Quando addestra un modello utilizzando un flusso di lavoro tabulare, gli addebiti vengono effettuati in base al costo dell'infrastruttura e dei servizi dipendenti. Quando fai previsioni con questo modello, l'addebito avviene in base al costo dell'infrastruttura.
Il costo dell'infrastruttura dipende dai seguenti fattori:
- Il numero di macchine che utilizzi. Puoi impostare i parametri associati durante l'addestramento del modello, la previsione batch o la previsione online.
- Il tipo di macchine che utilizzi. Puoi impostare questo parametro durante l'addestramento del modello, la previsione batch o la previsione online.
- Il periodo di tempo per il quale le macchine sono in uso.
- Se stai addestrando un modello o stai effettuando previsioni batch, questa è una misura del tempo totale di elaborazione dell'operazione.
- Se stai effettuando previsioni online, si tratta di una misura del tempo in cui viene eseguito il deployment del modello in un endpoint.
Tabular Workflows esegue per tuo conto più servizi dipendenti nel tuo progetto: Dataflow, BigQuery, Cloud Storage, Vertex AI Pipelines, Vertex AI Training. Gli addebiti verranno effettuati direttamente da questi servizi.
Esempi di calcolo dei costi di addestramento
Esempio 1: set di dati da 110 MB in formato CSV, addestrato per un'ora con configurazione hardware predefinita.
La ripartizione dei costi per il flusso di lavoro predefinito con ricerca e addestramento dell'architettura è la seguente:
| Servizio | Costo |
|---|---|
| Esempio di Dataflow e generazione di statistiche | $2 (Dataflow è stata eseguita per 7 min) |
| Trasformazioni delle caratteristiche e dei dati di Dataflow | $3 (Dataflow è stata eseguita per 10 min) |
| Vertex AI Training | 0,8 ore x $20 + 0,2 ore x $20 + $3,3 costo SSD + costo container pipeline = $24 (ottimizzazione di 48 minuti, addestramento di 12 minuti) |
| Vertex AI Pipelines | 1 esecuzione x 0,03 $= 0,03 $ |
| Totale esclusa la distillazione del modello | $27.03 |
Facoltativamente, puoi abilitare la distillazione del modello per ridurne le dimensioni. La ripartizione dei costi è la seguente:
| Servizio | Costo |
|---|---|
| Totale esclusa la distillazione del modello | $27.03 |
| Addestramento Vertex AI per la distillazione del modello | 1 $ |
| Dati Dataflow, trasformazioni delle caratteristiche per la distillazione del modello | $3 (Dataflow è stata eseguita per 10 min) |
| Previsione batch per la distillazione del modello | $7 |
| Totale inclusa la distillazione del modello | $38.03 |
Esempio 2: set di dati da 1,84 TB in BigQuery, addestrato per 20 ore con override hardware.
La configurazione hardware per questo esempio è la seguente:
| Nome configurazione hardware | Valore |
|---|---|
| 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 |
La ripartizione dei costi per il flusso di lavoro predefinito con ricerca e addestramento dell'architettura è la seguente:
| Servizio | Costo |
|---|---|
| Esempio di Dataflow e generazione di statistiche | 518 $ (Dataflow è stata eseguita per 6 ore) |
| Dati Dataflow, trasformazioni delle caratteristiche | 471 $ (Dataflow è stata eseguita per 6 ore) |
| Vertex AI Training | 17 ore x $20 + 3 ore x $20 + $41,5 costo SSD + costo container pipeline = $555 (17 ore di ottimizzazione, 3 ore di addestramento) |
| Vertex AI Pipelines | 1 esecuzione x 0,03 $= 0,03 $ |
| Totale | $1544.03 |