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.

Amazon SageMaker JumpStart Industry : Financier

Utilisez SageMaker JumpStart Industrie : solutions financières, modèles et exemples de blocs-notes pour en savoir plus sur les fonctionnalités et les capacités de l' SageMaker IA grâce à des solutions en une étape sélectionnées et des exemples de blocs-notes présentant des problèmes d'apprentissage automatique (ML) spécifiques à l'industrie. Les blocs-notes expliquent également comment utiliser le SDK SageMaker JumpStart Industry Python pour améliorer les données textuelles sectorielles et affiner les modèles préentraînés.

Kit de développement logiciel Amazon SageMaker JumpStart Industry Python

SageMaker Runtime JumpStart fournit des outils de traitement pour organiser des ensembles de données industriels et affiner des modèles préentraînés via sa bibliothèque cliente appelée SageMaker JumpStart Industry Python SDK. Pour une documentation API détaillée du SDK et pour en savoir plus sur le traitement et l'amélioration des ensembles de données textuels industriels afin d'améliorer les performances des modèles de pointe SageMaker JumpStart, consultez la documentation open source du SDK SageMaker JumpStart Industry Python.

Amazon SageMaker JumpStart Industry : solution financière

SageMaker JumpStart Secteur d'activité : Financial fournit les solutions suivantes pour les ordinateurs portables :

Cette solution SageMaker JumpStart Industry : Financial fournit un modèle de modèle de notation de crédit d'entreprise enrichi de texte. Elle montre comment prendre un modèle basé sur des fonctions numériques (dans ce cas, les 5 fameux ratios financiers d'Altman) combiné à des textes issus de dossiers SEC pour améliorer la prédiction des cotes de crédit. En plus des 5 ratios d'Altman, vous pouvez ajouter d'autres variables selon vos besoins ou définir des variables personnalisées. Ce carnet de solutions montre comment le SDK SageMaker JumpStart Industry Python permet de traiter la notation par traitement du langage naturel (NLP) des textes issus des dépôts auprès de la SEC. En outre, la solution montre comment entraîner un modèle à l'aide de l'ensemble de données amélioré pour obtenir un modèle de premier ordre, déployer le modèle sur un terminal d' SageMaker IA pour la production et recevoir des prévisions améliorées en temps réel.

Les notations de crédit sont généralement générées à l'aide de modèles qui utilisent des données des états financiers et de marché, qui sont uniquement tabulaires (numériques et catégorielles). Cette solution construit un réseau d'entreprises à l'aide de documents déposés auprès de la SEC et montre comment utiliser le réseau de relations entre entreprises à l'aide de données tabulaires pour générer des prévisions de notation précises. Cette solution présente une méthodologie permettant d'utiliser des données sur les liens entre entreprises afin d'étendre les modèles de notation de crédit traditionnellement basés sur des tableaux, utilisés par le secteur des notations depuis des décennies, à la classe des modèles de machine learning sur les réseaux.

Vous pouvez trouver ces solutions de services financiers sur la SageMaker JumpStart page de Studio Classic.

Amazon SageMaker JumpStart Industry : modèles financiers

SageMaker JumpStart Secteur : Financial fournit les modèles d'approche BERT pré-entraînés (RoberTA) pré-entraînés suivants :

Les RoBERTa-SEC-Large modèles RoBERTa-SEC-Base et sont des modèles d'intégration de texte basés sur le modèle Roberta de GluonNLP et pré-entraînés sur les K/10-Q rapports S&P 500 SEC 10 de la décennie 2010 (de 2010 à 2019). En plus de celles-ci, SageMaker AI JumpStart Industry : Financial propose deux autres variantes de Roberta RoBERTa-SEC-WIKI-Large, RoBERTa-SEC-WIKI-Base qui sont pré-entraînées sur les documents déposés auprès de la SEC et les textes courants de Wikipedia.

Vous pouvez trouver ces modèles en SageMaker JumpStart accédant au nœud Modèles de texte, en choisissant Explorer tous les modèles de texte, puis en filtrant pour l'intégration de texte des tâches ML. Vous pouvez accéder à tous les blocs-notes correspondants après avoir sélectionné le modèle de votre choix. Les blocs-notes associés vous expliqueront comment les modèles préentraînés peuvent être affinés pour des tâches de classification spécifiques sur des ensembles de données multimodaux, qui sont améliorés par le SDK Industry Python. SageMaker JumpStart

La capture d'écran suivante montre les cartes modèles préentraînées fournies via la JumpStart page SageMaker AI de Studio Classic.

Amazon SageMaker JumpStart Industry : exemples financiers de carnets

SageMaker JumpStart Secteur : Financial fournit les exemples de blocs-notes suivants pour présenter des solutions à des problèmes de machine learning spécifiques à l'industrie :

Pour prévisualiser le contenu des exemples de blocs-notes, consultez la documentation Tutoriels — Finance in the SageMaker JumpStart Industry Python SDK.

Amazon SageMaker JumpStart Industry : articles de blog financiers

Pour des applications détaillées de SageMaker JumpStart l'utilisation de Industry : solutions financières, modèles, exemples et SDK, consultez les articles de blog suivants :

Amazon SageMaker JumpStart Industry : recherches liées à la finance

Pour les recherches liées à SageMaker JumpStart l'industrie : solutions financières, voir les articles suivants :

Amazon SageMaker JumpStart Industry : ressources financières supplémentaires

Pour obtenir de la documentation et des didacticiels supplémentaires, consultez les ressources suivantes :