Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.

Modelli di soluzioni

SageMaker JumpStart offre end-to-end soluzioni con un solo clic per molti casi d'uso comuni di machine learning. Vedere i seguenti casi d'uso per ulteriori informazioni sui modelli di soluzione disponibili.

Scegli il modello di soluzione più adatto al tuo caso d'uso dalla pagina di JumpStart destinazione. Quando scegli un modello di soluzione, JumpStart apre una nuova scheda contenente una descrizione della soluzione e un pulsante Avvia. Quando selezioni Launch, JumpStart crea tutte le risorse necessarie per eseguire la soluzione, incluse le istanze di training e hosting dei modelli. Per ulteriori informazioni sul lancio di una JumpStart soluzione, consulta. Lanciare una soluzione

Dopo aver avviato la soluzione, è possibile esplorare le funzionalità della soluzione e gli eventuali artefatti generati in. JumpStart Utilizzate il menu Launched JumpStart assets per trovare la soluzione che fa per voi. Nella scheda della soluzione, selezionare Apri notebook per utilizzare i notebook forniti ed esplorare le funzionalità della soluzione. Quando gli artefatti vengono generati durante l'avvio o dopo l'esecuzione dei notebook forniti, essi sono elencati nella tabella Artefatti generati. È possibile eliminare singoli artefatti con l'icona del cestino ( ). È possibile eliminare tutte le risorse della soluzione scegliendo Elimina risorse soluzione.

Previsione della domanda

La previsione della domanda utilizza dati storici di serie temporali per effettuare stime future in relazione alla domanda dei clienti in un periodo specifico e semplificare il processo decisionale tra domanda e offerta in tutte le aziende.

I casi d'uso per la previsione della domanda includono la previsione della vendita dei biglietti nel settore dei trasporti, i prezzi delle azioni, il numero di visite ospedaliere, il numero di rappresentanti dei clienti da assumere per più sedi nel mese successivo, la vendita di prodotti in più aree geografiche nel trimestre successivo, l'utilizzo del server cloud per il giorno successivo per un servizio di streaming video, il consumo di elettricità per più regioni nel corso della settimana successiva, il numero di dispositivi e sensori IoT come il consumo di energia e altro ancora.

I dati di serie temporali sono classificati come univariati e multivariati. Ad esempio, il consumo totale di elettricità per una singola famiglia è una serie temporale univariata su un periodo di tempo. Quando più serie temporali univariate sono impilate l'una sull'altra, si parla di serie temporale multivariata. Ad esempio, il consumo totale di elettricità di 10 famiglie distinte (ma correlate) in un unico quartiere costituisce un set di dati di serie temporali multivariate.

Previsione del rating creditizio

Utilizza le soluzioni di previsione JumpStart del rating del credito per prevedere i rating di credito aziendali o per spiegare le decisioni di previsione del credito prese mediante modelli di apprendimento automatico. Rispetto ai metodi tradizionali di modellazione del rating creditizio, i modelli di machine learning possono automatizzare e migliorare l'accuratezza della previsione del credito.

Rilevamento di attività fraudolente

Molte aziende perdono miliardi ogni anno a causa delle frodi. I modelli di rilevamento delle frodi basati sul machine learning possono contribuire a identificare sistematicamente le probabili attività fraudolente a partire da un'enorme quantità di dati. Le seguenti soluzioni utilizzano set di dati sulle transazioni e sull'identità degli utenti per identificare le transazioni fraudolente.

Visione artificiale

Con l'aumento dei casi d'uso aziendali come i veicoli a guida autonoma, la videosorveglianza intelligente, il monitoraggio sanitario e varie attività di conteggio degli oggetti, la domanda di sistemi di rilevamento di oggetti rapidi e precisi sta aumentando. Questi sistemi implicano non solo il riconoscimento e la classificazione di ogni oggetto in un'immagine, ma anche la localizzazione di ciascuno di essi disegnandoci attorno il riquadro di delimitazione appropriato. Nell'ultimo decennio, i rapidi progressi delle tecniche di deep learning hanno notevolmente accelerato lo slancio del rilevamento di oggetti.

Estrarre e analizzare i dati dai documenti

JumpStart fornisce soluzioni per scoprire informazioni e connessioni preziose in documenti aziendali critici. I casi d'uso includono la classificazione del testo, il riepilogo dei documenti, il riconoscimento della grafia, l'estrazione delle relazioni, domande e risposte e inserimento dei valori mancanti nei record tabulari.

Manutenzione predittiva

La manutenzione predittiva mira a ottimizzare l'equilibrio tra manutenzione correttiva e preventiva facilitando la sostituzione tempestiva dei componenti. Le seguenti soluzioni utilizzano i dati dei sensori provenienti da asset industriali per prevedere guasti delle macchine, fermi macchina non pianificati e costi di riparazione.

Previsione del tasso di abbandono

Il tasso di abbandono dei clienti è un problema costoso che affligge un'ampia gamma di aziende. Nel tentativo di ridurre il tasso di abbandono, le aziende possono identificare i clienti che potrebbero abbandonare il servizio in modo da concentrare i propri sforzi sulla fidelizzazione. Utilizza una soluzione di previsione del JumpStart tasso di abbandono per analizzare fonti di dati come il comportamento degli utenti e i registri delle chat di assistenza clienti per identificare i clienti che sono ad alto rischio di annullare un abbonamento o un servizio.

Consigli personalizzati

Puoi utilizzare JumpStart soluzioni per analizzare i grafici dell'identità dei clienti o le sessioni utente per comprendere e prevedere meglio il comportamento dei clienti. Utilizzare le seguenti soluzioni per ottenere consigli personalizzati, modellare l'identità del cliente su più dispositivi, determinare la probabilità che un cliente effettui un acquisto o creare un programma di video personalizzato basato sul comportamento passato del cliente.

Apprendimento per rinforzo

L'apprendimento per rinforzo (RL) è un tipo di apprendimento che si basa sull'interazione con l'ambiente. Questo tipo di apprendimento viene utilizzato da un agente che deve apprendere il comportamento attraverso trial-and-error interazioni con un ambiente dinamico in cui l'obiettivo è massimizzare i premi a lungo termine che l'agente riceve come risultato delle sue azioni. Le ricompense vengono massimizzate scambiando le azioni esplorative che hanno ricompense incerte con lo sfruttamento di azioni che prevedono ricompense note.

RL è ideale per risolvere problemi di ampia portata e complessi, come la gestione della catena di approvvigionamento, i sistemi HVAC, la robotica industriale, l'intelligenza artificiale dei giochi, i sistemi di dialogo e i veicoli autonomi.

Sanità e scienze biologiche

I medici e i ricercatori possono utilizzare JumpStart soluzioni per analizzare immagini mediche, informazioni genomiche e cartelle cliniche.

Prezzi di natura finanziaria

Molte aziende modificano dinamicamente e con regolarità i prezzi per massimizzare i rendimenti. Utilizza le seguenti JumpStart soluzioni per casi d'uso di ottimizzazione dei prezzi, prezzi dinamici, prezzi delle opzioni o ottimizzazione del portafoglio.

Inferenza causale

I ricercatori possono utilizzare modelli di machine learning come le reti bayesiane per rappresentare dipendenze causali e trarre conclusioni causali basate sui dati. Utilizza la seguente JumpStart soluzione per comprendere la relazione causale tra l'applicazione di fertilizzanti a base di azoto e la resa delle colture di mais.