Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
# End-to-end JumpStart templat solusi
**catatan**
Pada 30 November 2023, pengalaman Amazon SageMaker Studio sebelumnya sekarang bernama Amazon SageMaker Studio Classic. Bagian berikut ini khusus untuk menggunakan aplikasi Studio Classic. Untuk informasi tentang menggunakan pengalaman Studio yang diperbarui, lihat[SageMaker Studio Amazon](studio-updated.md).
Studio Classic masih dipertahankan untuk beban kerja yang ada tetapi tidak lagi tersedia untuk onboarding. Anda hanya dapat menghentikan atau menghapus aplikasi Studio Classic yang ada dan tidak dapat membuat yang baru. Kami menyarankan Anda memi [ grasikan beban kerja Anda ke pengalaman Studio baru](studio-updated-migrate.md).
**catatan**
JumpStart Solusi hanya tersedia di Studio Classic.
SageMaker JumpStart menyediakan solusi satu klik, ujung ke ujung yang dirancang untuk mengatasi kasus penggunaan pembelajaran mesin yang umum. Mereka menggunakan algoritma yang telah terbukti untuk domain mereka dan menyediakan alur kerja lengkap yang biasanya mencakup pemrosesan data, pelatihan model, penerapan, inferensi, dan pemantauan. Jelajahi kasus penggunaan berikut untuk informasi lebih lanjut tentang template solusi yang tersedia.
+ [Peramalan permintaan](#jumpstart-solutions-demand-forecasting)
+ [Prediksi peringkat kredit](#jumpstart-solutions-credit-prediction)
+ [Deteksi penipuan](#jumpstart-solutions-fraud-detection)
+ [Visi komputer](#jumpstart-solutions-computer-vision)
+ [Ekstrak dan analisis data dari dokumen](#jumpstart-solutions-documents)
+ [Pemeliharaan prediktif](#jumpstart-solutions-predictive-maintenance)
+ [Prediksi Churn](#jumpstart-solutions-churn-prediction)
+ [Rekomendasi yang dipersonalisasi](#jumpstart-solutions-recommendations)
+ [Pembelajaran penguatan](#jumpstart-solutions-reinforcement-learning)
+ [Kesehatan dan ilmu kehidupan](#jumpstart-solutions-healthcare-life-sciences)
+ [Penetapan harga keuangan](#jumpstart-solutions-financial-pricing)
+ [Kesimpulan kausal](#jumpstart-solutions-causal-inference)
Pilih template solusi yang paling sesuai dengan kasus penggunaan Anda dari halaman JumpStart arahan. Saat Anda memilih template solusi, JumpStart membuka tab baru yang menunjukkan deskripsi solusi dan ** tombol ** Luncurkan. Saat Anda memilih ** Lun ** cur JumpStart kan, membuat semua sumber daya yang Anda butuhkan untuk menjalankan solusi, termasuk pelatihan dan contoh hosting model. Untuk informasi selengkapnya tentang meluncurkan JumpStart solusi, lihat[Luncurkan Solusi](jumpstart-solutions-launch.md).
Setelah meluncurkan solusi, Anda dapat menjelajahi fitur solusi dan artefak yang dihasilkan di JumpStart. Gunakan ** menu A ** set JumpStart yang diluncurkan untuk menemukan solusi Anda. Di tab solusi Anda, pilih ** Buka Notebook ** untuk menggunakan buku catatan yang disediakan dan jelajahi fitur-fitur solusi. Ketika artefak dihasilkan selama peluncuran atau setelah menjalankan notebook yang disediakan, artefak tersebut tercantum dalam ** tabel ** Generated Artifacts. Anda dapat menghapus artefak individual dengan ikon sampah (). Anda dapat menghapus semua sumber daya solusi dengan memilih H ** apus sumber daya solusi**.
## Peramalan permintaan
Peramalan permintaan menggunakan data deret waktu historis untuk membuat estimasi masa depan sehubungan dengan permintaan pelanggan selama periode tertentu dan merampingkan proses pengambilan keputusan penawaran-permintaan di seluruh bisnis.
Kasus penggunaan perkiraan permintaan termasuk memprediksi penjualan tiket di industri transportasi, harga saham, jumlah kunjungan rumah sakit, jumlah perwakilan pelanggan yang akan disewa untuk beberapa lokasi di bulan depan, penjualan produk di beberapa wilayah pada kuartal berikutnya, penggunaan server cloud untuk hari berikutnya untuk layanan streaming video, konsumsi listrik untuk beberapa wilayah selama minggu depan, jumlah perangkat dan sensor IoT seperti konsumsi energi, dan banyak lagi.
Data deret waktu dikategorikan sebagai * univariat * dan * multi-variat. * Misalnya, total konsumsi listrik untuk satu rumah tangga adalah deret waktu univariat selama periode waktu tertentu. Ketika beberapa deret waktu univariat ditumpuk satu sama lain, itu disebut deret waktu multi-variat. Misalnya, total konsumsi listrik dari 10 rumah tangga yang berbeda (tetapi berkorelasi) dalam satu lingkungan membentuk kumpulan data deret waktu multi-variat.
| Nama solusi | Deskripsi | Memulai |
| --- | --- | --- |
| Peramalan permintaan | Peramalan permintaan untuk data deret waktu multivariat menggunakan tiga algoritma peramalan deret waktu canggih: [ LSTnet](https://ts.gluon.ai/stable/api/gluonts/gluonts.mx.model.lstnet.html), [ Prophet](https://facebook.github.io/prophet/), dan AI DeepAR. [ SageMaker ](https://docs.aws.amazon.com/sagemaker/latest/dg/deepar.html) | [GitHub »](https://github.com/awslabs/sagemaker-deep-demand-forecast) |
## Prediksi peringkat kredit
Gunakan solusi prediksi JumpStart peringkat kredit untuk memprediksi peringkat kredit perusahaan atau untuk menjelaskan keputusan prediksi kredit yang dibuat oleh model pembelajaran mesin. Dibandingkan dengan metode pemodelan peringkat kredit tradisional, model pembelajaran mesin dapat mengotomatiskan dan meningkatkan akurasi prediksi kredit.
| Nama solusi | Deskripsi | Memulai |
| --- | --- | --- |
| Prediksi peringkat kredit perusahaan | Pembelajaran mesin multimodal (teks panjang dan tabular) untuk prediksi kredit berkualitas menggunakan AWS [ AutoGluon Tabular. ](https://auto.gluon.ai/scoredebugweight/tutorials/tabular_prediction/index.html) | [GitHub »](https://github.com/awslabs/sagemaker-corporate-credit-rating) |
| Graph-based penilaian kredit | Memprediksi peringkat kredit perusahaan menggunakan data tabular dan jaringan perusahaan dengan melatih [ Graph Neural Network GraphSage ](https://cs.stanford.edu/people/jure/pubs/graphsage-nips17.pdf) dan model AWS [ AutoGluon Tab ](https://auto.gluon.ai/scoredebugweight/tutorials/tabular_prediction/index.html) ular. | Temukan di Amazon SageMaker Studio Classic. |
| Jelaskan keputusan kredit | Prediksi default kredit dalam aplikasi kredit dan berikan penjelasan menggunakan [ LightGBM ](https://lightgbm.readthedocs.io/en/latest/) dan [ SHAP (Shapley Additive Explications). ](https://shap.readthedocs.io/en/latest/index.html) | [GitHub »](https://github.com/awslabs/sagemaker-explaining-credit-decisions) |
## Deteksi penipuan
Banyak bisnis kehilangan miliaran per tahun karena penipuan. Model deteksi penipuan berbasis pembelajaran mesin dapat membantu secara sistematis mengidentifikasi kemungkinan aktivitas penipuan dari sejumlah besar data. Solusi berikut menggunakan kumpulan data transaksi dan identitas pengguna untuk mengidentifikasi transaksi penipuan.
| Nama solusi | Deskripsi | Memulai |
| --- | --- | --- |
| Mendeteksi pengguna dan transaksi jahat | Secara otomatis mendeteksi aktivitas yang berpotensi penipuan dalam transaksi menggunakan [ SageMaker AI XGBoost ](https://docs.aws.amazon.com/sagemaker/latest/dg/xgboost.html) dengan teknik over-sampling [ Synthetic Minority Over-sampling ](https://arxiv.org/abs/1106.1813) (SMOTE). | [GitHub »](https://github.com/awslabs/fraud-detection-using-machine-learning) |
| Deteksi penipuan dalam transaksi keuangan menggunakan perpustakaan grafik mendalam | Mendeteksi penipuan dalam transaksi keuangan dengan melatih jaringan konvolusi [ grafik ](https://arxiv.org/pdf/1703.06103.pdf) dengan pustaka grafik [ mendalam ](https://www.dgl.ai/) dan model [ SageMaker AI XGBoost. ](https://docs.aws.amazon.com/sagemaker/latest/dg/xgboost.html) | [GitHub »](https://github.com/awslabs/sagemaker-graph-fraud-detection) |
| Klasifikasi pembayaran keuangan | Klasifikasikan pembayaran keuangan berdasarkan informasi transaksi menggunakan [ SageMaker AI XGBoost](https://docs.aws.amazon.com/sagemaker/latest/dg/xgboost.html). Gunakan template solusi ini sebagai langkah perantara dalam deteksi penipuan, personalisasi, atau deteksi anomali. | Temukan di Amazon SageMaker Studio Classic. |
## Visi komputer
Dengan munculnya kasus penggunaan bisnis seperti kendaraan otonom, pengawasan video pintar, pemantauan perawatan kesehatan dan berbagai tugas penghitungan objek, sistem deteksi objek yang cepat dan akurat semakin diminati. Sistem ini melibatkan tidak hanya mengenali dan mengklasifikasikan setiap objek dalam gambar, tetapi melokalisasi masing-masing dengan menggambar kotak pembatas yang sesuai di sekitarnya. Dalam dekade terakhir, kemajuan pesat teknik pembelajaran mendalam sangat mempercepat momentum deteksi objek.
| Nama solusi | Deskripsi | Memulai |
| --- | --- | --- |
| Deteksi cacat produk visual | Identifikasi daerah yang rusak dalam gambar produk baik dengan melatih model deteksi [ objek dari awal ](https://ieeexplore.ieee.org/document/8709818) atau menyempurnakan model SageMaker AI yang telah dilatih sebelumnya. | [GitHub »](https://github.com/awslabs/sagemaker-defect-detection) |
| Pengenalan tulisan tangan | Kenali teks tulisan tangan dalam gambar dengan melatih model deteksi [ objek ](https://mxnet.apache.org/versions/1.0.0/api/python/gluon/model_zoo.html#mxnet.gluon.model_zoo.vision.resnet34_v1) dan model [ pengenalan ](https://arxiv.org/abs/1910.00663) tulisan tangan. Label data Anda sendiri menggunakan G [ SageMaker round Truth](https://aws.amazon.com/sagemaker/data-labeling/). | [GitHub »](https://github.com/awslabs/sagemaker-handwritten-text-recognition) |
| Deteksi objek untuk spesies burung | Identifikasi spesies burung dalam suatu pemandangan menggunakan model deteksi objek [ SageMaker AI](https://docs.aws.amazon.com/sagemaker/latest/dg/object-detection.html). | Temukan di Amazon SageMaker Studio Classic. |
## Ekstrak dan analisis data dari dokumen
JumpStart memberikan solusi bagi Anda untuk mengungkap wawasan dan koneksi berharga dalam dokumen penting bisnis. Kasus penggunaan termasuk klasifikasi teks, ringkasan dokumen, pengenalan tulisan tangan, ekstraksi hubungan, pertanyaan dan jawaban, dan mengisi nilai yang hilang dalam catatan tabular.
| Nama solusi | Deskripsi | Memulai |
| --- | --- | --- |
| Privasi untuk klasifikasi sentimen | [Anonimkan teks ](https://www.amazon.science/blog/preserving-privacy-in-analyses-of-textual-data) untuk menjaga privasi pengguna dengan lebih baik dalam klasifikasi sentimen. | [GitHub »](https://github.com/awslabs/sagemaker-privacy-for-nlp) |
| Pemahaman dokumen | Ringkasan dokumen, entitas, dan ekstraksi hubungan menggunakan pust [https://huggingface.co/docs/transformers/index](https://huggingface.co/docs/transformers/index) aka transformer di PyTorch. | [GitHub »](https://github.com/awslabs/sagemaker-document-understanding) |
| Pengenalan tulisan tangan | Kenali teks tulisan tangan dalam gambar dengan melatih model deteksi [ objek ](https://mxnet.apache.org/versions/1.0.0/api/python/gluon/model_zoo.html#mxnet.gluon.model_zoo.vision.resnet34_v1) dan model [ pengenalan ](https://arxiv.org/abs/1910.00663) tulisan tangan. Label data Anda sendiri menggunakan G [ SageMaker round Truth](https://aws.amazon.com/sagemaker/data-labeling/). | [GitHub »](https://github.com/awslabs/sagemaker-handwritten-text-recognition) |
| Mengisi nilai yang hilang dalam catatan tabular | Isi nilai yang hilang dalam catatan tabular dengan melatih model [ SageMaker Autopilot](https://aws.amazon.com/sagemaker/autopilot/). | [GitHub »](https://github.com/awslabs/filling-in-missing-values-in-tabular-records) |
## Pemeliharaan prediktif
Pemeliharaan prediktif bertujuan untuk mengoptimalkan keseimbangan antara pemeliharaan korektif dan preventif dengan memfasilitasi penggantian komponen yang tepat waktu. Solusi berikut menggunakan data sensor dari aset industri untuk memprediksi kegagalan alat berat, downtime yang tidak direncanakan, dan biaya perbaikan.
| Nama solusi | Deskripsi | Memulai |
| --- | --- | --- |
| Perawatan prediktif untuk armada kendaraan | Memprediksi kegagalan armada kendaraan menggunakan sensor kendaraan dan informasi pemeliharaan dengan model jaringan saraf konvolusional. | [GitHub »](https://github.com/awslabs/aws-fleet-predictive-maintenance/) |
| Pemeliharaan prediktif untuk manufaktur | Memprediksi masa manfaat yang tersisa untuk setiap sensor dengan melatih [ model jaringan saraf LSTM dua arah yang ](https://arxiv.org/pdf/1801.02143.pdf) ditumpuk menggunakan pembacaan sensor historis. | [GitHub »](https://github.com/awslabs/predictive-maintenance-using-machine-learning) |
## Prediksi Churn
Customer churn, atau tingkat gesekan, adalah masalah mahal yang dihadapi oleh berbagai perusahaan. Dalam upaya untuk mengurangi churn, perusahaan dapat mengidentifikasi pelanggan yang cenderung meninggalkan layanan mereka untuk memfokuskan upaya mereka pada retensi pelanggan. Gunakan solusi prediksi JumpStart churn untuk menganalisis sumber data seperti perilaku pengguna dan log obrolan dukungan pelanggan untuk mengidentifikasi pelanggan yang berisiko tinggi membatalkan langganan atau layanan.
| Nama solusi | Deskripsi | Memulai |
| --- | --- | --- |
| Prediksi Churn dengan teks | Prediksi churn menggunakan fitur numerik, kategoris, dan tekstual dengan ENCODER [ BERT dan. ](https://huggingface.co/) [ RandomForestClassifier ](https://scikit-learn.org/stable/modules/generated/sklearn.ensemble.RandomForestClassifier.html) | [GitHub »](https://github.com/awslabs/sagemaker-churn-prediction-text) |
| Prediksi churn untuk pelanggan ponsel | Identifikasi pelanggan ponsel yang tidak bahagia menggunakan [ SageMaker AI XGBoost](https://docs.aws.amazon.com/sagemaker/latest/dg/xgboost.html). | Temukan di Amazon SageMaker Studio Classic. |
## Rekomendasi yang dipersonalisasi
Anda dapat menggunakan JumpStart solusi untuk menganalisis grafik identitas pelanggan atau sesi pengguna untuk lebih memahami dan memprediksi perilaku pelanggan. Gunakan solusi berikut untuk rekomendasi yang dipersonalisasi untuk memodelkan identitas pelanggan di beberapa perangkat, untuk menentukan kemungkinan pelanggan melakukan pembelian, atau untuk membuat rekomendasi film khusus berdasarkan perilaku pelanggan sebelumnya.
| Nama solusi | Deskripsi | Memulai |
| --- | --- | --- |
| Resolusi entitas dalam grafik identitas dengan perpustakaan grafik mendalam | Lakukan penautan entitas lintas perangkat untuk iklan online dengan melatih jaringan konvol [ usi grafik ](https://arxiv.org/pdf/1703.06103.pdf) dengan [ perpustakaan grafik yang mendalam. ](https://www.dgl.ai/) | [GitHub »](https://github.com/awslabs/sagemaker-graph-entity-resolution) |
| Pemodelan pembelian | Memprediksi apakah pelanggan akan melakukan pembelian dengan melatih model [ SageMaker AI XGBoost](https://docs.aws.amazon.com/sagemaker/latest/dg/xgboost.html). | [GitHub »](https://github.com/awslabs/sagemaker-purchase-modelling) |
| Sistem rekomendasi yang disesuaikan | Latih dan terapkan sistem rekomendasi khusus yang menghasilkan saran film untuk pelanggan berdasarkan perilaku masa lalu menggunakan Neural Collaborative Filtering di SageMaker AI. | Temukan di Amazon SageMaker Studio Classic. |
## Pembelajaran penguatan
Pembelajaran penguatan (RL) adalah jenis pembelajaran yang didasarkan pada interaksi dengan lingkungan. Jenis pembelajaran ini digunakan oleh agen yang harus mempelajari perilaku melalui interaksi coba-coba dengan lingkungan dinamis di mana tujuannya adalah untuk memaksimalkan imbalan jangka panjang yang diterima agen sebagai hasil dari tindakannya. Hadiah dimaksimalkan dengan menukar tindakan eksplorasi yang memiliki imbalan yang tidak pasti dengan mengeksploitasi tindakan yang telah diketahui hadiah.
RL sangat cocok untuk memecahkan masalah besar dan kompleks, seperti manajemen rantai pasokan, sistem HVAC, robotika industri, kecerdasan buatan game, sistem dialog, dan kendaraan otonom.
| Nama solusi | Deskripsi | Memulai |
| --- | --- | --- |
| Pembelajaran penguatan untuk kompetisi Battlesnake AI | Berikan alur kerja pembelajaran penguatan untuk pelatihan dan inferensi dengan kompetisi [ BattleSnake ](https://play.battlesnake.com/) AI. | [GitHub »](https://github.com/awslabs/sagemaker-battlesnake-ai) |
| Pembelajaran penguatan terdistribusi untuk tantangan Procgen | Kit starter pembelajaran penguatan terdistribusi untuk tantangan pembelajaran [ NeuRIPS 2020 Procgen Reinfor ](https://www.aicrowd.com/challenges/neurips-2020-procgen-competition) cement. | [GitHub »](https://github.com/aws-samples/sagemaker-rl-procgen-ray) |
## Kesehatan dan ilmu kehidupan
Dokter dan peneliti dapat menggunakan JumpStart solusi untuk menganalisis citra medis, informasi genom, dan catatan kesehatan klinis.
| Nama solusi | Deskripsi | Memulai |
| --- | --- | --- |
| Prediksi kelangsungan hidup kanker paru-paru | Memprediksi status kelangsungan hidup pasien kanker paru-paru non-sel kecil dengan pemindaian tomografi terkomputerisasi paru (CT) 3 dimensi, data genom, dan catatan kesehatan klinis menggunakan [ SageMaker AI XGBoost. ](https://docs.aws.amazon.com/sagemaker/latest/dg/xgboost.html) | [GitHub »](https://github.com/aws-samples/machine-learning-pipelines-for-multimodal-health-data/tree/sagemaker-soln-lcsp) |
## Penetapan harga keuangan
Banyak bisnis secara dinamis menyesuaikan harga secara teratur untuk memaksimalkan pengembalian mereka. Gunakan JumpStart solusi berikut untuk pengoptimalan harga, penetapan harga dinamis, penetapan harga opsi, atau kasus penggunaan pengoptimalan portofolio.
| Nama solusi | Deskripsi | Memulai |
| --- | --- | --- |
| Optimalisasi harga | Perkirakan elastisitas harga menggunakan Double Machine Learning (ML) untuk inferensi kausal dan prosedur [ peramalan ](https://facebook.github.io/prophet/) Nabi. Gunakan perkiraan ini untuk mengoptimalkan harga harian. | Temukan di Amazon SageMaker Studio Classic. |
## Kesimpulan kausal
Peneliti dapat menggunakan model pembelajaran mesin seperti jaringan Bayesian untuk mewakili dependensi kausal dan menarik kesimpulan kausal berdasarkan data. Gunakan JumpStart solusi berikut untuk memahami hubungan sebab-akibat antara aplikasi Nitrogen-based pupuk dan hasil panen jagung.
| Nama solusi | Deskripsi | Memulai |
| --- | --- | --- |
| Kontrafaktual hasil panen | Menghasilkan analisis kontrafaktual respons jagung terhadap nitrogen. Solusi ini mempelajari siklus fenologi tanaman secara keseluruhan menggunakan citra satelit multi-spektral dan pengamatan permukaan tanah[. ](https://www.sciencedirect.com/science/article/pii/S2352340921010283#tbl0001) | Temukan di Amazon SageMaker Studio Classic. |