Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
SageMaker JumpStart Amazon-Branche: Finanziell
Nutzen Sie SageMaker JumpStart Industry: Financial Solutions, Modelle und Beispiel-Notizbücher, um sich anhand von kuratierten Lösungen, Modellen und Beispielnotizbüchern zu branchenspezifischen Problemen des maschinellen Lernens (ML) über SageMaker KI-Funktionen und -Funktionen zu informieren. In den Notizbüchern wird auch erklärt, wie das SageMaker JumpStart Industry Python SDK verwendet werden kann, um branchenspezifische Textdaten zu verbessern und vortrainierte Modelle zu optimieren.
Themen
Python-SDK von Amazon Industry SageMaker JumpStart
SageMaker Runtime JumpStart bietet über seine Clientbibliothek namens SageMaker JumpStart Industry Python SDK Verarbeitungstools zum Kuratieren von Branchendatensätzen und zur Feinabstimmung vortrainierter Modelle. Eine ausführliche API-Dokumentation des SDK und weitere Informationen zur Verarbeitung und Erweiterung von Branchen-Textdatensätzen zur Verbesserung der Leistung von Modellen auf SageMaker JumpStart dem neuesten Stand der Technik finden Sie in der Open-Source-Dokumentation zum SageMaker JumpStart Industry Python SDK.
Amazon SageMaker JumpStart Industry: Finanzielle Lösung
SageMaker JumpStart Branche: Financial bietet die folgenden Lösungsnotizbücher an:
-
Prognose der Kreditwürdigkeit von Unternehmen
Diese Lösung für SageMaker JumpStart Branchen: Finanzen bietet eine Vorlage für ein textgestütztes Ratingmodell für Unternehmen. Sie zeigt, wie ein auf numerischen Merkmalen basierendes Modell (in diesem Fall die berühmten 5 Finanzkennzahlen von Altman) mit Texten aus Unterlagen der Börsenaufsicht kombiniert werden kann, um die Vorhersage von Kreditratings zu verbessern. Zusätzlich zu den 5 Altman-Verhältnissen können Sie bei Bedarf weitere Variablen hinzufügen oder benutzerdefinierte Variablen festlegen. Dieses Lösungsnotizbuch zeigt, wie das SageMaker JumpStart Industry Python SDK dabei hilft, die Bewertung von Texten aus SEC-Einreichungen mithilfe natürlicher Sprachverarbeitung (Natural Language Processing) zu verarbeiten. Darüber hinaus zeigt die Lösung, wie ein Modell mithilfe des erweiterten Datensatzes trainiert wird, um ein erstklassiges Modell zu erhalten, das Modell für die Produktion an einem SageMaker KI-Endpunkt bereitzustellen und verbesserte Vorhersagen in Echtzeit zu erhalten.
-
Graph-Based Bewertung der Kreditwürdigkeit
Kreditratings werden traditionell anhand von Modellen generiert, die Jahresabschlussdaten und Marktdaten verwenden, die nur tabellarisch (numerisch und kategorisch) sind. Diese Lösung baut anhand von Unterlagen der SEC
Anmerkung
Die Lösungs-Notebooks dienen nur zu Demonstrationszwecken. Sie sollten sich nicht als Finanz- oder Anlageberatung heranziehen.
Sie finden diese Finanzdienstleistungslösungen auf der SageMaker JumpStart Seite in Studio Classic.
Anmerkung
Ab dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis nun Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich konkret auf die Verwendung der Studio-Classic-Anwendung. Informationen zur Verwendung der aktualisierten Studio-Konfiguration finden Sie unter Amazon Studio SageMaker.
Studio Classic wird weiterhin für bestehende Workloads beibehalten, ist jedoch nicht mehr für das Onboarding verfügbar. Sie können nur bestehende Studio Classic-Anwendungen beenden oder löschen und keine neuen erstellen. Wir empfehlen Ihnen, Ihre Arbeitslast auf das neue Studio-Erlebnis zu migrieren.
Anmerkung
Die SageMaker JumpStart Branche: Finanzlösungen, Modellkarten und Beispiel-Notebooks werden nur über SageMaker Studio Classic gehostet und können dort ausgeführt werden. Melden Sie sich bei der SageMaker AI-Konsole
Amazon SageMaker JumpStart Industry: Finanzmodelle
SageMaker JumpStart Branche: Financial bietet die folgenden vortrainierten Modelle für den Robustly Optimized BERT Approach (RobertA) an:
-
Einbettung von Finanztexten () RoBERTa-SEC-Base
-
RoBERTa-SEC-WIKI-Base
-
RoBERTa-SEC-Large
-
RoBERTa-SEC-WIKI-Large
Bei den RoBERTa-SEC-Large Modellen RoBERTa-SEC-Base und handelt es sich um Texteinbettungsmodelle, die auf dem Roberta-Modell von GluonNLP basieren
Sie finden diese Modelle in, SageMaker JumpStart indem Sie zum Knoten „Textmodelle“ navigieren, „Alle Textmodelle durchsuchen“ auswählen und dann nach der ML-Aufgabe „Texteinbettung“ filtern. Sie können auf alle entsprechenden Notebooks zugreifen, nachdem Sie das Modell Ihrer Wahl ausgewählt haben. In den zugehörigen Notizbüchern erfahren Sie, wie die vortrainierten Modelle für bestimmte Klassifizierungsaufgaben an multimodalen Datensätzen, die durch das Industry Python SDK erweitert werden, optimiert werden können. SageMaker JumpStart
Anmerkung
Die Modell-Notebooks dienen nur zu Demonstrationszwecken. Sie sollten sich nicht als Finanz- oder Anlageberatung heranziehen.
Der folgende Screenshot zeigt die vortrainierten Modellkarten, die über die KI-Seite in Studio Classic bereitgestellt werden. SageMaker JumpStart
Anmerkung
Die SageMaker JumpStart Branche: Finanzlösungen, Modellkarten und Beispiel-Notebooks werden nur über Studio Classic gehostet und können dort ausgeführt werden. SageMaker Melden Sie sich bei der SageMaker AI-Konsole
Amazon SageMaker JumpStart Industry: Notizbücher mit finanziellen Beispielen
SageMaker JumpStart Branche: Financial stellt die folgenden Beispiel-Notebooks zur Verfügung, um Lösungen für branchenspezifische ML-Probleme zu demonstrieren:
-
Konstruktion von TabText Finanzdaten — In diesem Beispiel wird vorgestellt, wie das SageMaker JumpStart Industry Python SDK für die Verarbeitung der SEC-Unterlagen verwendet wird, z. B. für Textzusammenfassungen und Bewertungstexte auf der Grundlage von NLP-Scoretypen und den entsprechenden Wortlisten. Eine Vorschau des Inhalts dieses Notebooks finden Sie unter Einfache Erstellung eines multimodalen Datensatzes aus SEC-Unterlagenund NLP-Ergebnissen
. -
Multimodales ML auf TabText Daten — Dieses Beispiel zeigt, wie verschiedene Arten von Datensätzen in einem einzigen Datenrahmen namens Multimodales ML zusammengeführt und multimodales ML durchgeführt wird. TabText Eine Vorschau des Inhalts dieses Notizbuches finden Sie unter Maschinelles Lernen auf einem TabText Datenrahmen — Ein Beispiel, das auf dem Paycheck Protection Program basiert.
-
Multi-category ML mit Daten aus SEC-Einreichungen — Dieses Beispiel zeigt, wie ein AutoGluon NLP-Modell anhand der multimodalen (TabText) Datensätze trainiert wird, die aus SEC-Einreichungen für eine Klassifizierungsaufgabe mit mehreren Klassen zusammengestellt wurden. Klassifizieren Sie 10K/Q SEC-Einreichungen anhand der MDNA-Textspalte nach Branchencodes.
Anmerkung
Die Beispiel-Notebooks dienen nur zu Demonstrationszwecken. Sie sollten sich nicht als Finanz- oder Anlageberatung heranziehen.
Anmerkung
Die SageMaker JumpStart Branche: Finanzlösungen, Modellkarten und Beispiel-Notebooks werden nur über Studio Classic gehostet und können dort ausgeführt werden. SageMaker Melden Sie sich bei der SageMaker AI-Konsole
Eine Vorschau des Inhalts der Beispiel-Notizbücher finden Sie unter Tutorials — Python SDK-Dokumentation zum Finance
Amazon SageMaker JumpStart Industry: Blogbeiträge zum Thema Finanzen
Eine ausführliche Beschreibung der Verwendung von SageMaker JumpStart Industry: Financial Solutions, Models, Examples und dem SDK finden Sie in den folgenden Blogbeiträgen:
Amazon SageMaker JumpStart Industry: Finanzielle Forschung
Forschungsarbeiten zum Thema SageMaker JumpStart Industrie: Finanzlösungen finden Sie in den folgenden Veröffentlichungen:
Amazon SageMaker JumpStart Industry: Zusätzliche finanzielle Ressourcen
Weitere Dokumentation und Tutorials finden Sie in den folgenden Ressourcen:
