All Products
Search

This Product

    Platform For AI:Penagihan Machine Learning Designer

    Document Center

    Platform For AI:Penagihan Machine Learning Designer

    Last Updated:Mar 17, 2026

    Topik ini menjelaskan metode penagihan dan memberikan contoh penagihan untuk Machine Learning Designer.

    Deskripsi penagihan

    Saat menggunakan komponen algoritma Machine Learning Designer, Anda mungkin dikenai biaya untuk komponen algoritma PAI, PAI-DLC, atau MaxCompute. Topik ini menggunakan biaya komponen algoritma PAI sebagai contoh. Untuk informasi lebih lanjut mengenai biaya lainnya, lihat penagihan DLC dan penagihan MaxCompute. Semua harga dalam topik ini hanya untuk referensi. Harga aktual tercantum pada tagihan Anda.

    Item yang dapat ditagih

    image

    Billable item

    Billed item

    Billing method

    Stop billing

    Billing rule

    CU usage

    Component runtime

    Pay-as-you-go

    Stop the component.

    Konsumsi resource dari komponen yang sedang berjalan dikonversi menjadi jam yang dapat ditagih. Anda dikenai biaya berdasarkan jam yang dapat ditagih tersebut dengan metode bayar sesuai penggunaan.

    Metode penagihan

    Saat menggunakan komponen algoritma Machine Learning Designer, harga satuan bervariasi berdasarkan jenis algoritma. Penagihan dihitung sebagai berikut:

    • Rumus penagihan: Jumlah tagihan = Jumlah jam yang dapat ditagih × Harga satuan

      Jumlah jam yang dapat ditagih = max(Jumlah core CPU × Durasi (jam), Memori (GB) × Durasi (jam) / 4)

    • Durasi penagihan: Durasi penagihan dimulai saat komponen mulai berjalan dan berakhir saat komponen dihentikan.

    • Contoh penagihan: Misalnya, Anda menggunakan algoritma analitik data yang mengonsumsi 2 core CPU dan 5 GB memori selama 1 jam 30 menit. Jumlah jam yang dapat ditagih dihitung sebagai berikut: max(2 × (1 + 30/60), 5 × (1 + 30/60) / 4) = 3. Jumlah tagihan dihitung sebagai berikut: Jumlah tagihan = Jumlah jam yang dapat ditagih × Harga satuan = 3 × 0,21 = 0,63 USD. Harga satuan untuk berbagai jenis algoritma tercantum dalam tabel berikut:

      Algorithm type

      Unit price (USD/billable hour)

      Algorithm type description

      Data pre-processing (data_manipulation)

      0,16

      Mencakup komponen algoritma pra-pemrosesan data dan rekayasa fitur.

      Data analytics (data_analysis)

      0,21

      Mencakup komponen algoritma analisis statistik, pembelajaran mesin, deret waktu, analisis jaringan, dan keuangan. Algoritma umum termasuk binning dan swing_rec_ext.

      Text analytics (text_analysis)

      0,27

      Mencakup komponen algoritma analitik teks.

      Deep learning algorithm (deep_learning)

      0,16

      Komponen pembelajaran mendalam seperti versi CPU framework TensorFlow dan algoritma seri EasyRec.

      Catatan

      • Jika Anda mengaktifkan MaxCompute saat mengaktifkan PAI, Anda akan dikenai biaya untuk resource MaxCompute saat menggunakan komponen SQL Script, Join, Union, dan Filtering and Mapping. Untuk informasi lebih lanjut, lihat penagihan MaxCompute.

      • Jika Anda mengaktifkan Flink saat mengaktifkan PAI dan memilih Flink sebagai resource komputasi, Anda akan dikenai biaya untuk resource Flink saat menggunakan komponen Alink. Untuk informasi lebih lanjut, lihat penagihan Flink.

    Contoh penagihan

    Umumnya, sebuah eksperimen di Machine Learning Designer terdiri dari beberapa komponen algoritma, dan setiap komponen algoritma terdiri dari beberapa subtask. Oleh karena itu, untuk menghitung biaya suatu eksperimen, Anda harus terlebih dahulu menghitung biaya subtask untuk setiap komponen algoritma, lalu menjumlahkan biaya tersebut untuk mendapatkan total biaya.

    1. Identifikasi kategori komponen algoritma.

      1. Masuk ke Konsol PAI.

      2. Di pojok kiri atas, pilih Wilayah.

      3. Di panel navigasi kiri, klik Workspaces. Pada halaman yang muncul, klik nama ruang kerja target.

      4. Di panel navigasi kiri, pilih Model Development and Training > Machine Learning Designer.

      5. Pada halaman Workflows, pilih alur kerja target dan klik Go to Workflow.

      6. Di daftar komponen, temukan komponen PLDA. Komponen ini termasuk dalam kategori text analytics dan dikenai biaya sebesar 0,27 USD per jam yang dapat ditagih.

        Component category

    2. Lihat resource yang dikonsumsi oleh pekerjaan.

      1. Pada kanvas eksperimen, klik kanan komponen PLDA.

      2. Dari menu pintasan, pilih View Log.

      3. Pada halaman Log-PLDA, setiap tautan biru mewakili satu subtask. Anda dapat mengklik tautan tersebut.

        View log

      4. Pada halaman LogView, klik tab SourceXML.

      5. Di bawah TaskPlan, lihat CPU dan Memory.View resources

        • Bagi nilai CPU dengan 100 untuk menghitung jumlah core CPU yang digunakan. Pekerjaan ini menggunakan 1 core CPU.

        • Satuan Memory adalah MB. Pekerjaan ini menggunakan memori sebesar 1 GB.

      6. Pada halaman LogView, klik tab Job Details.

      7. Klik objek task pada tab AlgoTask_0_0. Pada kotak dialog yang muncul, klik tab Terminated. Latensi menunjukkan waktu proses setiap pekerjaan.任务详情

        Subtask ini memiliki 49 pekerjaan, dan setiap pekerjaan berjalan sekitar 26 detik.

    3. Hitung biaya subtask.

      1. Jumlah jam yang dapat ditagih untuk subtask = max(Jumlah core CPU × Durasi (jam), Memori (GB) × Durasi (jam) / 4) = max(49 × 1 × (26/3600), 49 × 1 × (26/3600) / 4) ≈ 0,35 jam yang dapat ditagih

      2. Biaya subtask = Jumlah jam yang dapat ditagih untuk subtask × Harga satuan = 0,35 × 0,27 = 0,095 USD

    4. Hitung biaya semua subtask dalam komponen PLDA dan jumlahkan untuk mendapatkan total biaya komponen PLDA.

    5. Ulangi langkah-langkah di atas untuk menghitung biaya semua komponen dalam eksperimen dan jumlahkan untuk mendapatkan total biaya eksperimen.