanggan
- harian
- data
- Persiapan data
- pengolahan data
- ilmu data
- kumpulan data
- Hari
- Penawaran
- Desember
- mendalam
- belajar mendalam
- Default
- Permintaan
- tergantung
- menyebarkan
- penggelaran
- Mendesain
- diinginkan
- terperinci
- rincian
- Menentukan
- Pengembangan
- dialog
- Dimensi
- Makan malam
- Display
- do
- Tidak
- domain
- dilakukan
- Dont
- dua kali lipat
- turun
- lamanya
- setiap
- Terdahulu
- mudah
- Timur
- ekosistem
- efek
- Efektif
- efektif
- efisien
- memberdayakan
- memberdayakan
- berakhir
- Teknik
- mempertinggi
- cukup
- Enterprise
- Lingkungan Hidup
- menetapkan
- Eropa
- Bahkan
- Setiap
- segala sesuatu
- contoh
- contoh
- Kecuali
- mahal
- pengalaman
- eksperimen
- eksplorasi
- penjelajah
- perpanjangan
- tambahan
- memfasilitasi
- keluarga
- keluarga
- Fitur
- Februari
- File
- File
- menyaring
- filter
- Pertama
- Fokus
- diikuti
- berikut
- berikut
- Untuk
- ditemukan
- dari
- sepenuhnya
- fungsi
- fungsi
- tujuan umum
- generasi
- generatif
- AI generatif
- mendapatkan
- diberikan
- memberikan
- GPU
- GPU
- grafik
- besar
- Kelompok
- bimbingan
- Penanganan
- Perangkat keras
- Memiliki
- he
- berat
- angkat berat
- Dimiliki
- membantu
- membantu
- membantu
- dia
- -nya
- Beranda
- tuan
- jam
- JAM
- Seterpercayaapakah Olymp Trade? Kesimpulan
- How To
- Namun
- HTML
- http
- HTTPS
- Ratusan
- i
- mengenali
- identitas
- Siaga
- if
- gambar
- gambar
- berdampak
- penting
- memperbaiki
- in
- memasukkan
- termasuk
- Termasuk
- Pada meningkat
- menunjukkan
- menunjukkan
- sendiri-sendiri
- industri
- informasi
- Infrastruktur
- wawasan
- install
- contoh
- instruksi
- interaktif
- Antarmuka
- ke
- Pengantar
- melibatkan
- Israel
- IT
- NYA
- Diri
- Januari
- Januari 24
- Jobs
- jpg
- Juli
- Menjaga
- besar
- lebih besar
- Terakhir
- diluncurkan
- meluncurkan
- memimpin
- belajar
- pengetahuan
- meninggalkan
- meninggalkan
- Pelajaran
- Pelajaran
- Tingkat
- Leverage
- siklus hidup
- pengangkatan
- 'like'
- baris
- terkait
- Daftar
- literatur
- memuat
- lagi
- melihat
- makan siang
- mesin
- Mesin belajar
- mempertahankan
- mempertahankan
- berhasil
- manajer
- mengelola
- pelaksana
- panduan
- banyak
- Mungkin..
- berarti
- ukuran
- medium
- anggota
- Memori
- tersebut
- menu
- Tengah
- Timur Tengah
- mungkin
- ML
- model
- pemodelan
- model
- Memantau
- Bulan
- bulan
- lebih
- paling
- bioskop
- bergerak
- beberapa
- musik
- harus
- nama
- Bernama
- nama
- perlu
- Perlu
- dibutuhkan
- kebutuhan
- jaringan
- saraf jaringan
- New
- nLP
- tidak
- buku catatan
- terkenal
- jumlah
- memperoleh
- diperoleh
- of
- ditawarkan
- menawarkan
- Penawaran
- on
- Sesuai Permintaan
- ONE
- hanya
- Buka
- membuka
- beroperasi
- Peluang
- optimasi
- Optimize
- mengoptimalkan
- or
- urutan
- organisasi
- organisasi
- di luar
- diuraikan
- lebih
- Paralel
- parameter
- bagian
- bergairah
- pola
- pola
- Melakukan
- prestasi
- melakukan
- periode
- pipa saluran
- plato
- Kecerdasan Data Plato
- Data Plato
- Kebijakan
- kebijaksanaan
- kemungkinan
- Pos
- Posts
- kekuasaan
- kuat
- praktek
- persiapan
- Mempersiapkan
- mencegah
- sebelumnya
- di harga
- Proaktif
- masalah
- proses
- pengolahan
- Profil
- prototyping
- memberikan
- disediakan
- menyediakan
- menyediakan
- tujuan
- query
- segera
- jarak
- Penilaian
- perbandingan
- Baca
- benar-benar
- sarankan
- direkomendasikan
- menurunkan
- wilayah
- pendaftaran
- terkait
- relatif
- tinggal
- melaporkan
- Pelaporan
- laporan
- gudang
- wajib
- Persyaratan
- sumber
- Sumber
- itu
- membatasi
- mengakibatkan
- dihasilkan
- Hasil
- Pengembalian
- benar
- Risiko
- Aturan
- aturan
- Run
- berjalan
- pembuat bijak
- Save
- Skala
- skala
- menjadwalkan
- Ilmu
- ilmuwan
- script
- mulus
- Dijamin
- melihat
- terpilih
- seleksi
- Swalayan
- senior
- September
- Seri
- melayani
- layanan
- Layanan
- set
- pengaturan
- Share
- dia
- Kulit
- Menunjukkan
- menunjukkan
- ditunjukkan
- Pertunjukkan
- menutup
- penutupan
- mematikan
- Demikian pula
- Sederhana
- menyederhanakan
- sejak
- tunggal
- Ukuran
- Iris
- kecil
- lebih kecil
- So
- larutan
- Solusi
- spesialis
- tertentu
- menghabiskan
- pintal
- standar
- awal
- mulai
- Mulai
- dimulai
- Langkah
- Masih
- berhenti
- henti
- Berhenti
- penyimpanan
- tersimpan
- tersusun
- studio
- Kemudian
- seperti itu
- cukup
- cocok
- mendukung
- mendukung proaktif
- Beralih
- sistem
- MENANDAI
- Mengambil
- tugas
- tim
- tim
- Teknis
- uji
- dari
- bahwa
- Grafik
- mereka
- Mereka
- kemudian
- Sana.
- dengan demikian
- Ini
- mereka
- hal
- ini
- itu
- ribuan
- Melalui
- waktu
- kali
- untuk
- terlalu
- alat
- alat
- Menara
- jalur
- Pelatihan VE
- Pelatihan
- memicu
- mengetik
- jenis
- pokok
- memahami
- sampai
- Memperbarui
- penggunaan
- menggunakan
- bekas
- Pengguna
- Pengguna
- menggunakan
- Penggunaan
- MENGESAHKAN
- berbagai
- jarak penglihatan
- penglihatan
- visualisasi
- volume
- vs
- ingin
- adalah
- Cara..
- cara
- we
- jaringan
- layanan web
- BAIK
- ketika
- sedangkan
- yang
- sementara
- SIAPA
- lebar
- Rentang luas
- akan
- dengan
- dalam
- tanpa
- Kerja
- bekerja
- alur kerja
- kerja
- bekerja
- menulis
- tulis kode
- penulisan
- Kamu
- Anda
- zephyrnet.dll