인프라 비용은 다음 요소에 따라 달라집니다.
- 사용하는 머신 수. 모델 학습, 일괄 추론 또는 온라인 추론 중에 관련 파라미터를 설정할 수 있습니다.
- 사용하는 머신 유형. 모델 학습, 일괄 추론 또는 온라인 추론 중에 이 파라미터를 설정할 수 있습니다.
- 머신이 사용 중 상태인 시간.
- 모델을 학습시키거나 일괄 추론을 수행하는 경우 이 시간은 총 작업 처리 시간입니다.
- 온라인 추론을 수행하는 경우 이 시간은 모델이 엔드포인트에 배포된 시간입니다.
테이블 형식 워크플로는 사용자를 대신하여 프로젝트에서 여러 종속 서비스(Dataflow, BigQuery, Cloud Storage ,Vertex AI Pipelines ,Vertex AI 학습)를 실행합니다. 이러한 서비스에서는 직접 요금을 부과합니다.
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) |
| Vertex AI Training | 0.8시간 x $20 + 0.2시간 x $20 + $3.3 SSD 비용 + 파이프라인 컨테이너 비용 = $24(조정 48분, 학습 12분) |
| Vertex AI 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 정제를 위한 Vertex AI 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) |
| Vertex AI Training | 17시간 x $20 + 3시간 x $20 + $41.5 SSD 비용 + 파이프라인 컨테이너 비용 = $555(17시간 조정, 3시간 학습) |
| Vertex AI Pipelines | 1회 실행 x $0.03 = $0.03 |
| 합계 | $1544.03 |