In 2021 lanceerden we AWS ondersteunt proactieve services kader van de AWS Enterprise-ondersteuning aanbieden. Sinds de introductie hebben we honderden klanten geholpen hun workloads te optimaliseren, vangrails te plaatsen en de zichtbaarheid van de kosten en het gebruik van hun machine learning-workloads te verbeteren.
In deze reeks berichten delen we geleerde lessen over het optimaliseren van kosten in Amazon Sage Maker. in Deel 1, hebben we laten zien hoe u aan de slag kunt gaan AWS-kostenverkenner om mogelijkheden voor kostenoptimalisatie in SageMaker te identificeren. In dit bericht richten we ons op verschillende manieren om het gebruik van SageMaker te analyseren en mogelijkheden voor kostenoptimalisatie voor SageMaker-notebookinstanties te identificeren en Amazon SageMaker Studio.
SageMaker-notebookinstanties
A SageMaker notebook-instantie is een volledig beheerde rekeninstantie met de Jupyter Notebook-app. SageMaker beheert het maken van de instantie en gerelateerde bronnen. Notebooks bevatten alles wat nodig is om een ML-workflow uit te voeren of opnieuw te maken. U kunt Jupyter-notebooks in uw notebookinstantie gebruiken om gegevens voor te bereiden en te verwerken, code te schrijven om modellen te trainen, modellen te implementeren in SageMaker Hosting en uw modellen te testen of te valideren. De kosten van SageMaker-notebookinstanties zijn gebaseerd op de verbruikte instantie-uren terwijl de notebookinstantie actief is, evenals de kosten per GB-maand van ingerichte opslag, zoals beschreven in Amazon SageMaker-prijzen.
In Cost Explorer kunt u notebookkosten filteren door een filter op toe te passen Gebruikstype:. De namen van deze gebruikstypen zijn als volgt gestructureerd:
REGION-Notebk:instanceType
(bijvoorbeeld,USE1-Notebk:ml.g4dn.8xlarge
)REGION-Notebk:VolumeUsage.gp2
(bijvoorbeeld,USE2-Notebk:VolumeUsage.gp2
)
Filteren op gebruikstype Notebk:
toont u een lijst met typen notebookgebruik in een account. Zoals te zien is in de volgende schermafbeelding, kunt u selecteren Alles selecteren En kies Solliciteer om de kostenspecificatie van uw notebookgebruik weer te geven.
Om de kostenuitsplitsing van het geselecteerde type notebookgebruik op basis van het aantal gebruiksuren te zien, moet u alle selecties deselecteren REGION-Notebk:VolumeUsage.gp2
gebruikstypes uit de voorgaande lijst en kies Solliciteer om het filter toe te passen. De volgende schermafbeelding toont de kosten- en gebruiksgrafieken voor de geselecteerde notebookgebruikstypen.
U kunt ook aanvullende filters toepassen zoals rekeningnummer, Amazon Elastic Compute-cloud (Amazon EC2) instantietype, tag voor kostentoewijzing, regio, en meer. De granulariteit wijzigen in Dagelijkse geeft u dagelijkse kosten- en gebruiksgrafieken op basis van de geselecteerde gebruikstypen en dimensie, zoals weergegeven in de volgende schermafbeelding.
In het voorgaande voorbeeld rapporteert de notebook-instantie van het type ml.t2.medium in de USE2-regio een dagelijks gebruik van 24 uur tussen de periode van 2 juli en 26 september. Evenzo rapporteert de notebook-instantie van het type ml.t3.medium in de USE1-regio rapporteert een dagelijks gebruik van 24 uur tussen 3 augustus en 26 september, en een dagelijks gebruik van 48 uur tussen 26 september en 31 december. Dagelijks gebruik van 24 uur of meer gedurende meerdere opeenvolgende dagen kan erop wijzen dat een notebookinstantie heeft meerdere dagen laten draaien maar wordt niet actief gebruikt. Dit type patroon kan baat hebben bij het toepassen van vangrails voor kostenbeheersing, zoals het handmatig of automatisch afsluiten van notebookinstanties om inactieve runtime te voorkomen.
Hoewel Cost Explorer u helpt kosten- en gebruiksgegevens te begrijpen op basis van de granulariteit van het instantietype, kunt u gebruiken AWS kosten- en gebruiksrapporten (AWS CUR) om gegevens op te halen met de granulariteit van een resource zoals notebook ARN. U kunt aangepaste query's maken om AWS CUR-gegevens op te zoeken met behulp van standaard SQL. U kunt ook tags voor kostentoewijzing in uw zoekopdracht opnemen voor een extra gedetailleerdheidsniveau. De volgende query retourneert het gebruik van notebookbronnen voor de afgelopen 3 maanden uit uw AWS CUR-gegevens:
De volgende schermafbeelding toont de resultaten die zijn verkregen door de AWS CUR-query uit te voeren met behulp van Amazone Athene. Raadpleeg voor meer informatie over het gebruik van Athena Kosten- en gebruiksrapporten opvragen met Amazon Athena.
Het resultaat van de query toont dat notebook dev-notebook
draaien op een ml.t2.medium-instantie rapporteert 24 uur gebruik gedurende meerdere opeenvolgende dagen. Het instantietarief is $ 0.0464/uur en de dagelijkse kosten voor 24 uur draaien zijn $ 1.1136.
AWS CUR-queryresultaten kunnen u helpen bij het identificeren van patronen van notebooks die gedurende opeenvolgende dagen worden uitgevoerd, die kunnen worden geanalyseerd voor kostenoptimalisatie. Meer informatie en voorbeeldvragen vindt u in de AWS CUR-querybibliotheek.
U kunt ook AWS CUR-gegevens invoeren Amazon QuickSight, waar u het op elke gewenste manier kunt snijden en dobbelen voor rapportage- of visualisatiedoeleinden. Zie voor instructies over het opnemen van AWS CUR-gegevens in QuickSight Hoe kan ik het AWS Cost and Usage Report (CUR) opnemen en visualiseren in Amazon QuickSight.
Optimaliseer de kosten van notebookinstanties
SageMaker-notebooks zijn geschikt voor ML-modelontwikkeling, waaronder interactieve gegevensverkenning, scriptschrijven, prototyping van feature-engineering en modellering. Voor elk van deze taken kunnen verschillende computerresourcevereisten gelden. Het schatten van het juiste type computerresources om verschillende workloads te bedienen, is een uitdaging en kan leiden tot overbevoorrading van resources, wat resulteert in hogere kosten.
Voor de ontwikkeling van ML-modellen hangt de grootte van een SageMaker-notebookexemplaar af van de hoeveelheid gegevens die u in het geheugen moet laden voor zinvolle verkennende gegevensanalyses (EDA) en de vereiste hoeveelheid berekeningen. We raden aan klein te beginnen met instanties voor algemeen gebruik (zoals T- of M-families) en indien nodig op te schalen. Ml.t2.medium is bijvoorbeeld voldoende voor de meeste basisgegevensverwerking, feature-engineering en EDA die zich bezighouden met kleine datasets die binnen 4 GB geheugen kunnen worden bewaard. Als uw modelontwikkeling veel rekenwerk met zich meebrengt (zoals beeldverwerking), kunt u uw kleinere notebookinstantie stoppen en het instantietype wijzigen in de gewenste grotere instantie, zoals ml.c5.xlarge. U kunt terugschakelen naar de kleinere instantie wanneer u geen grotere instantie meer nodig heeft. Dit helpt de rekenkosten laag te houden.
Overweeg de volgende best practices om de kosten van uw notebookinstanties te verlagen.
CPU versus GPU
Het overwegen van CPU- versus GPU-notebookinstanties is belangrijk, bijvoorbeeld de juiste maatvoering. CPU's zijn het best in het achtereenvolgens verwerken van enkelvoudige, complexere berekeningen, terwijl GPU's beter zijn in het parallel uitvoeren van meerdere maar eenvoudige berekeningen. Voor veel use-cases biedt een standaard instantietype van de huidige generatie uit een instantiefamilie zoals M voldoende rekenkracht, geheugen en netwerkprestaties voor notebooks om goed te presteren.
GPU's bieden een geweldige prijs-prestatieverhouding als u er effectief gebruik van maakt. Als u bijvoorbeeld uw deep learning-model traint op een SageMaker-notebook en uw neurale netwerk relatief groot is en een groot aantal berekeningen uitvoert met honderdduizenden parameters, dan kan uw model profiteren van de versnelde compute- en hardwareparalleliteit die wordt aangeboden door GPU-instanties zoals P-instantiefamilies. Het wordt echter aanbevolen om GPU-instanties alleen te gebruiken wanneer u ze echt nodig hebt, omdat ze duur zijn en GPU-communicatie-overhead de prestaties zelfs kan verminderen als uw notebook ze niet nodig heeft. We raden aan om notebooks te gebruiken met instanties die kleiner zijn in rekenkracht voor interactief bouwen en het zware werk over te laten aan kortstondige trainings-, afstemmings- en verwerkingstaken met grotere instanties, inclusief GPU-ingeschakelde instanties. Op deze manier laat u niet constant een grote instantie (of een GPU) draaien met uw notebook. Als u versneld computergebruik nodig hebt in uw notebookomgeving, kunt u uw m*-familie-notebookinstantie stoppen, overschakelen naar een GPU-compatibele P*-familie-instantie en deze opnieuw starten. Vergeet hem niet terug te schakelen wanneer je die extra boost in je ontwikkelomgeving niet meer nodig hebt.
Beperk gebruikerstoegang tot specifieke instantietypen
Beheerders kunnen voorkomen dat gebruikers te grote notebooks maken AWS Identiteits- en toegangsbeheer (IAM) beleid. Met het volgende voorbeeldbeleid kunnen gebruikers bijvoorbeeld alleen kleinere t3 SageMaker-notebookinstanties maken:
Beheerders kunnen ook gebruiken AWS-servicecatalogus om zelfbediening van SageMaker-notebooks mogelijk te maken. Hiermee kunt u de instantietypen beperken die beschikbaar zijn voor gebruikers bij het maken van een notitieblok. Voor meer informatie, zie Maak selfservice, beveiligde datawetenschap mogelijk met behulp van Amazon SageMaker-notebooks en AWS Service Catalog en Start Amazon SageMaker Studio met behulp van AWS Service Catalog en AWS SSO in AWS Control Tower Environment.
Stop inactieve notebookinstanties
Om uw kosten laag te houden, raden we u aan uw notebookinstanties te stoppen wanneer u ze niet nodig hebt en ze te starten wanneer u ze wel nodig hebt. Overweeg om inactieve notebookinstanties automatisch te detecteren en hun levenscyclus te beheren met behulp van een configuratiescript voor de levenscyclus. Bijvoorbeeld, auto-stop-stationair is een voorbeeld van een shellscript dat een SageMaker-notebook stopt wanneer deze langer dan 1 uur inactief is.
AWS onderhoudt een openbare opslagplaats van configuratiescripts voor de levenscyclus van notebooks die veelvoorkomende gebruikssituaties aanpakken voor het aanpassen van notebookinstanties, inclusief een voorbeeld bash-script voor het stoppen van inactieve notebooks.
Plan automatisch starten en stoppen van notebookinstanties
Een andere manier om op de kosten van notebooks te besparen, is door uw notebooks automatisch op bepaalde tijden te starten en te stoppen. U kunt dit bereiken door te gebruiken Amazon EventBridge regels en AWS Lambda functies. Zie voor meer informatie over het configureren van uw Lambda-functies Lambda-functieopties configureren. Nadat u de functies hebt gemaakt, kunt u regels maken om deze functies volgens een specifiek schema te activeren, bijvoorbeeld door de notebooks elke weekdag om 7:00 uur te starten. Zien Een Amazon EventBridge-regel maken die volgens een schema wordt uitgevoerd voor instructies. Raadpleeg voor de scripts voor het starten en stoppen van notebooks met een Lambda-functie Zorg voor efficiënte rekenbronnen op Amazon SageMaker.
SageMaker Studio
Studio biedt een volledig beheerde oplossing voor datawetenschappers om interactief ML-modellen te bouwen, trainen en implementeren. Studio notitieboekjes zijn met één klik samenwerkende Jupyter-notebooks die snel kunnen worden opgestart omdat u vooraf geen rekeninstanties en bestandsopslag hoeft in te stellen. Er worden kosten in rekening gebracht voor het type rekeninstantie dat u kiest om uw notebooks op uit te voeren, op basis van de gebruiksduur. Er zijn geen extra kosten verbonden aan het gebruik van Studio. De kosten voor het uitvoeren van Studio-notebooks, interactieve shells, consoles en terminals zijn gebaseerd op het gebruik van ML-rekeninstanties.
Bij het starten wordt de resource uitgevoerd op een ML-rekeninstantie van het gekozen instantietype. Als een exemplaar van dat type eerder is gestart en beschikbaar is, wordt de resource op dat exemplaar uitgevoerd. Voor op CPU gebaseerde afbeeldingen is het standaard voorgestelde exemplaartype ml.t3.medium. Voor GPU-gebaseerde afbeeldingen is het standaard voorgestelde instantietype ml.g4dn.xlarge. Facturering vindt plaats per instantie en begint wanneer de eerste instantie van een bepaald instantietype wordt gelanceerd.
Als u een notebook wilt maken of openen zonder het risico van kosten, opent u de notebook vanuit de Dien in menu en kies Geen Kernel van het Selecteer Kernel dialoog. U kunt een notebook lezen en bewerken zonder een actieve kernel, maar u kunt geen cellen uitvoeren. U wordt voor elke instantie afzonderlijk gefactureerd. De facturering eindigt wanneer alle KernelGateway-apps op de instantie zijn afgesloten of de instantie is afgesloten. Zie voor informatie over facturering en prijsvoorbeelden Amazon SageMaker-prijzen.
In Cost Explorer kunt u Studio-notebookkosten filteren door een filter op toe te passen Gebruikstype:. De naam van deze gebruikstypen is gestructureerd als: REGION-studio:KernelGateway-instanceType
(bijvoorbeeld, USE1-Studio:KernelGateway-ml.m5.large
)
Filteren op gebruikstype studio:
in Cost Explorer toont u de lijst met Studio-gebruikstypen in een account. U kunt de benodigde gebruikstypen selecteren of selecteren Alles selecteren En kies Solliciteer om de kostenspecificatie van het gebruik van de Studio-app weer te geven. De volgende schermafbeelding toont de selectie alle studio
gebruikstypen voor kostenanalyse.
U kunt ook aanvullende filters toepassen, zoals Regio, gekoppeld account of instantietype voor een gedetailleerdere kostenanalyse. De granulariteit wijzigen in Dagelijkse geeft u dagelijkse kosten- en gebruiksgrafieken op basis van geselecteerde gebruikstypen en dimensies, zoals weergegeven in de volgende schermafbeelding.
In het voorgaande voorbeeld rapporteert de Studio KernelGateway-instantie van het type ml.t3.medium in de USE1-regio een dagelijks gebruik van 48 uur tussen de periode van 1 januari en 24 januari, gevolgd door een dagelijks gebruik van 24 uur tot 11 februari. Evenzo rapporteert Studio KernelGateway-instantie van het type ml.m5.large in USE1-regio 24 uur dagelijks gebruik tussen 1 januari en 23 januari. Een dagelijks gebruik van 24 uur of meer gedurende meerdere opeenvolgende dagen geeft aan dat Studio-notebookinstanties mogelijk actief zijn continu gedurende meerdere dagen. Dit type patroon kan baat hebben bij het toepassen van vangrails voor kostenbeheersing, zoals het handmatig of automatisch afsluiten van Studio-apps wanneer deze niet in gebruik zijn.
Zoals eerder vermeld, kunt u AWS CUR gebruiken om gegevens op te halen met de granulariteit van een resource en aangepaste query's maken om AWS CUR-gegevens op te zoeken met behulp van standaard SQL. U kunt ook tags voor kostentoewijzing in uw zoekopdracht opnemen voor een extra gedetailleerdheidsniveau. De volgende query retourneert het brongebruik van Studio KernelGateway voor de afgelopen 3 maanden uit uw AWS CUR-gegevens:
De volgende schermafbeelding toont de resultaten die zijn verkregen door de AWS CUR-query uit te voeren met behulp van Athena.
Het resultaat van de query laat zien dat de Studio KernelGateway-app named datascience-1-0-ml-t3-medium-1abf3407f667f989be9d86559395
lopen op rekening 111111111111
, Studio-domein d-domain1234
en gebruikersprofiel user1
op een ml.t3.medium-instantie rapporteert 24 uur gebruik gedurende meerdere opeenvolgende dagen. Het instantietarief is $ 0.05/uur en de dagelijkse kosten voor 24 uur draaien zijn $ 1.20.
AWS CUR-queryresultaten kunnen u helpen bij het identificeren van patronen van bronnen die gedurende opeenvolgende dagen worden uitgevoerd op een gedetailleerd niveau van uurlijks of dagelijks gebruik, die kunnen worden geanalyseerd voor kostenoptimalisatie. Net als bij SageMaker-notebooks kunt u ook AWS CUR-gegevens invoeren in QuickSight voor rapportage- of visualisatiedoeleinden.
SageMaker-gegevens Wrangler
Amazon SageMaker-gegevens Wrangler is een functie van Studio die u helpt het proces van gegevensvoorbereiding en functie-engineering te vereenvoudigen vanuit een low-code visuele interface. De naam van het gebruikstype voor een Studio Data Wrangler-app is gestructureerd als REGION-Studio_DW:KernelGateway-instanceType
(bijvoorbeeld, USE1-Studio_DW:KernelGateway-ml.m5.4xlarge
).
Filteren op gebruikstype studio_DW:
in Cost Explorer toont u de lijst met Studio Data Wrangler-gebruikstypen in een account. U kunt de benodigde gebruikstypen selecteren of selecteren Alles selecteren En kies Solliciteer om het kostenoverzicht van het gebruik van de Studio Data Wrangler-app weer te geven. De volgende schermafbeelding toont de selectie alle studio_DW
gebruikstypen voor kostenanalyse.
Zoals eerder opgemerkt, kunt u ook aanvullende filters toepassen voor een gedetailleerdere kostenanalyse. De volgende schermafbeelding toont bijvoorbeeld 24 uur dagelijks gebruik van het Studio Data Wrangler-instantietype ml.m5.4xlarge in de USE1-regio gedurende meerdere dagen en de bijbehorende kosten. Dergelijke inzichten kunnen worden gebruikt om kostenbeheersingsmaatregelen toe te passen, zoals het afsluiten van Studio-apps wanneer ze niet in gebruik zijn.
U kunt informatie op resourceniveau verkrijgen van AWS CUR en aangepaste query's maken om AWS CUR-gegevens op te zoeken met behulp van standaard SQL. De volgende query retourneert het brongebruik van de Studio Data Wrangler-app en de bijbehorende kosten voor de afgelopen 3 maanden uit uw AWS CUR-gegevens:
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
De volgende schermafbeelding toont de resultaten die zijn verkregen door de AWS CUR-query uit te voeren met behulp van Athena.
Het resultaat van de query laat zien dat de Studio Data Wrangler-app named sagemaker-data-wrang-ml-m5-4xlarge-b741c1a025d542c78bb538373f2d
lopen op rekening 111111111111
, Studio domein d-domain1234
en gebruikersprofiel user1
op een ml.m5.4xlarge-instantie rapporteert 24 uur gebruik gedurende meerdere opeenvolgende dagen. Het instantietarief is $ 0.922/uur en de dagelijkse kosten voor 24 uur draaien bedragen $ 22.128.
Optimaliseer Studio-kosten
Studio-notebooks worden in rekening gebracht voor het instantietype dat u kiest, op basis van de gebruiksduur. U moet de instantie afsluiten om te voorkomen dat er kosten in rekening worden gebracht. Als u de notebook die op de instantie draait, afsluit maar de instantie niet afsluit, worden er nog steeds kosten in rekening gebracht. Wanneer u de Studio-notebookinstanties afsluit, worden eventuele aanvullende bronnen, zoals SageMaker-eindpunten, Amazon EMR clusters, en Amazon eenvoudige opslagservice (Amazon S3) buckets gemaakt vanuit Studio worden niet verwijderd. Verwijder die resources als ze niet langer nodig zijn om het opbouwen van kosten te stoppen. Raadpleeg voor meer informatie over het afsluiten van Studio-bronnen Sluit bronnen af. Als u Data Wrangler gebruikt, is het belangrijk om het af te sluiten nadat uw werk is gedaan om kosten te besparen. Raadpleeg voor meer informatie Sluit Data Wrangler af.
Overweeg de volgende best practices om de kosten van uw Studio-notebooks te verlagen.
Stop automatisch inactieve Studio-notebookexemplaren
U kunt inactieve Studio-notebookbronnen automatisch stoppen met levenscyclus configuraties in Studio. U kunt ook een JupyterLab-extensie installeren en gebruiken die beschikbaar is op GitHub als een Studio-levenscyclusconfiguratie. Voor gedetailleerde instructies over de Studio-architectuur en het toevoegen van de extensie, zie Bespaar kosten door inactieve bronnen binnen Amazon SageMaker Studio automatisch af te sluiten.
Wijzig het formaat in een oogwenk
Het voordeel van Studio-notebooks ten opzichte van notebookinstanties is dat met Studio de onderliggende Compute-resources zijn volledig elastisch en u kunt de instantie direct wijzigen. Hierdoor kunt u de rekenkracht omhoog en omlaag schalen naarmate uw rekenvraag verandert, bijvoorbeeld van ml.t3.medium naar ml.m5.4xlarge, zonder uw werk of het beheer van de infrastructuur te onderbreken. De overgang van de ene instantie naar de andere gaat naadloos en u kunt blijven werken terwijl de instantie wordt gestart. Bij on-demand notebookinstanties moet u de instantie stoppen, de instelling bijwerken en opnieuw opstarten met het nieuwe instantietype. Voor meer informatie, zie Leer hoe u on-the-fly ML-instanties selecteert in Amazon SageMaker Studio.
Beperk gebruikerstoegang tot specifieke instantietypen
Beheerders kunnen IAM gebruiken voorwaarde sleutels als een effectieve manier om bepaalde instantietypen, zoals GPU-instanties, voor specifieke gebruikers te beperken en zo de kosten te beheersen. In het volgende voorbeeldbeleid wordt bijvoorbeeld toegang geweigerd voor alle instanties behalve ml.t3.medium en ml.g4dn.xlarge. Houd er rekening mee dat u de systeeminstantie moet toestaan voor de standaard Jupyter Server-apps.
Raadpleeg voor uitgebreide richtlijnen over best practices om Studio-kosten te optimaliseren Zorg voor efficiënte rekenbronnen op Amazon SageMaker.
Gebruik tags om de Studio-kosten bij te houden
In Studio kunt u aangepaste tags toewijzen aan uw Studio domein net zoals gebruikers die toegang hebben tot het domein. Studio zal deze tags automatisch kopiëren en toewijzen aan het Studio notitieboekjes gemaakt door de gebruikers, zodat u eenvoudig de kosten van Studio-notebooks kunt volgen en categoriseren en kostenterugboekingsmodellen voor uw organisatie kunt maken.
Standaard tagt SageMaker nieuwe SageMaker-bronnen zoals trainingstaken, verwerkingstaken, experimenten, pijplijnen en modelregistervermeldingen automatisch met hun respectieve sagemaker:domain-arn
. SageMaker tagt de bron ook met de sagemaker:user-profile-arn
or sagemaker:space-arn
om de creatie van bronnen op een nog gedetailleerder niveau aan te duiden.
Beheerders kunnen geautomatiseerde tagging gebruiken om eenvoudig de kosten te bewaken die verband houden met hun branche, teams, individuele gebruikers of individuele bedrijfsproblemen door tools te gebruiken zoals AWS-budgetten en kostenverkenner. U kunt bijvoorbeeld een label voor kostentoewijzing voor de sagemaker:domain-arn
label.
Hierdoor kunt u Cost Explorer gebruiken om de Studio-notebookuitgaven voor een bepaald domein te visualiseren.
Denk aan opslagkosten
Wanneer het eerste lid van uw team zich aanmeldt bij Studio, maakt SageMaker een Amazon elastisch bestandssysteem (Amazon EFS) volume voor het team. Wanneer dit lid, of een lid van het team, Studio opent, wordt er een thuismap gemaakt in het volume voor het lid. Voor deze directory worden opslagkosten in rekening gebracht. Vervolgens worden extra opslagkosten in rekening gebracht voor de notebooks en gegevensbestanden die zijn opgeslagen in de homedirectory van het lid. Voor meer informatie, zie Amazon EFS-prijzen.
Conclusie
In dit bericht hebben we richtlijnen gegeven voor kostenanalyse en best practices bij het bouwen van ML-modellen met behulp van notebookinstanties en Studio. Naarmate machine learning zich in alle sectoren als een krachtige tool vestigt, moet training en het uitvoeren van ML-modellen kosteneffectief blijven. SageMaker biedt een brede en diepe functieset om elke stap in de ML-pijplijn te vergemakkelijken en biedt mogelijkheden voor kostenoptimalisatie zonder de prestaties of flexibiliteit te beïnvloeden.
Over de auteurs
Deepali Rajale is een Senior AI/ML-specialist bij AWS. Ze werkt samen met zakelijke klanten en biedt technische begeleiding met best practices voor het implementeren en onderhouden van AI/ML-oplossingen in het AWS-ecosysteem. Ze heeft met een breed scala aan organisaties gewerkt aan verschillende use-cases voor deep learning met NLP en computervisie. Ze is gepassioneerd over het versterken van organisaties om generatieve AI te gebruiken om hun gebruikservaring te verbeteren. In haar vrije tijd houdt ze van films, muziek en literatuur.
Uri Rosenberg is de AI & ML Specialist Technical Manager voor Europa, het Midden-Oosten en Afrika. Uri is gevestigd in Israël en werkt om zakelijke klanten in staat te stellen alles wat met ML te maken heeft, te ontwerpen, bouwen en op schaal te gebruiken. In zijn vrije tijd houdt hij van fietsen, wandelen, ontbijten, lunchen en dineren.
- Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
- PlatoAiStream. Web3 gegevensintelligentie. Kennis versterkt. Toegang hier.
- De toekomst slaan met Adryenn Ashley. Toegang hier.
- Koop en verkoop aandelen in PRE-IPO-bedrijven met PREIPO®. Toegang hier.
- Bron: 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/
- : heeft
- :is
- :niet
- :waar
- ][P
- $UP
- 1
- 100
- 11
- 14
- 15%
- 20
- 2021
- 23
- 24
- 26%
- 31
- 7
- 8
- a
- Over
- versneld
- toegang
- bereiken
- Account
- over
- Actie
- actieve
- toe te voegen
- Extra
- adres
- Voordeel
- Afrika
- Na
- weer
- AI
- AI / ML
- Alles
- toewijzing
- toelaten
- toestaat
- langs
- ook
- am
- Amazone
- Amazon EC2
- Amazon Sage Maker
- Amazon SageMaker Studio
- Amazon Web Services
- bedragen
- an
- analyses
- analyse
- analyseren
- en
- Nog een
- elke
- gebruiken
- Solliciteer
- Het toepassen van
- nadering
- apps
- architectuur
- ZIJN
- AS
- geassocieerd
- At
- hechten
- Augustus
- geautomatiseerde
- Automatisch
- webmaster.
- Beschikbaar
- AWS
- terug
- gebaseerde
- slaan
- basis-
- BE
- omdat
- geweest
- voordeel
- BEST
- 'best practices'
- Betere
- tussen
- Groot
- factuuradres
- boost
- Storing
- Ontbijt
- bouw
- Gebouw
- bedrijfsdeskundigen
- maar
- by
- berekeningen
- CAN
- gevallen
- catalogus
- Cellen
- zeker
- uitdagend
- verandering
- Wijzigingen
- veranderende
- lading
- opgeladen
- lasten
- Grafieken
- Kies
- uitgekozen
- code
- samenwerkend
- Gemeen
- Communicatie
- complex
- uitgebreid
- berekening
- Berekenen
- computer
- Computer visie
- computergebruik
- computer kracht
- voorwaarde
- Configuratie
- opeenvolgend
- Overwegen
- consoles
- permanent
- geconsumeerd
- bevatten
- voortzetten
- doorlopend
- onder controle te houden
- Controle toren
- het regelen van
- Kosten
- kostenefficient
- Kosten
- kon
- en je merk te creëren
- aangemaakt
- creëert
- Wij creëren
- het aanmaken
- Actueel
- gewoonte
- Klanten
- dagelijks
- gegevens
- Data voorbereiding
- gegevensverwerking
- data science
- datasets
- dagen
- Deals
- December
- deep
- diepgaand leren
- Standaard
- Vraag
- afhankelijk
- implementeren
- het inzetten
- Design
- gewenste
- gedetailleerd
- gegevens
- Bepalen
- Ontwikkeling
- Dialoog
- Afmeting
- Hoofdgerecht
- Display
- do
- Nee
- domein
- gedaan
- Dont
- verdubbelen
- beneden
- duur
- elk
- Vroeger
- gemakkelijk
- oosten
- ecosysteem
- effect
- effectief
- effectief
- doeltreffend
- machtigen
- empowering
- eindigt
- Engineering
- verhogen
- genoeg
- Enterprise
- Milieu
- vestigt
- Europa
- Zelfs
- Alle
- alles
- voorbeeld
- voorbeelden
- Behalve
- duur
- ervaring
- experimenten
- exploratie
- ontdekkingsreiziger
- uitbreiding
- extra
- faciliterende
- gezinnen
- familie
- Kenmerk
- Februari
- Dien in
- Bestanden
- filter
- filters
- Voornaam*
- Focus
- gevolgd
- volgend
- volgt
- Voor
- gevonden
- oppompen van
- geheel
- functie
- functies
- voor algemeen gebruik
- generatie
- generatief
- generatieve AI
- krijgen
- gegeven
- geeft
- GPU
- GPU's
- grafieken
- groot
- Groep
- leiding
- Behandeling
- Hardware
- Hebben
- he
- zwaar
- zwaar tillen
- Held
- hulp
- geholpen
- helpt
- haar
- zijn
- Home
- Hosting
- uur
- HOURS
- Hoe
- How To
- Echter
- HTML
- http
- HTTPS
- Honderden
- i
- identificeren
- Identiteit
- Idle
- if
- beeld
- afbeeldingen
- impact
- belangrijk
- verbeteren
- in
- omvatten
- omvat
- Inclusief
- meer
- aangeven
- geeft aan
- individueel
- industrieën
- informatie
- Infrastructuur
- inzichten
- installeren
- instantie
- instructies
- interactieve
- Interface
- in
- Introductie
- waarbij
- Israël
- IT
- HAAR
- zelf
- Januari
- Januari 24
- Vacatures
- jpg
- juli-
- Houden
- Groot
- groter
- Achternaam*
- gelanceerd
- lanceert
- leiden
- geleerd
- leren
- verlaten
- links
- Lessen
- Lessons Learned
- Niveau
- Hefboomwerking
- levenscyclus van uw product
- facelift
- als
- Lijn
- gekoppeld
- Lijst
- literatuur
- laden
- langer
- Kijk
- lunch
- machine
- machine learning
- Het handhaven
- onderhoudt
- beheerd
- manager
- beheert
- beheren
- handboek
- veel
- Mei..
- zinvolle
- maatregelen
- Medium
- lid
- Geheugen
- vermeld
- Menu
- Midden
- Midden-Oosten
- macht
- ML
- model
- modellering
- modellen
- monitor
- Maand
- maanden
- meer
- meest
- Films
- bewegend
- meervoudig
- Muziek
- Dan moet je
- naam
- Genoemd
- namen
- noodzakelijk
- Noodzaak
- nodig
- behoeften
- netwerk
- neuraal netwerk
- New
- nlp
- geen
- notitieboekje
- bekend
- aantal
- verkrijgen
- verkregen
- of
- aangeboden
- het aanbieden van
- Aanbod
- on
- On-Demand
- EEN
- Slechts
- open
- opent
- besturen
- Kansen
- optimalisatie
- Optimaliseer
- optimaliseren
- or
- bestellen
- organisatie
- organisaties
- uit
- geschetst
- over
- Parallel
- parameters
- deel
- hartstochtelijk
- Patronen
- patronen
- Uitvoeren
- prestatie
- uitvoerend
- periode
- pijpleiding
- Plato
- Plato gegevensintelligentie
- PlatoData
- beleidsmaatregelen door te lezen.
- beleidsmaatregelen
- mogelijkheid
- Post
- Berichten
- energie
- krachtige
- praktijken
- voorbereiding
- Voorbereiden
- voorkomen
- die eerder
- prijsstelling
- Proactieve
- problemen
- verwerking
- Profiel
- prototyping
- zorgen voor
- mits
- biedt
- het verstrekken van
- doeleinden
- queries
- snel
- reeks
- tarief
- verhouding
- Lees
- werkelijk
- adviseren
- aanbevolen
- verminderen
- regio
- register
- verwant
- relatief
- blijven
- verslag
- Rapportage
- Rapporten
- bewaarplaats
- nodig
- Voorwaarden
- hulpbron
- Resources
- degenen
- beperken
- resultaat
- verkregen
- Resultaten
- Retourneren
- rechts
- Risico
- Regel
- reglement
- lopen
- lopend
- sagemaker
- Bespaar
- Scale
- scaling
- rooster
- Wetenschap
- wetenschappers
- scripts
- naadloos
- Beveiligde
- zien
- gekozen
- selectie
- Zelfbediening
- senior
- September
- -Series
- dienen
- service
- Diensten
- reeks
- het instellen van
- Delen
- ze
- Shell
- tonen
- vertoonde
- getoond
- Shows
- stilgelegd
- stillegging
- het afsluiten van
- evenzo
- Eenvoudig
- vereenvoudigen
- sinds
- single
- Maat
- Plak
- Klein
- kleinere
- So
- oplossing
- Oplossingen
- specialist
- specifiek
- besteden
- gesponnen
- standaard
- begin
- gestart
- Start
- starts
- Stap voor
- Still
- stop
- stoppen
- Stopt
- mediaopslag
- opgeslagen
- gestructureerde
- studio
- Hierop volgend
- dergelijk
- voldoende
- geschikt
- ondersteuning
- proactief ondersteunen
- Stap over voor slechts
- system
- TAG
- Nemen
- taken
- team
- teams
- Technisch
- proef
- neem contact
- dat
- De
- hun
- Ze
- harte
- Er.
- daarbij
- Deze
- ze
- spullen
- dit
- die
- duizenden kosten
- Door
- niet de tijd of
- keer
- naar
- ook
- tools
- tools
- Tower
- spoor
- Trainen
- Trainingen
- leiden
- type dan:
- types
- die ten grondslag liggen
- begrijpen
- tot
- bijwerken
- Gebruik
- .
- gebruikt
- Gebruiker
- gebruikers
- gebruik
- gebruik maken van
- BEVESTIG
- divers
- zichtbaarheid
- visie
- visualisatie
- volume
- vs
- willen
- was
- Manier..
- manieren
- we
- web
- webservices
- GOED
- wanneer
- terwijl
- welke
- en
- WIE
- breed
- Grote range
- wil
- Met
- binnen
- zonder
- Mijn werk
- werkte
- workflow
- werkzaam
- Bedrijven
- schrijven
- code schrijven
- het schrijven van
- You
- Your
- zephyrnet