Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.
Plantillas de solución
importante
A partir del 30 de noviembre de 2023, la experiencia anterior de Amazon SageMaker Studio pasa a denominarse Amazon SageMaker Studio Classic. La siguiente sección trata específicamente sobre el uso de la aplicación Studio Classic. Para obtener información sobre el uso de la experiencia de Studio actualizada, consulteAmazon SageMaker Studio.
nota
JumpStart Las soluciones solo están disponibles en Studio Classic.
SageMaker JumpStart proporciona end-to-end soluciones con un solo clic para muchos casos de uso comunes del aprendizaje automático. Explore los siguientes casos de uso para obtener más información sobre las plantillas de soluciones disponibles.
Elija la plantilla de solución que mejor se adapte a su caso de uso en la página de JumpStart destino. Al elegir una plantilla de solución, JumpStart abre una nueva pestaña que muestra una descripción de la solución y un botón de inicio. Al seleccionar Launch, JumpStart crea todos los recursos que necesita para ejecutar la solución, incluidas las instancias de formación y de alojamiento de modelos. Para obtener más información sobre el lanzamiento de una JumpStart solución, consulteLanzamiento de una solución.
Tras lanzar la solución, puede explorar las características de la solución y cualquier artefacto generado en ella JumpStart. Utilice el menú de JumpStart activos lanzados para encontrar la solución. En la pestaña de la solución, seleccione Abrir bloc de notas para utilizar los cuadernos proporcionados y explorar las características de la solución. Cuando se generan artefactos durante el lanzamiento o después de ejecutar los cuadernos proporcionados, aparecen en la tabla de Artefactos generados. Puede eliminar artefactos individuales con el icono de la papelera (
). Para eliminar todos los recursos de la solución, seleccione Eliminar los recursos de la solución.
Previsión de la demanda
La previsión de la demanda utiliza datos históricos de series temporales para realizar estimaciones futuras en relación con la demanda de los clientes durante un período específico y agilizar el proceso de toma de decisiones sobre la oferta y la demanda entre varias empresas.
Los casos de uso de previsión de la demanda incluyen la predicción de la venta de billetes en la industria del transporte, los precios de las acciones, el número de visitas al hospital, el número de representantes de clientes que se contratarán en varias ubicaciones el próximo mes, las ventas de productos en varias regiones el próximo trimestre, el uso del servidor en la nube para el día siguiente para un servicio de retransmisión de vídeo, el consumo de electricidad en varias regiones durante la próxima semana, la cantidad de dispositivos y sensores de IoT (por ejemplo, del consumo de energía), etc.
Los datos de series temporales se clasifican en univariantes y multivariantes. Por ejemplo, el consumo total de electricidad de un solo hogar es una serie temporal univariante durante un período de tiempo. Cuando varias series temporales univariantes se apilan unas sobre otras, se denomina serie temporal multivariante. Por ejemplo, el consumo total de electricidad de 10 hogares diferentes (pero correlacionados) de un mismo vecindario constituye un conjunto de datos de series temporales multivariantes.
Predicción de calificación crediticia
Utilice JumpStart las soluciones de predicción de calificación crediticia para predecir las calificaciones crediticias corporativas o para explicar las decisiones de predicción crediticia que toman los modelos de aprendizaje automático. En comparación con los métodos tradicionales de modelado de calificación crediticia, los modelos de machine learning pueden automatizar y mejorar la precisión de la predicción crediticia.
| Nombre de la solución | Descripción | Introducción |
|---|---|---|
| Predicción de la calificación crediticia corporativa | Aprendizaje automático multimodal (texto largo y tabular) para realizar predicciones crediticias de calidad mediante AWS AutoGluon Tabular. |
GitHub » |
| Calificación crediticia basada en gráficos | Prediga las calificaciones crediticias corporativas utilizando datos tabulares y una red corporativa mediante el entrenamiento de un modelo Graph Neural Network, GraphSage |
Búscalo en Amazon SageMaker Studio Classic. |
| Explicación de las decisiones crediticias | Prediga la probabilidad de insolvencia en las solicitudes de crédito y proporcione explicaciones utilizando LightGBM |
Detección de fraudes
Muchas empresas pierden miles de millones al año a causa del fraude. Los modelos de detección de fraudes basados en el machine learning pueden ayudar a identificar sistemáticamente las posibles actividades fraudulentas a partir de una enorme cantidad de datos. Las siguientes soluciones utilizan conjuntos de datos de transacciones e identidad de usuarios para identificar transacciones fraudulentas.
| Nombre de la solución | Descripción | Introducción |
|---|---|---|
| Detección de usuarios y transacciones malintencionados | Detecte automáticamente cualquier actividad potencialmente fraudulenta en las transacciones mediante SageMakerXGBoost con la técnica de sobremuestreo Synthetic Minority |
|
| Detección de fraudes en transacciones financieras mediante una biblioteca de Deep Graph | Detecte el fraude en las transacciones financieras entrenando una red convolucional de gráficos |
|
| Clasificación de pagos financieros | Clasifique los pagos financieros en función de la información de las transacciones con XGBoost. SageMaker Utilice esta plantilla de solución como paso intermedio en la detección del fraude, la personalización o la detección de anomalías. |
Búscalo en Amazon SageMaker Studio Classic. |
Visión artificial
Con el auge de los casos de uso empresariales, como los vehículos autónomos, la videovigilancia inteligente, la monitorización sanitaria y diversas tareas de recuento de objetos, la demanda de sistemas de detección de objetos rápidos y precisos está aumentando. Estos sistemas implican no solo reconocer y clasificar todos los objetos de una imagen, sino también localizar cada uno de ellos dibujando el recuadro delimitador apropiado a su alrededor. En la última década, los rápidos avances de las técnicas de aprendizaje profundo han acelerado considerablemente el auge de la detección de objetos.
| Nombre de la solución | Descripción | Introducción |
|---|---|---|
| Detección visual de defectos en los productos | Identifique las regiones defectuosas en las imágenes de los productos entrenando un modelo de detección de objetos partiendo de cero |
|
| Reconocimiento de escritura a mano | Reconozca el texto escrito a mano en las imágenes entrenando un modelo de detección de objetos |
GitHub » |
| Detección de objetos para especies de aves | Identifique las especies de aves en una escena mediante un modelo de detección de SageMaker objetos. |
Búscalo en Amazon SageMaker Studio Classic. |
Extraiga y analice datos de documentos
JumpStart ofrece soluciones para que pueda descubrir información y conexiones valiosas en documentos fundamentales para la empresa. Los casos de uso incluyen la clasificación de textos, el resumen de documentos, el reconocimiento de escritura a mano, la extracción de relaciones, las preguntas y respuestas y el relleno de los valores faltantes en los registros tabulares.
| Nombre de la solución | Descripción | Introducción |
|---|---|---|
| Privacidad en la clasificación de opiniones | Anonimice el texto |
|
| Comprensión de documentos | Resumen de documentos, extracción de entidades y relaciones mediante la biblioteca Transformers |
|
| Reconocimiento de escritura a mano | Reconozca el texto escrito a mano en las imágenes entrenando un modelo de detección de objetos |
GitHub » |
| Rellenado de los valores faltantes en los registros tabulares | Rellene los valores faltantes en los registros tabulares entrenando un SageMaker AutoPilot |
Mantenimiento predictivo
El mantenimiento predictivo tiene como objetivo optimizar el equilibrio entre el mantenimiento correctivo y el preventivo al facilitar la sustitución oportuna de los componentes. Las siguientes soluciones utilizan los datos de los sensores de los activos industriales para predecir los fallos de las máquinas, los tiempos de inactividad no planificados y los costes de reparación.
| Nombre de la solución | Descripción | Introducción |
|---|---|---|
| Mantenimiento predictivo para flotas de vehículos | Prediga los fallos de la flota de vehículos utilizando los sensores del vehículo y la información de mantenimiento con un modelo de red neuronal convolucional. | |
| Mantenimiento predictivo para la fabricación | Prediga la vida útil restante de cada sensor entrenando un modelo de red neuronal LSTM bidireccional apilado |
Predicción de la pérdida de clientes
La pérdida de clientes, o tasa de abandono, es un problema costoso al que se enfrentan una amplia gama de empresas. En un esfuerzo por reducir esta pérdida, las empresas pueden identificar a los clientes con mayor probabilidad de dejar de ser sus clientes y así centrar sus esfuerzos en la retención de clientes. Utilice una solución de predicción de la JumpStart pérdida de clientes para analizar las fuentes de datos, como el comportamiento de los usuarios y los registros de chat del servicio de atención al cliente, a fin de identificar a los clientes que corren un alto riesgo de cancelar una suscripción o un servicio.
Recomendaciones personalizadas
Puede usar JumpStart soluciones para analizar los gráficos de identidad de los clientes o las sesiones de los usuarios para comprender y predecir mejor el comportamiento de los clientes. Utilice las siguientes soluciones para obtener recomendaciones personalizadas para modelar la identidad de los clientes en varios dispositivos, determinar la probabilidad de que un cliente realice una compra o crear un recomendador de películas personalizado en función del comportamiento de los clientes anteriores.
| Nombre de la solución | Descripción | Introducción |
|---|---|---|
| Resolución de entidades en gráficos de identidad con una biblioteca de Deep Graph | Realice vinculaciones de entidades entre dispositivos para la publicidad en línea entrenando una red convolucional gráfica |
|
| Modelado de compras | Prediga si un cliente realizará una compra entrenando un modelo SageMaker XGBoost. | |
| Sistema de recomendaciones personalizado |
Capacite e implemente un sistema de recomendación personalizado que genere sugerencias de películas para un cliente en función de su comportamiento anterior mediante el filtrado colaborativo neuronal. SageMaker |
Búscalo en Amazon SageMaker Studio Classic. |
Aprendizaje por refuerzo
El aprendizaje por refuerzo (RL) es un tipo de aprendizaje que se basa en la interacción con el entorno. Este tipo de aprendizaje lo utiliza un agente que debe aprender el comportamiento a través de trial-and-error interacciones con un entorno dinámico en el que el objetivo es maximizar las recompensas a largo plazo que el agente recibe como resultado de sus acciones. Las recompensas se maximizan cuando se intercambia la exploración de acciones que tienen recompensas inciertas con la explotación de acciones que tienen recompensas conocidas.
RL es idóneo para resolver problemas grandes y complejos, por ejemplo, gestión de la cadena de suministro, sistemas de climatización, robótica industrial, inteligencia artificial para videojuegos, sistemas de diálogo y vehículos autónomos.
| Nombre de la solución | Descripción | Introducción |
|---|---|---|
| Aprendizaje reforzado para las competiciones de IA de Battlesnake | Proporcione un flujo de trabajo de aprendizaje reforzado para la formación y la inferencia con las competencias de BattleSnake |
|
| Aprendizaje reforzado distribuido para el desafío de Procgen | Kit básico de aprendizaje reforzado distribuido para el desafío de aprendizaje reforzado NeurIPS 2020 Procgen |
GitHub
» |
Sanidad y ciencias biológicas
Los médicos e investigadores pueden usar JumpStart soluciones para analizar imágenes médicas, información genómica y registros clínicos de salud.
| Nombre de la solución | Descripción | Introducción |
|---|---|---|
| Predicción de la supervivencia al cáncer de pulmón | Prediga el estado de supervivencia de los pacientes con cáncer de pulmón de células no pequeñas mediante tomografías computarizadas (TC) pulmonares tridimensionales, datos genómicos y registros de salud clínicos con XGBoost. SageMaker |
Precios financieros
Muchas empresas ajustan los precios de forma dinámica y regular para maximizar sus beneficios. Utilice las siguientes JumpStart soluciones para casos prácticos de optimización de precios, precios dinámicos, precios de opciones o optimización de carteras.
| Nombre de la solución | Descripción | Introducción |
|---|---|---|
| Optimización de precios |
Estime la elasticidad de los precios utilizando Machine Learning (ML) doble para la inferencia causal y el procedimiento de previsión con Prophet |
Búscalo en Amazon SageMaker Studio Classic. |
Inferencias causales
Los investigadores pueden utilizar modelos de machine learning, como las redes bayesianas, para representar las dependencias causales y sacar conclusiones causales a partir de los datos. Utilice la siguiente JumpStart solución para comprender la relación causal entre la aplicación de fertilizantes a base de nitrógeno y el rendimiento de las cosechas de maíz.
| Nombre de la solución | Descripción | Introducción |
|---|---|---|
| Contrafacticidad sobre el rendimiento de los cultivos |
Genere un análisis contrafáctico de la respuesta del maíz al nitrógeno. Esta solución aprende el ciclo fenológico de los cultivos en su totalidad mediante imágenes satelitales multiespectrales y observaciones a nivel del suelo |
Búscalo en Amazon SageMaker Studio Classic. |
