Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.

End-to-end JumpStart modèles de solutions

SageMaker JumpStart fournit des end-to-end solutions en un clic conçues pour répondre aux cas d'utilisation courants de l'apprentissage automatique. Ils utilisent des algorithmes éprouvés pour leurs domaines et fournissent un flux de travail complet qui inclut généralement le traitement des données, la formation des modèles, le déploiement, l'inférence et la surveillance. Explorez les cas d'utilisation suivants pour plus d'informations sur les modèles de solutions disponibles.

Choisissez le modèle de solution le mieux adapté à votre cas d'utilisation sur la page JumpStart d'accueil. Lorsque vous choisissez un modèle de solution, un nouvel onglet contenant une description de la solution et un bouton de lancement JumpStart s'ouvre. Lorsque vous sélectionnez Launch, il JumpStart crée toutes les ressources dont vous avez besoin pour exécuter la solution, y compris les instances de formation et d'hébergement de modèles. Pour plus d'informations sur le lancement d'une JumpStart solution, consultezLancement d'une solution.

Après avoir lancé la solution, vous pouvez explorer les fonctionnalités de la solution et tous les artefacts générés dans JumpStart. Utilisez le menu JumpStart Ressources lancées pour trouver votre solution. Sélectionnez Open Notebook (Ouvrir le bloc-notes) dans l'onglet de votre solution pour utiliser les blocs-notes fournis et explorer les fonctionnalités de la solution. Lorsque des artefacts sont générés pendant le lancement ou après l'exécution des blocs-notes fournis, ils sont répertoriés dans le tableau Generated Artifacts (Artefacts générés). Vous pouvez supprimer des artefacts individuels à l'aide de l'icône Corbeille ( ). Vous pouvez supprimer toutes les ressources de la solution en choisissant Delete solution resources (Supprimer les ressources de la solution).

Prédiction de la demande

La prévision de la demande utilise des données de séries temporelles historiques afin d'effectuer des estimations futures par rapport à la demande des clients sur une période spécifique et de rationaliser le processus de prise de décision entre offre et demande au sein des entreprises.

Les cas d'utilisation de la prévision de la demande incluent la prédiction des ventes de billets dans le secteur des transports, du cours des actions, du nombre de visites à l'hôpital, du nombre de chargés de clientèle à embaucher pour plusieurs sites au cours du mois suivant, des ventes de produits dans plusieurs régions au cours du trimestre suivant, de l'utilisation des serveurs cloud le jour suivant pour un service de streaming vidéo, de la consommation d'électricité pour plusieurs régions au cours de la semaine à venir, du nombre de capteurs et d'appareils IoT tels que la consommation d'énergie, etc.

Les données de séries temporelles sont classées comme univariées et multivariées. Par exemple, la consommation totale d'électricité d'un ménage est une série temporelle univariée sur une période donnée. Lorsque plusieurs séries temporelles univariées sont empilées les unes sur les autres, on parle de série temporelle multivariée. Par exemple, la consommation totale d'électricité de 10 ménages différents (mais corrélés) d'un même quartier constitue un jeu de données de série temporelle multivariée.

Prédiction de la cote de crédit

Utilisez les solutions JumpStart de prédiction des notations de crédit pour prévoir les notations de crédit des entreprises ou pour expliquer les décisions de prédiction de crédit prises à l'aide de modèles d'apprentissage automatique. Par rapport aux méthodes traditionnelles de modélisation des notations de crédit, les modèles de machine learning peuvent automatiser et améliorer la précision de la prédiction de crédit.

Détection des fraudes

De nombreuses entreprises perdent des milliards chaque année en raison de la fraude. Les modèles de détection des fraudes basés sur le machine learning peuvent aider à identifier systématiquement les activités frauduleuses probables à partir d'une énorme quantité de données. Les solutions suivantes utilisent des jeux de données de transaction et d'identité utilisateur pour identifier les transactions frauduleuses.

Reconnaissance d'image

Avec l'augmentation des cas d'utilisation commerciaux tels que les véhicules autonomes, la vidéosurveillance intelligente, le monitoring des soins de santé et diverses tâches de comptage d'objets, les systèmes de détection d'objets rapides et précis sont de plus en plus demandés. Ces systèmes impliquent non seulement de reconnaître et de classer chaque objet d'une image, mais aussi de localiser chacun d'eux en traçant le cadre de délimitation approprié autour de celui-ci. Au cours de la dernière décennie, les progrès rapides des techniques de deep learning ont considérablement accéléré la dynamique de la détection d'objets.

Extraire et analyser les données des documents

JumpStart fournit des solutions qui vous permettent de découvrir des informations et des connexions précieuses dans des documents critiques pour l'entreprise. Les cas d'utilisation incluent la classification de textes, la synthèse de documents, la reconnaissance de l'écriture manuscrite, l'extraction de relations, les questions et réponses et le remplissage des valeurs manquantes dans les enregistrements tabulaires.

Maintenance prédictive

La maintenance prédictive vise à optimiser l'équilibre entre la maintenance corrective et la maintenance préventive en facilitant le remplacement des composants en temps voulu. Les solutions suivantes utilisent les données des capteurs d'actifs industriels pour prédire les défaillances des machines, les temps d'arrêt non planifiés et les coûts de réparation.

Prédiction du taux de désabonnement

La perte de clientèle, ou taux d'attrition, est un problème coûteux auquel sont confrontées de nombreuses entreprises. Dans le but de réduire le taux de désabonnement, les entreprises peuvent identifier les clients susceptibles de quitter leur service afin de concentrer leurs efforts sur la fidélisation de la clientèle. Utilisez une solution de prévision du taux de JumpStart désabonnement pour analyser les sources de données telles que le comportement des utilisateurs et les journaux de discussion du service client afin d'identifier les clients présentant un risque élevé d'annulation d'un abonnement ou d'un service.

Recommandations personnalisées

Vous pouvez utiliser JumpStart des solutions pour analyser les graphes d'identité des clients ou les sessions utilisateur afin de mieux comprendre et prévoir le comportement des clients. Utilisez les solutions suivantes pour obtenir des recommandations personnalisées afin de modéliser l'identité du client sur plusieurs appareils, de déterminer la probabilité qu'un client effectue un achat ou de créer un système de recommandation de films personnalisé basé sur les anciens comportements des clients.

Apprentissage par renforcement

L'apprentissage par renforcement (RL) est un type d'apprentissage basé sur l'interaction avec l'environnement. Ce type d'apprentissage est utilisé par un agent qui doit apprendre le comportement par le biais d' trial-and-errorinteractions avec un environnement dynamique dans lequel l'objectif est de maximiser les récompenses à long terme que l'agent reçoit du fait de ses actions. Les récompenses sont maximisées en échangeant des actions qui ont des récompenses incertaines avec des actions qui ont des récompenses connues.

RL convient parfaitement à la résolution de problèmes complexes et importants, tels que la gestion de la chaîne d'approvisionnement, les HVAC systèmes, la robotique industrielle, l'intelligence artificielle des jeux, les systèmes de dialogue et les véhicules autonomes.

Santé et sciences de la vie

Les cliniciens et les chercheurs peuvent utiliser JumpStart des solutions pour analyser l'imagerie médicale, les informations génomiques et les dossiers médicaux cliniques.

Tarification financière

De nombreuses entreprises ajustent régulièrement leurs prix de manière dynamique afin de maximiser leur rendement. Utilisez les JumpStart solutions suivantes pour les cas d'utilisation de l'optimisation des prix, de la tarification dynamique, de la tarification des options ou de l'optimisation du portefeuille.

Inférence causale

Les chercheurs peuvent utiliser des modèles de machine learning, comme les réseaux bayésiens, pour représenter les dépendances causales et tirer des conclusions causales à partir des données. Utilisez la JumpStart solution suivante pour comprendre la relation de cause à effet entre l'application d'engrais à base d'azote et le rendement des cultures de maïs.