Recensione · Intelligenza Artificiale

Amazon SageMaker Canvas: cos'è, come funziona e quanto costa

Cristian CurròPubblicato il 10 min di lettura
Amazon SageMaker Canvas
No-Code · Machine learning, Analisi dati, AWS · Consumo, Free tier · Dal 2021Visita il sito di Amazon SageMaker Canvas
In questa pagina
  1. SageMaker Canvas in breve
  2. Cos'è Amazon SageMaker Canvas e a chi serve?
  3. Cosa puoi costruire con SageMaker Canvas?
  4. Come funziona SageMaker Canvas, dai dati alle previsioni?
  5. Quanto costa SageMaker Canvas nel 2026?
  6. Quali sono i pro e i contro di SageMaker Canvas?
  7. SageMaker Canvas tiene i dati in Europa ed è adatto al GDPR?
  8. Quali sono le alternative a SageMaker Canvas?
  9. Domande frequenti su SageMaker Canvas
  10. Fonti e data di verifica

Amazon SageMaker Canvas è l'interfaccia visuale di AWS per preparare dati, addestrare e valutare modelli di machine learning e generare previsioni senza scrivere codice. Non ha un canone: si paga a consumo, a partire dalla sessione di lavoro, che costa 1,90 $ l'ora secondo la pagina prezzi ufficiale. A questa voce si sommano storage, elaborazione dei dati, addestramento e previsioni.

SageMaker Canvas in breve

  • Cosa fa: importa e prepara dati, addestra modelli su tabelle, serie temporali, immagini e testi, mostra metriche e produce previsioni in blocco o tramite un endpoint.
  • Per chi è: analisti e team già su AWS che vogliono arrivare a un modello senza programmare, con la possibilità di passare il lavoro a un data scientist.
  • Da sapere: "no-code" descrive l'interfaccia, non la gestione. Dominio SageMaker, profili utente, ruoli IAM e controllo della spesa restano lavoro da amministratore AWS.

Cos'è Amazon SageMaker Canvas e a chi serve?

SageMaker Canvas fa parte di Amazon SageMaker AI ed è stato annunciato da AWS il 30 novembre 2021. È pensato per chi conosce il problema e i dati aziendali, ma non vuole scrivere la pipeline di machine learning: si collega una fonte, si sceglie cosa prevedere, si avvia l'addestramento e si leggono i risultati. È una delle forme più specialistiche di sviluppo no-code: l'interfaccia toglie il codice, non la necessità di capire dati e metriche.

È adatto a organizzazioni che usano già Amazon S3, Athena, Redshift, Aurora o RDS. Le FAQ ufficiali citano anche fonti esterne come Snowflake, Databricks, Salesforce Data Cloud e più di 40 piattaforme SaaS. I modelli costruiti con Standard Build si possono condividere con gli utenti di SageMaker Studio, che possono rimandare in Canvas una versione migliorata.

È meno adatto a chi cerca una prova immediata. Prima del primo accesso un amministratore deve creare un dominio SageMaker, i profili utente e i ruoli con i permessi su dati e servizi. Un esempio concreto: un'azienda di distribuzione che vuole prevedere i ritardi di consegna da un export del gestionale ha bisogno, prima ancora del modello, di qualcuno che configuri l'account AWS e decida chi può vedere quei dati.

Cosa puoi costruire con SageMaker Canvas?

I modelli personalizzati coprono sei tipi di problema, secondo la documentazione:

  • classificazione binaria: stimare se un cliente rinnoverà il contratto o no;
  • classificazione a più categorie: assegnare una pratica a una tra tre o più classi;
  • regressione: prevedere un valore numerico, per esempio i giorni di consegna;
  • serie temporali: prevedere domanda o vendite nelle prossime settimane;
  • immagini: classificare foto con una sola etichetta, per esempio pezzo conforme o difettoso;
  • testo: classificare documenti in più categorie, per esempio i ticket di assistenza.

Oltre ai modelli addestrati sui propri dati, Canvas offre modelli pronti basati su Amazon Rekognition, Amazon Textract e Amazon Comprehend (immagini, documenti e testo) e una chat con modelli di base di Amazon Bedrock e SageMaker JumpStart per generare contenuti, estrarre informazioni e riassumere documenti.

Un modello non diventa affidabile perché costruito con un'interfaccia visuale. Servono un obiettivo misurabile, dati rappresentativi, una metrica coerente con il rischio e un controllo sugli errori. Prevedere un ritardo logistico e decidere qualcosa su una persona non richiedono lo stesso livello di supervisione.

Pagina ufficiale di Amazon SageMaker Canvas dedicata al machine learning no-code
La pagina di SageMaker Canvas presenta preparazione dei dati, addestramento e previsioni in un'unica interfaccia. · Screenshot: aws.amazon.com

Come funziona SageMaker Canvas, dai dati alle previsioni?

Il percorso di un modello personalizzato ha cinque passaggi.

  1. Importazione: i dati arrivano da file o dai servizi collegati.
  2. Preparazione: le FAQ dichiarano oltre 300 trasformazioni già pronte per pulire, unire e modificare i dati. Fino a 5 GB l'elaborazione avviene nell'applicazione; oltre, Canvas avvia un job remoto su EMR Serverless o SageMaker Processing. I job di Processing si possono anche pianificare per elaborare i dati nuovi a intervalli regolari.
  3. Addestramento: Preview dà in circa 2 minuti una stima di accuratezza e dell'importanza delle colonne; Quick Build produce un modello in un tempo tra 2 e 20 minuti circa; Standard Build può durare ore, addestra più modelli con combinazioni diverse di iperparametri e sceglie il migliore.
  4. Valutazione: metriche e impatto di ogni colonna, anche sulla singola previsione, aiutano a capire perché il modello risponde in un certo modo.
  5. Previsioni: si carica un file CSV, JPEG o PNG e Canvas restituisce un file con i risultati, anche in automatico quando il dataset viene aggiornato. In alternativa il modello si pubblica su un endpoint di SageMaker per richieste in tempo reale.

Amazon Q Developer aggiunge una chat in linguaggio naturale: da lì si possono avviare preparazione dei dati, addestramento, previsioni e distribuzione, e l'assistente suggerisce i passaggi successivi. La documentazione dice che in Canvas non ha costi aggiuntivi, sia nel livello gratuito sia in quello Pro di Q Developer, mentre restano a pagamento la sessione e le risorse usate per addestrare e distribuire.

Per i modelli tabellari (Quick Build e Standard Build) e per i modelli di base personalizzati, Canvas genera un notebook Jupyter con il codice Python dei passaggi di costruzione, da scaricare o eseguire in SageMaker Studio Classic. Non esiste per modelli di immagini, testo e serie temporali. I dati trasformati si esportano su Amazon S3 in CSV o Parquet e i modelli si registrano nel SageMaker Model Registry.

Quanto costa SageMaker Canvas nel 2026?

Il costo non è un piano mensile: la fattura combina voci diverse, ciascuna con la sua tariffa.

Voce Come viene addebitata Indicazione ufficiale
Sessione Canvas Ore in cui l'applicazione è aperta 1,90 $/ora
Storage dello spazio Volume EBS gp3 da 100 GB creato al primo avvio Si paga finché esiste lo spazio, anche ad applicazione ferma
Preparazione dati Risorse usate Fino a 5 GB senza costi aggiuntivi; oltre, tariffe di EMR Serverless o SageMaker Processing
Addestramento tabellare Istanze di SageMaker Training Stime AWS per Standard Build: da 2,3 a 9,2 $ sotto i 100 MB, da 13,8 a 18,8 $ tra 1 e 5 GB
Addestramento immagini e testo Ore di addestramento Da 2,03 a 4,89 $ l'ora
Previsioni in blocco Risorse usate Tabellari fino a 5 GB senza costi; oltre, EMR Serverless e Batch Transform
Previsioni in tempo reale Endpoint attivo Tariffe orarie di SageMaker Hosting per l'istanza scelta
Modelli pronti e generativi Servizio sottostante Token di Bedrock, ore di istanza JumpStart, tariffe di Rekognition, Comprehend e Textract

Prezzi verificati il 9 novembre 2026, in dollari e senza IVA. Il free tier dura due mesi e copre fino a 160 ore di sessione al mese; Rekognition, Comprehend, Textract e Bedrock hanno soglie gratuite proprie, che variano da servizio a servizio.

Struttura dei prezzi a consumo di Amazon SageMaker Canvas
La spesa di Canvas nasce da più voci a consumo, non da un solo abbonamento. · Screenshot: aws.amazon.com

La voce più facile da dimenticare è la sessione: si paga dall'avvio dell'applicazione finché l'utente non esce o un amministratore la chiude. Le FAQ indicano che un amministratore può chiudere le sessioni degli utenti in modo programmato, a orari fissi o dopo un periodo di inattività. Il volume da 100 GB, invece, continua a costare anche a Canvas fermo e smette solo quando si elimina il profilo utente a cui appartiene lo spazio.

Il conto della sola sessione è semplice: 40 ore al mese, dopo il free tier, sono 76 $. Le altre voci dipendono da dimensione dei dati, tipo di modello e regione. Per seguirle conviene usare i tag di allocazione dei costi su dominio e profili, sapendo che la documentazione avverte che non arrivano da soli allo spazio e al suo volume: vanno aggiunti con l'API AddTags. Un endpoint in tempo reale si paga finché resta attivo, quindi va spento quando non serve.

Quali sono i pro e i contro di SageMaker Canvas?

Pro

  • Ciclo completo: preparazione, addestramento, valutazione e previsioni nello stesso prodotto.
  • Integrazione con AWS: accessi, storage e distribuzione seguono l'architettura cloud già in uso.
  • Spiegabilità: l'impatto delle colonne, anche sulla singola previsione, aiuta a capire il modello.
  • Passaggio a uno specialista: notebook, Model Registry e condivisione con SageMaker Studio evitano che il prototipo resti una scatola chiusa.
  • Esportazione dei dati: i dataset trasformati si salvano su S3 in CSV o Parquet.

Contro

  • Costo difficile da prevedere: sessione, storage, addestramento, endpoint e servizi collegati sono voci distinte, in dollari.
  • Amministrazione AWS necessaria: dominio, profili, ruoli IAM e chiavi di cifratura non sono attività da utente occasionale.
  • Interfaccia non equivale a competenza: dati sbagliati o una metrica scelta male producono modelli inutili anche senza errori tecnici.
  • Dipendenza dall'ecosistema: notebook ed export aiutano, ma distribuzione e controllo dei modelli restano legati ad AWS.
  • Italiano solo nella documentazione: le guide hanno una versione italiana tradotta in automatico, e in caso di dubbio fa fede l'inglese; le pagine consultate non indicano un'interfaccia in italiano.

SageMaker Canvas tiene i dati in Europa ed è adatto al GDPR?

Canvas è disponibile nelle regioni europee di Francoforte e Irlanda secondo le FAQ; la documentazione aggiunge Londra, Parigi e Stoccolma. Le due pagine ufficiali non coincidono, quindi la disponibilità nella regione scelta è da verificare nella console. Scegliere una regione dell'UE colloca dataset e modelli in Europa, ma ogni servizio collegato va controllato a parte.

Il caso più importante è Amazon Q Developer: la documentazione avverte che, se lo si usa da fuori degli Stati Uniti, elabora i dati in regioni statunitensi, e che le domande generiche su AWS passano dalla regione Virginia del Nord, salvo disattivare l'opzione. Per dati personali è un punto da valutare prima di usare la chat. Sui modelli di base, le FAQ dicono che i dati del cliente non servono a migliorare i modelli e non vengono condivisi con fornitori terzi.

AWS applica il modello di responsabilità condivisa: protegge l'infrastruttura, mentre il cliente controlla i contenuti e la configurazione di sicurezza dei servizi che usa. Canvas supporta chiavi gestite dal cliente in AWS KMS per cifrare dataset e modelli. Il Data Processing Addendum di AWS fa parte delle condizioni di servizio e si applica in automatico a tutti i clienti, senza firma separata; la conformità del singolo progetto resta comunque a carico dell'azienda. Per modelli che riguardano persone servono base giuridica, minimizzazione dei dati, tempi di conservazione e, se il rischio è alto, una valutazione d'impatto.

Quali sono le alternative a SageMaker Canvas?

Nessuna delle alternative copre lo stesso ciclo di addestramento dentro AWS; ognuna risolve una parte del problema. Altre piattaforme di AI sono nel catalogo degli strumenti di intelligenza artificiale, e la sezione No-code raccoglie guide e recensioni sul metodo.

  • Alteryx: workflow visuali enterprise per preparare dati e produrre analisi, con funzioni AI; utile quando il problema è soprattutto la preparazione ripetibile dei dati.
  • Parabola: agenti AI per automatizzare riconciliazioni, controlli e report; non addestra modelli di previsione.
  • Dify: costruisce applicazioni e flussi con modelli linguistici, più adatto all'AI generativa che ai modelli su tabelle.
  • Flowise: editor open source per flussi con LLM e agenti, con più controllo tecnico.
  • n8n: collega servizi e API, anche AI, ma non sostituisce un ambiente di addestramento.

Canvas resta la scelta più coerente quando dati e infrastruttura sono già su AWS e serve un modello di previsione da tenere sotto controllo.

Domande frequenti su SageMaker Canvas

SageMaker Canvas è davvero no-code?

Sì, dati, modelli e previsioni si gestiscono senza scrivere codice. Configurazione AWS, qualità dei dati, scelta delle metriche e sicurezza richiedono comunque competenza.

Quanto costa SageMaker Canvas?

La sessione costa 1,90 $ l'ora, ma non è il costo totale: si aggiungono il volume di storage, l'elaborazione oltre i 5 GB, l'addestramento, gli endpoint e i servizi AI usati.

Esiste un piano gratuito?

Esiste un free tier di due mesi con fino a 160 ore di sessione al mese. Le altre risorse hanno tariffe e soglie gratuite separate.

Quanto tempo serve per addestrare un modello?

Secondo le FAQ, Quick Build richiede da 2 a 20 minuti circa, mentre Standard Build può durare ore in base alla dimensione del dataset. Preview dà una stima in circa 2 minuti.

Posso esportare dati e modelli?

I dati trasformati si esportano su S3 in CSV o Parquet. Per i modelli tabellari si scarica un notebook con il codice Python dei passaggi, e i modelli si registrano nel Model Registry. La portabilità di un sistema già in produzione va progettata, non presunta.

SageMaker Canvas è disponibile in italiano?

La documentazione ha una versione italiana tradotta in automatico, con l'inglese che fa fede in caso di differenze. Le pagine ufficiali consultate non indicano un'interfaccia dell'applicazione in italiano.

Fonti e data di verifica

Fonti ufficiali consultate il 9 novembre 2026. Gli esempi sono scenari d'uso, non risultati di test diretti.

Scritto daCristian Currò

Cristian Currò è il fondatore di EC Tech Solutions, agenzia di sviluppo no-code specializzata in Bubble, e ha creato nocodeitalia.it nel 2020.

La newsletter di nocodeitalia.it

Novità su AI, agenti, automazioni, vibe coding e strumenti no-code, selezionate e spiegate in italiano.

Newsletter in arrivo.