Machine Learning-Dienste – Preise

Künstliche Intelligenz für alle – mit einer umfassenden, skalierbaren und vertrauenswürdigen Plattform

Die Dienste Azure Machine Learning-Experimentieren und -Modellverwaltung bieten eine lokale oder Cloud- oder Edgelösung, mit der Data Scientists und Entwickler KI-Funktionen für jeden Benutzer bereitstellen können. Weitere Informationen über die Palette der in Machine Learning Studio verfügbaren Angebote finden Sie auf der Preisseite für Machine Learning Studio.

Preisübersicht

Die unten aufgeführten Preise beinhalten einen Vorschaurabatt.

Experimentieren – Preise

Standard
Preis* Die ersten 2 Arbeitsplätze: Free
Ab 3 Arbeitsplätzen: $- pro Arbeitsplatz/Monat
*Azure-Abonnements, die über kostenlose Angebote oder Testangebote erlangt werden, bieten keinen Anspruch auf den Free-Tarif.

Modellverwaltung – Preise

Entwickeln/Testen Standard S1 Standard S2 Standard S3 *
Tarifgebühr pro Monat $- $- $- $-
Merkmale
Verwaltete Modelle 20 100 1.000 10.000
Verwaltete Bereitstellungen 2 10 100 1.000
Verfügbare Kerne** 4 16 120 800
*Wenn Sie mehr als die im Tarif S3 verfügbare Menge an verwalteten Modellen, verwalteten Bereitstellungen und/oder verfügbaren Kernen benötigen, können Sie mehrere S3-Einheiten erwerben. Details dazu finden Sie unten in den häufig gestellten Fragen. **Gibt die Anzahl von Kernen an, die zu jeder Zeit für Bereitstellungen verwendet werden können. Die Gebühren für Computestunden sind hierin nicht enthalten. Details dazu finden Sie unten in den häufig gestellten Fragen.

Support und SLA

  • Wir bieten technischen Support für alle zur allgemeinen Verfügbarkeit freigegebenen Azure-Dienste. Dies umfasst u.a. den Machine Learning-Tarif „Standard“. Azure-Support ist ab $29/Monat verfügbar. Der Support für die Abrechnungs- und Abonnementverwaltung wird kostenlos bereitgestellt.
  • Technischer Support für den Free-Tarif von Machine Learning ist nur über Communityforen verfügbar. Darüber hinaus wird die Benutzercommunity durch Schulungsvideos und Dokumentation unterstützt.
  • SLA: Für den Anfrage-/Antwortdienst (Request Response Service, RRS) garantieren wir für API-Transaktionen eine Verfügbarkeit von 99,95%. Für den Batchausführungsdienst (Batch Execution Service, BES) und Verwaltungs-APIs garantieren wir eine Verfügbarkeit der API-Transaktionen von 99,9 %. Für den Free-Tarif von Machine Learning wird keine SLA bereitgestellt. Weitere Informationen über die SLA finden Sie auf der SLA-Seite.

FAQ

Azure Machine Learning Workbench

  • Nein. Azure Machine Learning Workbench ist eine kostenlose Anwendung. Sie können die Anwendung auf so viele Computer und für so viele Benutzer herunterladen, wie Sie möchten. Um Azure Machine Learning Workbench zu verwenden, müssen Sie über ein Experimentieren-Konto verfügen.

Azure Machine Learning-Experimentieren-Dienst

  • Jeder Arbeitsplatz ist ein Azure-Benutzer, der dem Experimentieren-Konto hinzugefügt wird. Die ersten beiden Arbeitsplätze in Ihrem Abonnement sind kostenlos. Kostenlose Arbeitsplätze und die Dev/Test-Preise gelten allerdings nicht für kostenlose Abonnements, Testabonnements und Abonnements, die über ein anderes Azure-Angebot erlangt werden.

  • Nein, der Experimentieren-Dienst ermöglicht so viele Experimente, wie Sie benötigen, und wird nur anhand der Anzahl von Benutzern abgerechnet. Computeressourcen für das Experimentieren werden separat in Rechnung gestellt.

  • Der Azure Machine Learning-Experimentieren-Dienst kann Ihre Experimente auf bzw. in folgenden Zielen ausführen: lokaler Computer (direkt oder Docker-basiert), Azure-Computeressourcen (virtuelle Computer) und HDInsight. Zum Speichern der nachverfolgten Ausführungsergebnisse benötigt der Dienst auch Zugriff auf ein Azure Blob Storage-Konto. Der Dienst kann optional auch ein Visual Studio Team Service-Konto für die Versionskontrolle Ihres Projekts über ein Git-Repository nutzen. Beachten Sie, dass verbrauchte Compute- und Speicherressourcen gemäß den jeweiligen Preisen für die Ressourcen separat abgerechnet werden.

Azure Machine Learning-Modellverwaltung

  • Azure Machine Learning-Modelle können derzeit kostenlos mit Azure IoT Edge verwendet werden.

  • Nein. Webdienste können so oft wie nötig aufgerufen werden, ohne Auswirkungen auf die Abrechnung der Modellverwaltung. Sie können Ihre Bereitstellungen vollständig skalieren, um die Anforderungen Ihrer Anwendungen zu erfüllen.

  • Ein Modell ist das Ergebnis eines Trainingsprozesses und die Anwendung eines Machine Learning-Algorithmus zum Trainieren von Daten. Der Modellverwaltungsdienst ermöglicht Ihnen die Bereitstellung von Modellen als Webdienste, die Verwaltung verschiedener Versionen der Modelle und die Überwachung der Leistung Ihrer Modelle und der zugehörigen Metriken. Verwaltete Modelle sind Modelle, die bei einem Azure Machine Learning-Modellverwaltungskonto registriert wurden. Ein Beispiel: Stellen Sie sich ein Szenario vor, in dem Sie versuchen, Umsätze zu prognostizieren. Während der Experimentierphase generieren Sie viele Modelle mit verschiedenen Datasets oder Algorithmen. Wenn Sie z.B. vier Modelle mit verschiedenen Genauigkeitswerten generiert haben, können Sie sich dafür entscheiden, nur das Modell mit der höchsten Genauigkeit zu registrieren.

    Jedes Mal, wenn Sie ein neues Modell oder eine neue Version eines vorhandenen Modells registrieren, wird dieses Modell bzw. diese Version als Teil Ihres Plans gezählt. Sie können zu jedem Zeitpunkt über die Maximalanzahl von verwalteten Modellen verfügen, die in den von Ihnen erworbenen Tarifen angegeben sind.

  • Der Modellverwaltungsdienst ermöglicht Ihnen die Bereitstellung von Modellen als gepackte Webdienstcontainer in Azure, die über REST-APIs aufgerufen werden können. Jeder Webdienst wird als einzelne Bereitstellung gezählt, und die Gesamtanzahl ausgeführter aktiver Bereitstellungen wird auf Ihren Plan angerechnet. Sie können zu jedem Zeitpunkt über die Maximalanzahl von Bereitstellungen verfügen, die in dem von Ihnen erworbenen Tarif angegeben sind. Indem Sie beispielsweise im Szenario der Umsatzprognose das Modell mit der besten Leistung bereitstellen, erhöhen Sie Ihren Plan um eine Bereitstellung. Wenn Sie das Modell dann erneut trainieren und bereitstellen, verfügen Sie über zwei Bereitstellungen. Wenn Sie feststellen, dass das neuere Modell besser ist, und das ursprüngliche Modell löschen, wird die Anzahl von Bereitstellungen um eine Bereitstellung gesenkt.

  • Die Azure Machine Learning-Modellverwaltung kann Ihre Bereitstellungen als Docker-Container im Azure Container Service, als Azure Virtual Machines und als lokale Computer ausführen. Weitere Ziele sind für die Zukunft geplant. Beachten Sie, dass verbrauchte Computeressourcen gemäß den jeweiligen Preisen für die Ressourcen separat abgerechnet werden.

  • Der Azure Machine Learning-Modellverwaltungsdienst bietet erweiterte Funktionen zum Optimieren der Bereitstellung in großen Clustern. Sie können maximal so viele Modelle bereitstellen und verwalten, wie Kerne in allen von Ihnen bereitgestellten Computeressourcen vorhanden sind. Wenn Sie z.B. einen Azure Container Service-Cluster mit 2 aus D13-VMs bestehenden Masterknoten (8 Kerne pro Knoten) und 10 aus D13-VMs bestehenden Workerknoten (8 Kerne pro Knoten) bereitgestellt haben, beträgt die Gesamtanzahl an Kernen: (2 × 8) + (10 × 8) = 96.

  • Pro Azure-Abonnement kann nur eine DEV/TEST-Einheit zugeordnet werden, aber es können mehrere S1-, S2- und S3-Einheiten kombiniert werden. Wenn Sie z.B. 25 verwaltete Bereitstellungen benötigen, können Sie 3 Einheiten der S1-Modellverwaltung erwerben.

  • Sie können die Anzahl von Einheiten über das Azure-Verwaltungsportal oder die Befehlszeilenschnittstelle nach oben oder unten anpassen.

  • Das beste Benutzererlebnis erzielen Sie, wenn Sie Modelle bereitstellen, die mit dem Experimentieren-Dienst erstellt wurden. Sie können jedoch auch andere Modelle bereitstellen. Wir unterstützen eine Vielzahl von Modellen (z.B. Spark ML, TensorFlow, CNTK, scikit-learn, Keras), die mit Tools wie beispielsweise Azure Batch AI Training, Microsoft ML Server oder anderen Drittanbietertools erstellt wurden.

  • Die Abrechnung erfolgt täglich. Der Tagesbeginn für die Abrechnung bezieht sich auf Mitternacht UCT-Zeit. Die Abrechnungen werden monatlich generiert. Ein Beispiel: Sie abonnieren den Experimentieren-Dienst für ein Team aus 10 Benutzern. Sie haben auch 3 Einheiten des S1-Modellverwaltungstarifs erworben.

    • Gebühren für das Experimentieren-Konto: (((Arbeitsplätze × Tage) – inbegriffen) × dailyrate)
    • 2 kostenlose Arbeitsplätze × 31 Tage = 62 kostenlos pro Abonnement und Monat inbegriffene seatdays
    • Gebühren für das Modellverwaltungskonto: (Einheiten × Tage × tierdailyrate)

    Für einen aus 30 Tagen bestehenden Abrechnungsmonat gilt Folgendes:

    • Gebühren für das Experimentieren-Konto: (((10 × 30) – 62) × dailyrate)
    • Gebühren für das Modellverwaltungskonto: (3 × 30 × tierdailyrate)

    Beachten Sie, dass für alle in Zusammenhang mit Azure Machine Learning genutzten Azure-Dienste separate Gebühren anfallen, unter anderem für Computing, HDInsight, Azure Container Service, Azure Container Registry, Azure Blob Storage, Application Insights, Azure Key Vault, Visual Studio Team Services, Virtual Network, Azure Event Hub und Azure Stream Analytics.

Weitere Informationen zu Preisen finden Sie in den häufig gestellten Fragen zur Dokumentation.

Ressourcen

Kalkulieren Sie die monatlichen Kosten für Azure-Dienste

Lesen Sie die häufig gestellten Fragen zu den Preisen von Azure

Erfahren Sie mehr über Machine Learning-Dienste

Sehen Sie sich technikbezogene Lernprogramme, Videos und weitere Ressourcen an

Zur Schätzung hinzufügen Für die Anzeige im Rechner „v“ drücken Im Rechner anzeigen

Mit einem Guthaben von $200 lernen und erstellen und von weiteren kostenlosen Produkten profitieren

Kostenloses Konto