테이블 형식 워크플로를 사용하여 모델을 학습시키면 인프라 및 종속 서비스의 비용을 기준으로 요금이 청구됩니다. 이 모델을 사용하여 추론하면 인프라 비용을 기준으로 요금이 청구됩니다.
인프라 비용은 다음 요소에 따라 달라집니다.
표 형식 워크플로는 사용자를 대신하여 프로젝트에서 여러 종속 서비스(Dataflow, BigQuery, Cloud Storage, Gemini Enterprise Agent Platform Pipelines, Agent Platform Training)를 실행합니다. 이러한 서비스에서는 직접 요금을 청구합니다.
학습 비용 계산 예시
예 1: CSV 형식의 110MB 데이터 세트, 기본 하드웨어 구성으로 1시간 동안 학습.
아키텍처 검색 및 학습을 사용하는 기본 워크플로의 비용 분석은 다음과 같습니다.
서비스 | 비용 |
|---|---|
Dataflow 예시 및 통계 생성 | $2(Dataflow 실행 시간 7분) |
Dataflow 데이터 및 특성 변환 | $3(Dataflow 실행 시간 10분) |
Agent Platform Training | 0.8시간 x $20 + 0.2시간 x $20 + $3.3 SSD 비용 + 파이프라인 컨테이너 비용 = $24(조정 48분, 학습 12분) |
Agent Platform Pipelines | 1회 실행 x $0.03 = $0.03 |
모델 정제를 제외한 총량 | $27.03 |
원하는 경우 결과 모델 증류를 사용 설정하여 모델 크기를 줄일 수 있습니다. 비용 분석은 다음과 같습니다.
서비스 | 비용 |
|---|---|
모델 정제를 제외한 총량 | $27.03 |
모델 증류를 위한 Agent Platform 학습 | $1 |
모델 정제를 위한 Dataflow 데이터, 특성 변환 | $3(Dataflow 실행 시간 10분) |
모델 증류를 위한 일괄 추론 | $7 |
모델 정제를 포함한 합계 | $38.03 |
예시 2: 하드웨어 재정의로 20시간 동안 학습된 BigQuery의 1.84TB 데이터 세트.
이 예시의 하드웨어 구성은 다음과 같습니다.
하드웨어 구성 이름 | 값 |
|---|---|
stats_and_example_gen_dataflow_machine_type | n1-standard-16 |
stats_and_example_gen_dataflow_max_num_workers | 100 |
stats_and_example_gen_dataflow_disk_size_gb | 40 |
transform_dataflow_machine_type | n1-standard-16 |
transform_dataflow_max_num_workers | 100 |
transform_dataflow_disk_size_gb | 200 |
distill_batch_predict_machine_type | n1-standard-2 |
distill_batch_predict_starting_replica_count | 200 |
distill_batch_predict_max_replica_count | 200 |
아키텍처 검색 및 학습을 사용하는 기본 워크플로의 비용 분석은 다음과 같습니다.
서비스 | 비용 |
|---|---|
Dataflow 예시 및 통계 생성 | $518(Dataflow 실행 시간: 6시간) |
Dataflow 데이터, 특성 변환 | $471(Dataflow 실행 6시간) |
Agent Platform Training | 17시간 x $20 + 3시간 x $20 + $41.5 SSD 비용 + 파이프라인 컨테이너 비용 = $555(17시간 조정, 3시간 학습) |
Agent Platform Pipelines | 1회 실행 x $0.03 = $0.03 |
합계 | $1544.03 |