Как оплатить Amazon SageMaker из России

Представим, специалист по данным приходит в понедельник с бизнес-задачей — построить модель прогнозирования оттока клиентов. Ему нужен блокнот Jupyter с графическим процессором для экспериментов, потом инфраструктура для обучения модели на всём наборе данных, потом точка подключения для получения предсказаний из боевого приложения. Собирать это на голом EC2, Docker и IAM — недели работы. Amazon SageMaker берёт на себя всю инфраструктурную часть жизненного цикла машинного обучения: подготовку данных, обучение, подбор гиперпараметров, развёртывание модели, мониторинг, автоматизацию рабочих процессов машинного обучения (MLOps). Разработчик пишет блокнот, SageMaker разворачивает и убирает вычислительные ресурсы. Оплата — по фактическому использованию каждого компонента. Российской команде в 2026 году сервис доступен только через иностранный AWS-аккаунт и иностранную карту с подходящим BIN. Работающий вариант — карта для оплаты Amazon SageMaker с иностранным BIN и пополнением рублями через СБП.

Разбор ключевых компонентов SageMaker

• SageMaker Studio. Веб-среда разработки для машинного обучения (Jupyter, редактор кода, терминал, ведение экспериментов). Плата — за часы работы виртуальных машин под блокнотами и приложениями, запущенными внутри Studio.
• SageMaker Notebook Instances. Отдельные управляемые Jupyter (устаревающий вариант). Блокнот работает 24/7, если не выключить — платите даже за простой. Хорошая практика — автоотключение при бездействии.
• Задания на обучение SageMaker. Обучение моделей на выделенной мощности: указываете набор данных, алгоритм, тип виртуальной машины, число. AWS запускает задание, обучает, останавливает. Плата — за часы обучения.
• Подбор гиперпараметров SageMaker. Автоматическая оптимизация гиперпараметров через байесовский или случайный поиск. Запускает много параллельных заданий; платите за все.
• Точки подключения для получения предсказаний в реальном времени. Работают 24/7 — платите за часы работы независимо от объёма запросов. Автомасштабирование доступно.
• Бессерверное получение предсказаний. Автомасштабирование до нуля — платите только за фактические запросы. Хорошо для нерегулярного трафика.
• SageMaker Batch Transform. Пакетное получение предсказаний на большом наборе данных без точки подключения на 24/7. Плата — за часы работы пакета.
• SageMaker Ground Truth. Разметка данных с участием людей в рабочих процессах. Плата — за размеченные объекты.
• SageMaker Feature Store. Управляемое хранилище признаков для машинного обучения. Плата — за хранение и чтения.
• SageMaker Model Monitor. Мониторинг сдвига данных и качества предсказаний в боевой среде. Плата — за инфраструктуру мониторинга.
• SageMaker Pipelines и Projects. Оркестрация рабочих процессов машинного обучения (конвейеры непрерывной доставки для моделей). Бесплатны как API; платите за используемые ресурсы.

Три сценария использования

Сценарий А. Одинокий специалист по данным, эксперименты и обучение маленьких моделей. SageMaker Studio с блокнотом на ml.t3.medium (2 виртуальных ядра, 4 гигабайта памяти) — около 0,04–0,05 доллара в час, автоотключение при простое. Использование 8 часов в день × 22 дня = около 176 часов в месяц × 0,05 = около 9 долларов в месяц. Плюс изредка ml.g4dn.xlarge для обучения на графическом процессоре (около 0,75 доллара в час × 20 часов = 15 долларов). Итого: около 25 долларов в месяц.

Сценарий B. Команда машинного обучения с моделями в боевой среде. Studio с несколькими пользователями (около 50 долларов в месяц за блокноты) + задания на обучение (около 500 долларов в месяц) + 1 точка подключения в реальном времени на ml.m5.large (около 100 долларов в месяц) + хранилище признаков (около 50 долларов в месяц). Итого: около 700 долларов в месяц.

Сценарий C. Крупная платформа машинного обучения с большими базовыми моделями. Studio для 20 и больше специалистов по данным (около 500 долларов в месяц) + обучение на ml.p4de для дообучения больших моделей (5000 долларов и выше в месяц) + несколько точек подключения (1000 и выше долларов в месяц) + полный стек автоматизации рабочих процессов машинного обучения. Итого: 10 000 и выше долларов в месяц.

Как это работает для российской команды

С весны 2022 года AWS приостановил регистрацию новых аккаунтов из России и прекратил работу с подсанкционными юрлицами. Действующие аккаунты продолжают функционировать при условии прохождения платежей с зарубежных карт; новые аккаунты регистрируются с использованием зарубежных платежных данных и адресов.

Пошаговый порядок оплаты

1. Оформите иностранную виртуальную карту при помощи сервиса «Плати по всему миру»: регистрация, выпуск за пару минут, пополнение рублями через СБП картой любого банка России.
2. Заведите новый AWS-аккаунт или используйте существующий с иностранным адресом плательщика. Адрес — под BIN и почтовый индекс карты; шаблонный адрес, выверенный под проверку адреса, даёт поддержка сервиса.
3. Привяжите иностранную карту в разделе Billing → Payment Methods.
4. Настройте домен SageMaker в консоли AWS: SageMaker → Domains → Create domain. Указываете виртуальную сеть, роль доступа, аутентификацию (IAM или IAM Identity Center).
5. Создайте профиль пользователя для специалиста по данным. Он получит доступ к SageMaker Studio.
6. В SageMaker Studio: запускайте блокноты, задания на обучение, точки подключения через веб-интерфейс или через набор разработчика на Python.
7. Настройте разрешения доступа: разные роли для специалистов по данным (доступ к данным для обучения), инженеров машинного обучения (развёртывание точек подключения), администраторов платформы (контроль расходов).
8. Отслеживайте расходы через панель SageMaker Studio и CloudWatch.
9. Оптимизируйте: автоотключение блокнотов при простое, спотовые виртуальные машины для обучения (скидка до 90%), бессерверное получение предсказаний для нерегулярного трафика.
10. Пополняйте карту заранее — AWS выставляет счёт в начале следующего месяца.

Три сценария оптимизации бюджета

Сценарий А. Автоотключение блокнотов. Крупная категория неожиданных расходов — блокноты, забытые включёнными на ночь и выходные. Установите автоотключение после 30–60 минут простоя (Lifecycle Configuration в SageMaker Studio). Экономия для команды из 5 специалистов по данным — от нескольких сотен долларов в месяц.

Сценарий B. Спотовые виртуальные машины для обучения. Задания на обучение в режиме Managed Spot Training — скидка до 90% от обычной цены. AWS может забрать мощность, но SageMaker ставит контрольные точки и восстанавливает задание автоматически. Для длинных заданий обучения экономия существенная.

Сценарий C. Бессерверное получение предсказаний или многомодельные точки подключения. Точки подключения в реальном времени с простоем 24/7 — большая статья расходов. Альтернатива для нерегулярного трафика — бессерверное получение предсказаний (масштабирование до нуля). Для нескольких моделей — многомодельная точка подключения (одна виртуальная машина обслуживает несколько моделей), экономия по сравнению с отдельными точками.

Итог

Amazon SageMaker — платформа машинного обучения AWS полного цикла с богатым набором компонентов на все этапы (подготовка данных, обучение, развёртывание, мониторинг). Из России в 2026 году доступ открыт только через иностранный AWS-аккаунт и иностранную карту. Ключ к экономии — автоотключение блокнотов при простое, Managed Spot Training для длинных заданий, бессерверное получение предсказаний для нерегулярного трафика, многомодельные точки подключения для нескольких моделей на одной машине. Начинайте с малых экспериментов в Studio; рост в боевую среду — постепенно, с оптимизацией на каждом этапе. Для маленьких проектов SageMaker может быть избыточен — Google Colab плюс локальное получение предсказаний часто достаточно.

Материал носит информационный характер. Условия сервисов, тарифы и региональная доступность могут меняться — перед оплатой сверьтесь с актуальной информацией на официальных ресурсах сервисов.