Nel 2021 abbiamo lanciato Servizi proattivi di AWS Support come parte del Supporto aziendale AWS offerta. Sin dalla sua introduzione, abbiamo aiutato centinaia di clienti a ottimizzare i loro carichi di lavoro, impostare limiti e migliorare la visibilità dei costi e dell'utilizzo dei loro carichi di lavoro di machine learning (ML).
In questa serie di post, condividiamo le lezioni apprese sull'ottimizzazione dei costi in Amazon Sage Maker. in Parte 1, abbiamo mostrato come iniziare a utilizzare Esplora costi AWS per identificare le opportunità di ottimizzazione dei costi in SageMaker. In questo post, ci concentriamo su vari modi per analizzare l'utilizzo di SageMaker e identificare le opportunità di ottimizzazione dei costi per le istanze notebook SageMaker e Amazon Sage Maker Studio.
Istanze di notebook SageMaker
A Istanza notebook SageMaker è un'istanza di calcolo completamente gestita che esegue l'app Jupyter Notebook. SageMaker gestisce la creazione dell'istanza e delle relative risorse. I notebook contengono tutto il necessario per eseguire o ricreare un flusso di lavoro ML. Puoi utilizzare i notebook Jupyter nella tua istanza notebook per preparare ed elaborare dati, scrivere codice per addestrare modelli, distribuire modelli su SageMaker Hosting e testare o convalidare i tuoi modelli. Il costo delle istanze notebook SageMaker si basa sulle ore di istanza consumate mentre l'istanza notebook è in esecuzione, nonché sul costo di GB al mese di storage con provisioning, come indicato in Prezzi di Amazon SageMaker.
In Cost Explorer, puoi filtrare i costi del notebook applicando un filtro su Tipo di utilizzo. I nomi di questi tipi di utilizzo sono strutturati come segue:
REGION-Notebk:instanceType
(per esempio,USE1-Notebk:ml.g4dn.8xlarge
)REGION-Notebk:VolumeUsage.gp2
(per esempio,USE2-Notebk:VolumeUsage.gp2
)
Filtraggio per tipo di utilizzo Notebk:
ti mostrerà un elenco di tipi di utilizzo del notebook in un account. Come mostrato nello screenshot seguente, puoi selezionare Seleziona tutto e scegli APPLICA per visualizzare la suddivisione dei costi dell'utilizzo del notebook.
Per visualizzare la suddivisione dei costi del tipo di utilizzo del notebook selezionato in base al numero di ore di utilizzo, è necessario deselezionare tutti i REGION-Notebk:VolumeUsage.gp2
tipi di utilizzo dall'elenco precedente e scegliere APPLICA per applicare il filtro. Lo screenshot seguente mostra i grafici dei costi e dell'utilizzo per i tipi di utilizzo del notebook selezionati.
Puoi anche applicare filtri aggiuntivi come numero di conto, Cloud di calcolo elastico di Amazon (Amazon EC2) tipo di istanza, tag di allocazione dei costi, regione, e ancora più. Modifica della granularità in Dailytrad fornisce grafici giornalieri sui costi e sull'utilizzo in base ai tipi e alle dimensioni di utilizzo selezionati, come mostrato nello screenshot seguente.
Nell'esempio precedente, l'istanza notebook di tipo ml.t2.medium nella regione USE2 riporta un utilizzo giornaliero di 24 ore tra il periodo dal 2 luglio al 26 settembre. Analogamente, l'istanza notebook di tipo ml.t3.medium in la regione USE1 riporta un utilizzo giornaliero di 24 ore tra il 3 agosto e il 26 settembre e un utilizzo giornaliero di 48 ore tra il 26 settembre e il 31 dicembre. L'utilizzo giornaliero di 24 ore o più per più giorni consecutivi potrebbe indicare che un'istanza notebook ha è stato lasciato in esecuzione per più giorni ma non è in uso attivo. Questo tipo di modello potrebbe trarre vantaggio dall'applicazione di guardrail per il controllo dei costi, ad esempio l'arresto manuale o automatico delle istanze notebook per evitare tempi di esecuzione inattivi.
Sebbene Cost Explorer ti aiuti a comprendere i dati sui costi e sull'utilizzo con la granularità del tipo di istanza, puoi utilizzare Report sui costi e sull'utilizzo di AWS (AWS CUR) per ottenere dati con la granularità di una risorsa come l'ARN del notebook. Puoi creare query personalizzate per cercare i dati AWS CUR utilizzando SQL standard. Puoi anche includere tag di allocazione dei costi nella tua query per un ulteriore livello di granularità. La query seguente restituisce l'utilizzo delle risorse del notebook per gli ultimi 3 mesi dai dati AWS CUR:
Lo screenshot seguente mostra i risultati ottenuti dall'esecuzione della query AWS CUR utilizzando Amazzone Atena. Per ulteriori informazioni sull'utilizzo di Athena, fare riferimento a Interrogazione di rapporti sui costi e sull'utilizzo utilizzando Amazon Athena.
Il risultato della query mostra quel notebook dev-notebook
in esecuzione su un'istanza ml.t2.medium segnala 24 ore di utilizzo per più giorni consecutivi. La tariffa dell'istanza è di $ 0.0464/ora e il costo giornaliero per l'esecuzione per 24 ore è di $ 1.1136.
I risultati delle query AWS CUR possono aiutarti a identificare modelli di notebook in esecuzione per giorni consecutivi, che possono essere analizzati per l'ottimizzazione dei costi. Ulteriori informazioni e query di esempio sono disponibili nel file Libreria di query AWS CUR.
Puoi anche inserire i dati AWS CUR in Amazon QuickSight, dove puoi tagliarlo e tagliarlo come preferisci per scopi di reportistica o visualizzazione. Per istruzioni sull'importazione dei dati AWS CUR in QuickSight, consulta Come assimilare e visualizzare il rapporto sui costi e l'utilizzo (CUR) di AWS in Amazon QuickSight.
Ottimizza il costo dell'istanza notebook
I notebook SageMaker sono adatti per lo sviluppo di modelli ML, che include l'esplorazione interattiva dei dati, la scrittura di script, la prototipazione dell'ingegneria delle funzionalità e la modellazione. Ognuna di queste attività può avere requisiti di risorse di elaborazione variabili. Stimare il giusto tipo di risorse di elaborazione per gestire vari carichi di lavoro è impegnativo e può portare a un provisioning eccessivo delle risorse, con conseguente aumento dei costi.
Per lo sviluppo del modello ML, la dimensione di un'istanza notebook SageMaker dipende dalla quantità di dati che devi caricare in memoria per analisi esplorative significative dei dati (EDA) e dalla quantità di calcolo richiesta. Ti consigliamo di iniziare in piccolo con istanze generiche (come le famiglie T o M) e di aumentare le dimensioni in base alle esigenze. Ad esempio, ml.t2.medium è sufficiente per la maggior parte dell'elaborazione dei dati di base, l'ingegneria delle funzionalità e l'EDA che si occupa di piccoli set di dati che possono essere conservati all'interno di 4 GB di memoria. Se lo sviluppo del tuo modello comporta un lavoro computazionale pesante (come l'elaborazione delle immagini), puoi arrestare l'istanza notebook più piccola e modificare il tipo di istanza nell'istanza più grande desiderata, ad esempio ml.c5.xlarge. Puoi tornare all'istanza più piccola quando non hai più bisogno di un'istanza più grande. Ciò contribuirà a mantenere bassi i costi di elaborazione.
Prendi in considerazione le seguenti best practice per ridurre il costo delle tue istanze notebook.
CPU contro GPU
Considerare le istanze notebook CPU e GPU è importante per il corretto dimensionamento delle istanze. Le CPU sono le migliori nella gestione di calcoli singoli e più complessi in sequenza, mentre le GPU sono migliori nella gestione di calcoli multipli ma semplici in parallelo. Per molti casi d'uso, un tipo di istanza di generazione corrente standard di una famiglia di istanze come M fornisce potenza di calcolo, memoria e prestazioni di rete sufficienti per consentire ai notebook di funzionare correttamente.
Le GPU offrono un ottimo rapporto prezzo/prestazioni se le sfrutti in modo efficace. Ad esempio, se stai addestrando il tuo modello di deep learning su un notebook SageMaker e la tua rete neurale è relativamente grande, eseguendo un gran numero di calcoli che coinvolgono centinaia di migliaia di parametri, allora il tuo modello può sfruttare il calcolo accelerato e il parallelismo hardware offerto dalle istanze GPU come le famiglie di istanze P. Tuttavia, si consiglia di utilizzare le istanze GPU solo quando ne hai veramente bisogno perché sono costose e l'overhead di comunicazione della GPU potrebbe persino peggiorare le prestazioni se il tuo notebook non ne ha bisogno. Consigliamo di utilizzare notebook con istanze di elaborazione più piccole per la creazione interattiva e di lasciare il lavoro pesante a lavori effimeri di addestramento, messa a punto ed elaborazione con istanze più grandi, incluse le istanze abilitate per GPU. In questo modo, non mantieni un'istanza di grandi dimensioni (o una GPU) costantemente in esecuzione con il tuo notebook. Se hai bisogno di elaborazione accelerata nel tuo ambiente notebook, puoi arrestare la tua istanza notebook della famiglia m*, passare a un'istanza della famiglia P* abilitata per GPU e riavviarla. Non dimenticare di ripristinarlo quando non hai più bisogno di quella spinta extra nel tuo ambiente di sviluppo.
Limita l'accesso utente a tipi di istanza specifici
Gli amministratori possono impedire agli utenti di creare notebook troppo grandi tramite Gestione dell'identità e dell'accesso di AWS (IAM). Ad esempio, la seguente policy di esempio consente solo agli utenti di creare istanze notebook SageMaker t3 più piccole:
Gli amministratori possono anche utilizzare Catalogo dei servizi AWS per consentire il self-service dei notebook SageMaker. Ciò consente di limitare i tipi di istanza disponibili per gli utenti durante la creazione di un notebook. Per ulteriori informazioni, vedere Consenti data science sicura e self-service utilizzando i notebook Amazon SageMaker e AWS Service Catalog ed Avvia Amazon SageMaker Studio utilizzando AWS Service Catalog e AWS SSO in AWS Control Tower Environment.
Arresta le istanze notebook inattive
Per contenere i costi, ti consigliamo di arrestare le tue istanze notebook quando non ti servono e di avviarle quando ne hai bisogno. Prendi in considerazione il rilevamento automatico delle istanze notebook inattive e la gestione del loro ciclo di vita utilizzando a script di configurazione del ciclo di vita. Per esempio, arresto automatico al minimo è uno script shell di esempio che arresta un notebook SageMaker quando è inattivo per più di 1 ora.
AWS mantiene un file repository pubblico di script di configurazione del ciclo di vita del notebook che risolvono i casi di utilizzo comuni per la personalizzazione delle istanze del notebook, incluso uno script bash di esempio per arrestare i notebook inattivi.
Pianifica l'avvio e l'arresto automatici delle istanze notebook
Un altro approccio per risparmiare sui costi dei notebook consiste nell'avviare e arrestare automaticamente i notebook in orari specifici. Puoi farlo usando Amazon EventBridge regole e AWS Lambda funzioni. Per ulteriori informazioni sulla configurazione delle funzioni Lambda, vedere Configurazione delle opzioni della funzione Lambda. Dopo aver creato le funzioni, puoi creare regole per attivare queste funzioni in base a una pianificazione specifica, ad esempio avviare i taccuini ogni giorno della settimana alle 7:00. Vedere Creazione di una regola Amazon EventBridge che viene eseguita in base a una pianificazione per le istruzioni. Per gli script per avviare e arrestare i notebook con una funzione Lambda, fare riferimento a Garantisci risorse di calcolo efficienti su Amazon SageMaker.
Sage Maker Studio
Studio offre una soluzione completamente gestita per i data scientist per creare, addestrare e distribuire in modo interattivo modelli ML. Quaderni da studio sono notebook Jupyter collaborativi con un clic che possono essere avviati rapidamente perché non è necessario configurare in anticipo le istanze di calcolo e l'archiviazione dei file. Ti viene addebitato il tipo di istanza di calcolo su cui scegli di eseguire i tuoi notebook, in base alla durata dell'utilizzo. Non ci sono costi aggiuntivi per l'utilizzo di Studio. I costi sostenuti per l'esecuzione di notebook Studio, shell interattive, console e terminali si basano sull'utilizzo dell'istanza di calcolo ML.
Quando viene avviata, la risorsa viene eseguita su un'istanza di calcolo ML del tipo di istanza scelto. Se un'istanza di quel tipo è stata avviata in precedenza ed è disponibile, la risorsa viene eseguita su tale istanza. Per le immagini basate su CPU, il tipo di istanza suggerito predefinito è ml.t3.medium. Per le immagini basate su GPU, il tipo di istanza suggerito predefinito è ml.g4dn.xlarge. La fatturazione avviene per istanza e inizia quando viene avviata la prima istanza di un determinato tipo di istanza.
Se vuoi creare o aprire un taccuino senza il rischio di incorrere in addebiti, apri il taccuino dal Compila il menu e scegli Nessun nocciolo dal Seleziona Kernel dialogo. Puoi leggere e modificare un notebook senza un kernel in esecuzione, ma non puoi eseguire celle. Ti viene addebitato separatamente per ogni istanza. La fatturazione termina quando tutte le app KernelGateway sull'istanza vengono arrestate o l'istanza viene arrestata. Per informazioni sulla fatturazione insieme a esempi di prezzi, vedere Prezzi di Amazon SageMaker.
In Cost Explorer, puoi filtrare i costi del notebook di Studio applicando un filtro su Tipo di utilizzo. Il nome di questi tipi di utilizzo è strutturato come segue: REGION-studio:KernelGateway-instanceType
(per esempio, USE1-Studio:KernelGateway-ml.m5.large
)
Filtraggio per tipo di utilizzo studio:
in Cost Explorer ti mostrerà l'elenco dei tipi di utilizzo di Studio in un account. È possibile selezionare i tipi di utilizzo necessari o selezionare Seleziona tutto e scegli APPLICA per visualizzare la ripartizione dei costi dell'utilizzo dell'app Studio. Lo screenshot seguente mostra la selezione di tutti i file studio
tipi di utilizzo per l'analisi dei costi.
Puoi anche applicare filtri aggiuntivi come Regione, account collegato o tipo di istanza per un'analisi dei costi più granulare. Modifica della granularità in Dailytrad fornisce grafici di costi e utilizzo giornalieri basati su tipi e dimensioni di utilizzo selezionati, come mostrato nello screenshot seguente.
Nell'esempio precedente, l'istanza di Studio KernelGateway di tipo ml.t3.medium nella regione USE1 riporta un utilizzo giornaliero di 48 ore tra il 1° gennaio e il 24 gennaio, seguito da un utilizzo giornaliero di 24 ore fino all'11 febbraio. Allo stesso modo, l'istanza di Studio KernelGateway di tipo ml.m5.large nella regione USE1 riporta 24 ore di utilizzo giornaliero tra il 1° gennaio e il 23 gennaio. Un utilizzo giornaliero di 24 ore o più per più giorni consecutivi indica la possibilità che le istanze del notebook di Studio siano in esecuzione ininterrottamente per più giorni. Questo tipo di pattern potrebbe trarre vantaggio dall'applicazione di protezioni per il controllo dei costi come l'arresto manuale o automatico delle app di Studio quando non sono in uso.
Come accennato in precedenza, puoi utilizzare AWS CUR per ottenere dati con la granularità di una risorsa e creare query personalizzate per cercare i dati AWS CUR utilizzando SQL standard. Puoi anche includere tag di allocazione dei costi nella tua query per un ulteriore livello di granularità. La query seguente restituisce l'utilizzo delle risorse di Studio KernelGateway per gli ultimi 3 mesi dai dati AWS CUR:
Lo screenshot seguente mostra i risultati ottenuti dall'esecuzione della query AWS CUR utilizzando Athena.
Il risultato della query mostra che l'app Studio KernelGateway denominata datascience-1-0-ml-t3-medium-1abf3407f667f989be9d86559395
in esecuzione in conto 111111111111
, Dominio Studio d-domain1234
e profilo utente user1
su un'istanza ml.t3.medium segnala 24 ore di utilizzo per più giorni consecutivi. La tariffa dell'istanza è di $ 0.05/ora e il costo giornaliero per l'esecuzione per 24 ore è di $ 1.20.
I risultati delle query AWS CUR possono aiutarti a identificare modelli di risorse in esecuzione per giorni consecutivi a un livello granulare di utilizzo orario o giornaliero, che possono essere analizzati per l'ottimizzazione dei costi. Come con i notebook SageMaker, puoi anche inserire i dati AWS CUR in QuickSight per scopi di reporting o visualizzazione.
Gestore di dati SageMaker
Gestore di dati di Amazon SageMaker è una funzionalità di Studio che consente di semplificare il processo di preparazione dei dati e progettazione delle funzionalità da un'interfaccia visiva a basso codice. Il nome del tipo di utilizzo per un'app Studio Data Wrangler è strutturato come REGION-Studio_DW:KernelGateway-instanceType
(per esempio, USE1-Studio_DW:KernelGateway-ml.m5.4xlarge
).
Filtraggio per tipo di utilizzo studio_DW:
in Cost Explorer ti mostrerà l'elenco dei tipi di utilizzo di Studio Data Wrangler in un account. È possibile selezionare i tipi di utilizzo necessari o selezionare Seleziona tutto e scegli APPLICA per visualizzare la suddivisione dei costi dell'utilizzo dell'app Studio Data Wrangler. Lo screenshot seguente mostra la selezione di tutti i file studio_DW
tipi di utilizzo per l'analisi dei costi.
Come notato in precedenza, puoi anche applicare filtri aggiuntivi per un'analisi dei costi più granulare. Ad esempio, lo screenshot seguente mostra 24 ore di utilizzo giornaliero del tipo di istanza Studio Data Wrangler ml.m5.4xlarge nella regione USE1 per più giorni e il relativo costo. Approfondimenti come questi possono essere utilizzati per applicare misure di controllo dei costi come la chiusura delle app di Studio quando non sono in uso.
Puoi ottenere informazioni a livello di risorsa da AWS CUR e creare query personalizzate per cercare dati AWS CUR utilizzando SQL standard. La query seguente restituisce l'utilizzo delle risorse dell'app Studio Data Wrangler e il costo associato per gli ultimi 3 mesi dai dati AWS CUR:
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
Lo screenshot seguente mostra i risultati ottenuti dall'esecuzione della query AWS CUR utilizzando Athena.
Il risultato della query mostra che l'app Studio Data Wrangler denominata sagemaker-data-wrang-ml-m5-4xlarge-b741c1a025d542c78bb538373f2d
in esecuzione in conto 111111111111
, Dominio Studio d-domain1234
e profilo utente user1
su un'istanza ml.m5.4xlarge segnala 24 ore di utilizzo per più giorni consecutivi. La tariffa dell'istanza è di $ 0.922/ora e il costo giornaliero per l'esecuzione per 24 ore è di $ 22.128.
Ottimizza il costo di Studio
I notebook Studio vengono addebitati per il tipo di istanza scelto, in base alla durata dell'utilizzo. Devi arrestare l'istanza per non incorrere in addebiti. Se spegni il notebook in esecuzione sull'istanza ma non chiudi l'istanza, ti verranno comunque addebitati dei costi. Quando spegni le istanze notebook di Studio, qualsiasi risorsa aggiuntiva, come gli endpoint SageMaker, Amazon EMR cluster, e Servizio di archiviazione semplice Amazon (Amazon S3) i bucket creati da Studio non vengono eliminati. Eliminare tali risorse se non sono più necessarie per interrompere l'accantonamento degli addebiti. Per ulteriori dettagli sulla chiusura delle risorse di Studio, fare riferimento a Arresta le risorse. Se utilizzi Data Wrangler, è importante spegnerlo al termine del lavoro per risparmiare sui costi. Per i dettagli, fare riferimento a Chiudi Data Wrangler.
Prendi in considerazione le seguenti best practice per ridurre il costo dei notebook Studio.
Arresta automaticamente le istanze notebook di Studio inattive
Puoi arrestare automaticamente le risorse del notebook di Studio inattive con configurazioni del ciclo di vita in Atelier. Puoi anche installare e utilizzare un'estensione JupyterLab disponibile su GitHub come configurazione del ciclo di vita di Studio. Per istruzioni dettagliate sull'architettura di Studio e sull'aggiunta dell'estensione, vedere Risparmia sui costi disattivando automaticamente le risorse inattive in Amazon SageMaker Studio.
Ridimensiona al volo
Il vantaggio dei notebook Studio rispetto alle istanze notebook è che con Studio, il sottostante le risorse di calcolo sono completamente elastiche ed è possibile modificare l'istanza al volo. Ciò consente di aumentare e diminuire il calcolo man mano che la domanda di calcolo cambia, ad esempio da ml.t3.medium a ml.m5.4xlarge, senza interrompere il lavoro o gestire l'infrastruttura. Il passaggio da un'istanza all'altra è semplice e puoi continuare a lavorare mentre l'istanza viene avviata. Con le istanze notebook on demand, devi arrestare l'istanza, aggiornare l'impostazione e riavviare con il nuovo tipo di istanza. Per ulteriori informazioni, vedere Scopri come selezionare istanze ML al volo in Amazon SageMaker Studio.
Limita l'accesso utente a tipi di istanza specifici
Gli amministratori possono utilizzare IAM chiavi di condizione come un modo efficace per limitare determinati tipi di istanza, come le istanze GPU, per utenti specifici, controllando così i costi. Ad esempio, nella seguente policy di esempio, l'accesso è negato per tutte le istanze tranne ml.t3.medium e ml.g4dn.xlarge. Si noti che è necessario consentire l'istanza di sistema per le app Jupyter Server predefinite.
Per indicazioni complete sulle best practice per ottimizzare i costi di Studio, fare riferimento a Garantisci risorse di calcolo efficienti su Amazon SageMaker.
Utilizza i tag per tenere traccia del costo di Studio
In Studio, puoi assegnare tag personalizzati al tuo Studio dominio così come utenti a cui viene fornito l'accesso al dominio. Studio copierà e assegnerà automaticamente questi tag al file Quaderni da studio creato dagli utenti, in modo da poter monitorare e classificare facilmente il costo dei notebook Studio e creare modelli di riaddebito dei costi per la tua organizzazione.
Per impostazione predefinita, SageMaker contrassegna automaticamente le nuove risorse SageMaker come i lavori di addestramento, i lavori di elaborazione, gli esperimenti, le pipeline e le voci del registro dei modelli con le rispettive sagemaker:domain-arn
. SageMaker contrassegna inoltre la risorsa con l'estensione sagemaker:user-profile-arn
or sagemaker:space-arn
designare la creazione di risorse a un livello ancora più granulare.
Gli amministratori possono utilizzare la codifica automatica per monitorare facilmente i costi associati alla propria linea di attività, ai team, ai singoli utenti o ai singoli problemi aziendali utilizzando strumenti come Budget AWS e Cost Explorer. Ad esempio, puoi allegare un file tag di allocazione dei costi per l' sagemaker:domain-arn
etichetta.
Ciò consente di utilizzare Cost Explorer per visualizzare la spesa del notebook di Studio per un determinato dominio.
Considera i costi di archiviazione
Quando il primo membro del tuo team esegue l'onboarding in Studio, SageMaker crea un file File system elastico Amazon (Amazon EFS) per il team. Quando questo membro, o qualsiasi altro membro del team, apre Studio, viene creata una home directory nel volume per il membro. Per questa directory è previsto un addebito per l'archiviazione. Successivamente, vengono addebitati ulteriori costi di archiviazione per i notebook ei file di dati archiviati nella home directory del membro. Per ulteriori informazioni, vedere Prezzi di Amazon EFS.
Conclusione
In questo post, abbiamo fornito indicazioni sull'analisi dei costi e sulle best practice per la creazione di modelli ML utilizzando istanze notebook e Studio. Poiché l'apprendimento automatico si afferma come uno strumento potente in tutti i settori, la formazione e l'esecuzione di modelli ML devono rimanere convenienti. SageMaker offre un set di funzionalità ampio e approfondito per facilitare ogni fase della pipeline ML e offre opportunità di ottimizzazione dei costi senza influire sulle prestazioni o sull'agilità.
Informazioni sugli autori
Deepali Rajale è Senior AI/ML Specialist presso AWS. Lavora con i clienti aziendali fornendo indicazioni tecniche con le best practice per la distribuzione e la manutenzione di soluzioni AI/ML nell'ecosistema AWS. Ha lavorato con una vasta gamma di organizzazioni su vari casi d'uso di deep learning che coinvolgono la PNL e la visione artificiale. È appassionata di consentire alle organizzazioni di sfruttare l'IA generativa per migliorare la loro esperienza d'uso. Nel tempo libero le piacciono i film, la musica e la letteratura.
Uri Rosenberg è il responsabile tecnico specializzato in AI e ML per Europa, Medio Oriente e Africa. Con sede in Israele, Uri lavora per consentire ai clienti aziendali su tutto ciò che riguarda il machine learning per progettare, costruire e operare su larga scala. Nel tempo libero ama andare in bicicletta, fare escursioni, fare colazione, pranzo e cena.
- Distribuzione di contenuti basati su SEO e PR. Ricevi amplificazione oggi.
- PlatoAiStream. Intelligenza dei dati Web3. Conoscenza amplificata. Accedi qui.
- Coniare il futuro con Adryenn Ashley. Accedi qui.
- Acquista e vendi azioni in società PRE-IPO con PREIPO®. Accedi qui.
- Fonte: 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/
- :ha
- :È
- :non
- :Dove
- ][P
- $ SU
- 1
- 100
- 11
- 14
- 15%
- 20
- 2021
- 23
- 24
- 26%
- 31
- 7
- 8
- a
- WRI
- accelerata
- accesso
- realizzare
- Il mio account
- operanti in
- Action
- attivo
- l'aggiunta di
- aggiuntivo
- indirizzo
- Vantaggio
- Africa
- Dopo shavasana, sedersi in silenzio; saluti;
- ancora
- AI
- AI / ML
- Tutti
- assegnazione
- consentire
- consente
- lungo
- anche
- am
- Amazon
- Amazon EC2
- Amazon Sage Maker
- Amazon Sage Maker Studio
- Amazon Web Services
- quantità
- an
- Analisi
- .
- analizzare
- ed
- Un altro
- in qualsiasi
- App
- APPLICA
- AMMISSIONE
- approccio
- applicazioni
- architettura
- SONO
- AS
- associato
- At
- allegare
- AGOSTO
- Automatizzata
- Automatico
- automaticamente
- disponibile
- AWS
- precedente
- basato
- bash
- basic
- BE
- perché
- stato
- beneficio
- MIGLIORE
- best practice
- Meglio
- fra
- Big
- fatturazione
- Incremento
- Guasto
- Colazione
- costruire
- Costruzione
- affari
- ma
- by
- calcoli
- Materiale
- casi
- catalogo
- Celle
- certo
- impegnativo
- il cambiamento
- Modifiche
- cambiando
- carica
- carico
- oneri
- Grafici
- Scegli
- scelto
- codice
- collaborativo
- Uncommon
- Comunicazione
- complesso
- globale
- calcolo
- Calcolare
- computer
- Visione computerizzata
- informatica
- potenza di calcolo
- condizione
- Configurazione
- consecutivo
- Prendere in considerazione
- console
- costantemente
- consumato
- contenere
- continua
- continuamente
- di controllo
- Torre di controllo
- controllo
- Costo
- costo effettivo
- Costi
- potuto
- creare
- creato
- crea
- Creazione
- creazione
- Corrente
- costume
- Clienti
- alle lezioni
- dati
- Preparazione dei dati
- elaborazione dati
- scienza dei dati
- dataset
- Giorni
- Offerte
- Dicembre
- deep
- apprendimento profondo
- Predefinito
- Richiesta
- dipende
- schierare
- distribuzione
- Design
- desiderato
- dettagliati
- dettagli
- Determinare
- Mercato
- dialogo
- Dimensioni
- Dinner
- Dsiplay
- do
- non
- dominio
- fatto
- Dont
- doppio
- giù
- durata
- ogni
- In precedenza
- facilmente
- est
- ecosistema
- effetto
- Efficace
- in maniera efficace
- efficiente
- e potenza
- che abilita
- finisce
- Ingegneria
- accrescere
- abbastanza
- Impresa
- Ambiente
- stabilisce
- Europa
- Anche
- Ogni
- qualunque cosa
- esempio
- Esempi
- Tranne
- costoso
- esperienza
- esperimenti
- esplorazione
- esploratore
- estensione
- extra
- facilitando
- famiglie
- famiglia
- caratteristica
- Febbraio
- Compila il
- File
- filtro
- filtri
- Nome
- Focus
- seguito
- i seguenti
- segue
- Nel
- essere trovato
- da
- completamente
- function
- funzioni
- scopo generale
- ELETTRICA
- generativo
- AI generativa
- ottenere
- dato
- dà
- GPU
- GPU
- grafici
- grande
- Gruppo
- guida
- Manovrabilità
- Hardware
- Avere
- he
- pesante
- sollevamento pesante
- Eroe
- Aiuto
- aiutato
- aiuta
- suo
- il suo
- Casa
- di hosting
- ora
- ORE
- Come
- Tutorial
- Tuttavia
- HTML
- http
- HTTPS
- centinaia
- i
- identificare
- Identità
- Idle
- if
- Immagine
- immagini
- impatto
- importante
- competenze
- in
- includere
- inclusi
- Compreso
- è aumentato
- indicare
- indica
- individuale
- industrie
- informazioni
- Infrastruttura
- intuizioni
- install
- esempio
- istruzioni
- interattivo
- Interfaccia
- ai miglioramenti
- Introduzione
- coinvolgendo
- Israele
- IT
- SUO
- stessa
- Gennaio
- Gennaio 24
- Offerte di lavoro
- jpg
- Luglio
- mantenere
- grandi
- superiore, se assunto singolarmente.
- Cognome
- lanciato
- lancia
- portare
- imparato
- apprendimento
- partenza
- a sinistra
- Lezioni
- Lezioni apprese
- Livello
- Leva
- ciclo di vita
- di sollevamento
- piace
- linea
- connesso
- Lista
- letteratura
- caricare
- più a lungo
- Guarda
- pranzo
- macchina
- machine learning
- Mantenere
- mantiene
- gestito
- direttore
- gestisce
- gestione
- Manuale
- molti
- Maggio..
- significativo
- analisi
- medie
- membro
- Memorie
- menzionato
- Menu
- In mezzo
- Medio Oriente
- forza
- ML
- modello
- modellismo
- modelli
- Monitorare
- Mese
- mese
- Scopri di più
- maggior parte
- Film
- in movimento
- multiplo
- Musica
- devono obbligatoriamente:
- Nome
- Detto
- nomi
- necessaria
- Bisogno
- di applicazione
- esigenze
- Rete
- rete neurale
- New
- nlp
- no
- taccuino
- noto
- numero
- ottenere
- ottenuto
- of
- offerto
- offerta
- Offerte
- on
- On-Demand
- ONE
- esclusivamente
- aprire
- apre
- operare
- Opportunità
- ottimizzazione
- OTTIMIZZA
- ottimizzazione
- or
- minimo
- organizzazione
- organizzazioni
- su
- delineato
- ancora
- Parallel
- parametri
- parte
- appassionato
- Cartamodello
- modelli
- Eseguire
- performance
- esecuzione
- periodo
- conduttura
- Platone
- Platone Data Intelligence
- PlatoneDati
- Termini e Condizioni
- politica
- possibilità
- Post
- Post
- energia
- potente
- pratiche
- preparazione
- Preparare
- prevenire
- in precedenza
- prezzi
- Proactive
- problemi
- processi
- lavorazione
- Profilo
- prototipazione
- fornire
- purché
- fornisce
- fornitura
- fini
- query
- rapidamente
- gamma
- tasso
- rapporto
- Leggi
- veramente
- raccomandare
- raccomandato
- ridurre
- regione
- registro
- relazionato
- relativamente
- rimanere
- rapporto
- Reportistica
- Report
- deposito
- necessario
- Requisiti
- risorsa
- Risorse
- quelli
- limitare
- colpevole
- risultante
- Risultati
- problemi
- destra
- Rischio
- Regola
- norme
- Correre
- running
- sagemaker
- Risparmi
- Scala
- scala
- programma
- Scienze
- scienziati
- script
- senza soluzione di continuità
- assicurato
- vedere
- selezionato
- prodotti
- Fai da te
- anziano
- Settembre
- Serie
- servire
- servizio
- Servizi
- set
- regolazione
- Condividi
- lei
- Conchiglia
- mostrare attraverso le sue creazioni
- ha mostrato
- mostrato
- Spettacoli
- fermare
- chiusura
- chiudendo
- Allo stesso modo
- Un'espansione
- semplificare
- da
- singolo
- Taglia
- Taglia
- piccole
- inferiore
- So
- soluzione
- Soluzioni
- specialista
- specifico
- spendere
- spun
- Standard
- inizia a
- iniziato
- Di partenza
- inizio
- step
- Ancora
- Fermare
- sosta
- Interrompe
- conservazione
- memorizzati
- strutturato
- studio
- Successivamente
- tale
- sufficiente
- adatto
- supporto
- supporto proattivo
- Interruttore
- sistema
- TAG
- Fai
- task
- team
- le squadre
- Consulenza
- test
- di
- che
- Il
- loro
- Li
- poi
- Là.
- in tal modo
- Strumenti Bowman per analizzare le seguenti finiture:
- di
- cose
- questo
- quelli
- migliaia
- Attraverso
- tempo
- volte
- a
- pure
- strumenti
- Torre
- pista
- Treni
- Training
- innescare
- Digitare
- Tipi di
- sottostante
- capire
- fino a quando
- Aggiornanento
- Impiego
- uso
- utilizzato
- Utente
- utenti
- utilizzando
- utilizzare
- CONVALIDARE
- vario
- visibilità
- visione
- visualizzazione
- volume
- vs
- volere
- Prima
- Modo..
- modi
- we
- sito web
- servizi web
- WELL
- quando
- mentre
- quale
- while
- OMS
- largo
- Vasta gamma
- volere
- con
- entro
- senza
- Lavora
- lavorato
- flusso di lavoro
- lavoro
- lavori
- scrivere
- scrivere codice
- scrittura
- Tu
- Trasferimento da aeroporto a Sharm
- zefiro