수요 예측 신용 등급 예측 사기 탐지 컴퓨터 비전 문서에서 데이터를 추출하고 분석합니다.예측 유지 보수 변동 예측 맞춤형 추천 강화 학습 의료 및 생명 과학 금융 요금 인과 관계 추론

솔루션 템플릿

중요

2023년 11월 30일부터 이전 아마존 SageMaker 스튜디오 익스피리언스는 이제 아마존 SageMaker 스튜디오 클래식으로 명명되었습니다. 다음 섹션은 스튜디오 클래식 애플리케이션 사용에 대한 내용입니다. 업데이트된 Studio 환경 사용에 대한 자세한 내용은 을 참조하십시오아마존 SageMaker 스튜디오.

참고

JumpStart 솔루션은 Studio Classic에서만 사용할 수 있습니다.

SageMaker JumpStart 여러 일반적인 기계 학습 사용 사례에 대한 원클릭 end-to-end 솔루션을 제공합니다. 사용 가능한 솔루션 템플릿에 대한 자세한 내용은 다음 사용 사례를 살펴보세요.

수요 예측
신용 등급 예측
사기 탐지
컴퓨터 비전
문서에서 데이터를 추출하고 분석합니다.
예측 유지 보수
변동 예측
맞춤형 추천
강화 학습
의료 및 생명 과학
금융 요금
인과 관계 추론

JumpStart 랜딩 페이지에서 사용 사례에 가장 적합한 솔루션 템플릿을 선택하세요. 솔루션 템플릿을 선택하면 솔루션에 대한 설명과 실행 버튼이 표시된 새 탭이 JumpStart 열립니다. Launch를 선택하면 교육 및 모델 호스팅 인스턴스를 포함하여 솔루션을 실행하는 데 필요한 모든 리소스가 JumpStart 생성됩니다. JumpStart 솔루션 시작에 대한 자세한 내용은 을 참조하십시오솔루션 시작.

솔루션을 실행한 후에는 에서 솔루션 기능 및 생성된 아티팩트를 탐색할 수 있습니다. JumpStart 출시된 JumpStart 자산 메뉴를 사용하여 솔루션을 찾을 수 있습니다. 솔루션 탭에서 노트북 열기를 선택하여 제공된 노트북을 사용하고 솔루션의 기능을 탐색하세요. 제공된 노트북을 시작하는 동안이나 실행한 후에 아티팩트가 생성되면 생성된 아티팩트 테이블에 해당 아티팩트가 나열됩니다. 휴지통 아이콘( The trash icon for JumpStart. )으로 개별 아티팩트를 삭제할 수 있습니다. 솔루션 리소스 삭제를 선택하여 모든 솔루션 리소스를 삭제할 수 있습니다.

수요 예측

수요 예측에서는 과거 시계열 데이터를 사용하여 특정 기간의 고객 수요와 관련하여 미래를 예측하고 기업 전반의 공급–수요 의사 결정 프로세스를 간소화합니다.

수요 예측 사용 사례에는 운송 업계의 티켓 판매, 주가, 병원 방문 횟수, 다음 달 여러 곳에서 고용할 고객 담당자 수, 다음 분기 여러 지역의 제품 판매, 동영상 스트리밍 서비스의 익일 클라우드 서버 사용량, 다음 주 여러 지역의 전력 소비량, 에너지 소비량과 같은 IoT 디바이스 및 센서 수 등의 예측이 포함됩니다.

시계열 데이터는 단변량 및 다변량으로 분류됩니다. 예를 들어, 한 가구의 총 전력 소비량은 일정 기간 동안의 단변량 시계열입니다. 여러 단변량 시계열이 서로에 대해 누적된 경우를 다변량 시계열이라고 합니다. 예를 들어, 한 지역에 있는 서로 다른(그러나 상관관계가 있는) 10개 가구의 총 전력 소비량은 다변량 시계열 데이터 세트를 구성합니다.

솔루션 이름	설명	시작
수요 예측	LSTNet , Prophet, Deepar라는 세 가지 시계열 예측 알고리즘을 사용하여 다변량 state-of-the-art 시계열 데이터에 대한 수요를 예측합니다. SageMaker	GitHub »

신용 등급 예측

JumpStart의 신용 등급 예측 솔루션을 사용하여 기업 신용 등급을 예측하거나 기계 학습 모델을 통해 내려진 신용 예측 결정을 설명할 수 있습니다. 기존의 신용 등급 모델링 방법에 비해, 기계 학습 모델은 신용 예측의 정확도를 자동화하고 개선할 수 있습니다.

솔루션 이름	설명	시작
기업 신용 등급 예측	Tabular를 사용한 고품질 신용 예측을 위한 멀티모달 (긴 텍스트 및 표 형식) 기계 학습 AWS AutoGluon	GitHub »
그래프 기반 신용 점수 평가	그래프 신경망 GraphSage 및 Tabular 모델을 학습시켜 표 형식의 데이터와 기업 네트워크를 사용하여 기업 신용 등급을 예측합니다. AWS AutoGluon	아마존 SageMaker 스튜디오 클래식에서 찾아보세요.
신용 결정 설명	신용대출 신청에서 신용 불이행을 예측하고 LightGBM 및 SHAP(SHapley Additive exPlanations)를 사용하여 설명을 제공합니다.	GitHub »

사기 탐지

많은 기업이 사기 피해로 매년 수십억 달러의 손실을 입습니다. 기계 학습 기반 사기 탐지 모델은 엄청난 양의 데이터에서 사기 가능성이 있는 활동을 체계적으로 식별하는 데 도움이 될 수 있습니다. 다음 솔루션은 거래 및 사용자 자격 증명 데이터 세트를 사용하여 사기 거래를 식별합니다.

솔루션 이름	설명	시작
악의적인 사용자 및 거래를 탐지합니다.	SageMakerXGBoost를 사용하면 오버샘플링 기술인 합성 소수 민족 오버샘플링 (SMOTE) 을 사용하여 거래에서 잠재적 사기 활동을 자동으로 탐지할 수 있습니다.	GitHub »
딥 그래프 라이브러리를 사용한 금융 거래 사기 탐지	딥 그래프 라이브러리와 XGBoost 모델을 사용하여 그래프 컨볼루션 네트워크를 훈련시켜 금융 거래에서 사기를 탐지할 수 있습니다. SageMaker	GitHub »
금융 결제 분류	XGBoost를 사용하여 거래 정보를 기반으로 금융 결제를 분류합니다. SageMaker 이 솔루션 템플릿을 사기 탐지, 개인화 또는 이상 탐지의 중간 단계로 사용합니다.	아마존 SageMaker 스튜디오 클래식에서 찾아보세요.

컴퓨터 비전

자율 주행 차량, 스마트 비디오 감시, 의료 모니터링 및 다양한 객체 계수 작업과 같은 비즈니스 사용 사례가 증가함에 따라, 빠르고 정확한 객체 감지 시스템에 대한 수요가 증가하고 있습니다. 이러한 시스템에는 이미지 내의 모든 객체를 인식하고 분류하는 기능뿐만 아니라 객체 주위에 적절한 경계 상자를 그려 각 객체의 위치를 파악하는 기능이 포함됩니다. 지난 10년 동안 딥 러닝 기법의 급속한 발전으로 객체 감지의 모멘텀이 크게 가속화되었습니다.

솔루션 이름	설명	시작
시각적 제품 결함 탐지	객체 감지 모델을 처음부터 학습시키거나 사전 학습된 모델을 미세 조정하여 제품 이미지에서 결함 영역을 식별할 수 있습니다. SageMaker	GitHub »
필기 인식	객체 감지 모델 및 필기 인식 모델을 훈련시켜 이미지 내에서 수기로 작성한 텍스트를 인식합니다. SageMaker Ground Truth를 사용하여 자체 데이터에 레이블을 지정하세요.	GitHub »
조류 종의 객체 감지	SageMaker 객체 감지 모델을 사용하여 장면에 있는 조류 종을 식별할 수 있습니다.	아마존 SageMaker 스튜디오 클래식에서 찾아보세요.

문서에서 데이터를 추출하고 분석합니다.

JumpStart 비즈니스에 중요한 문서에서 귀중한 통찰력과 연관성을 발견할 수 있는 솔루션을 제공합니다. 사용 사례에는 텍스트 분류, 문서 요약, 필기 인식, 관계 추출, 질문 및 답변, 테이블 형식 레코드의 누락된 값 채우기 등이 있습니다.

솔루션 이름	설명	시작
감정 분류를 위한 개인정보 보호	텍스트를 익명화하여 감정 분류에서 사용자 개인정보를 더 잘 보호하세요.	GitHub »
문서 이해	의 트랜스포머 라이브러리를 사용하여 문서 요약, 엔티티 및 관계 추출을 수행할 수 있습니다. PyTorch	GitHub »
필기 인식	객체 감지 모델 및 필기 인식 모델을 훈련시켜 이미지 내에서 수기로 작성한 텍스트를 인식합니다. SageMaker Ground Truth를 사용하여 자체 데이터에 레이블을 지정하세요.	GitHub »
테이블 형식 레코드에서 누락된 값 채우기	SageMaker AutoPilot모델을 학습시켜 표 형식 레코드의 누락된 값을 채웁니다.	GitHub »

예측 유지 보수

예측 유지 보수의 목표는 구성 요소의 적시 교체를 촉진하여 교정 유지 보수와 예방 유지 보수 간의 균형을 최적화하는 것입니다. 다음 솔루션은 산업 자산의 센서 데이터를 사용하여 기계 고장, 예상치 못한 가동 중지 시간 및 수리 비용을 예측합니다.

솔루션 이름	설명	시작
차량 플릿에 대한 예측 유지 보수	컨볼루션 신경망 모델과 함께 차량 센서 및 유지 보수 정보를 사용하여 차량 고장을 예측합니다.	GitHub »
제조를 위한 예측 유지 보수	과거 센서 판독값을 사용하여 적층형 양방향 LSTM 신경망 모델을 훈련시켜 각 센서의 잔여 유효 수명을 예측합니다.	GitHub »

변동 예측

고객 변동 또는 이탈률은 다양한 기업이 직면한 비용이 많이 드는 문제입니다. 변동을 줄이기 위한 노력의 일환으로, 기업은 서비스를 그만둘 가능성이 높은 고객을 파악하여 고객 유지에 노력을 집중할 수 있습니다. JumpStart이탈 예측 솔루션을 사용하면 사용자 행동 및 고객 지원 채팅 로그와 같은 데이터 소스를 분석하여 구독 또는 서비스를 취소할 위험이 높은 고객을 식별할 수 있습니다.

솔루션 이름	설명	시작
텍스트를 통한 변동 예측	BERT 인코더 및 Classifier의 숫자, 범주 및 텍스트 기능을 사용하여 이탈을 예측합니다. RandomForest	GitHub »
휴대전화 고객을 위한 변동 예측	XGBoost를 사용하여 불만이 많은 휴대폰 고객을 식별할 수 있습니다. SageMaker	아마존 SageMaker 스튜디오 클래식에서 찾아보세요.

맞춤형 추천

JumpStart 솔루션을 사용하여 고객 ID 그래프 또는 사용자 세션을 분석하여 고객 행동을 더 잘 이해하고 예측할 수 있습니다. 개인화된 추천을 위해 다음 솔루션을 사용하여 여러 디바이스에서 고객 자격 증명을 모델링하거나, 고객의 구매 가능성을 판단하거나, 과거 고객 행동을 기반으로 맞춤형 영화 추천자를 만들 수 있습니다.

솔루션 이름	설명	시작
딥 그래프 라이브러리를 사용한 자격 증명 그래프의 엔터티 해상도	딥 그래프 라이브러리로 그래프 컨볼루션 네트워크를 훈련시켜 온라인 광고를 위한 크로스 디바이스 엔터티 연결을 수행합니다.	GitHub »
구매 모델링	SageMaker XGBoost 모델을 교육하여 고객의 구매 여부를 예측하세요.	GitHub »
맞춤형 추천 시스템	에서 Neural Collaborative Filteration을 사용하여 과거 행동을 기반으로 고객에게 영화 제안을 생성하는 맞춤형 추천 시스템을 교육하고 배포하세요. SageMaker	아마존 SageMaker 스튜디오 클래식에서 찾아보세요.

강화 학습

강화형 기계 학습(RL)은 환경과의 상호 작용을 기반으로 하는 학습 유형입니다. 에이전트는 이러한 유형의 학습을 사용합니다. 에이전트는 동적 환경과의 trial-and-error 상호 작용을 통해 행동을 학습해야 합니다. 에이전트의 행동 결과로 받는 장기적 보상을 극대화하는 것이 목표입니다. 불확실한 보상이 있는 행동의 탐색을 알려진 보상이 있는 행동의 악용과 절충함으로써 보상을 극대화합니다.

RL은 공급망 관리, HVAC 시스템, 산업용 로봇, 게임 인공 지능, 대화 시스템, 자율 주행 차량과 같은 크고 복잡한 문제를 해결하는 데 매우 적합합니다.

솔루션 이름	설명	시작
Battlesnake AI 대회를 위한 강화 학습	BattleSnakeAI 대회를 통한 훈련 및 추론을 위한 강화 학습 워크플로를 제공하세요.	GitHub »
Procgen 챌린지를 위한 분산 강화 학습	NeurIPS 2020 Procgen 강화 학습 챌린지를 위한 분산 강화 학습 스타터 키트.	GitHub »

의료 및 생명 과학

임상의와 연구원은 JumpStart 솔루션을 사용하여 의료 이미지, 게놈 정보 및 임상 건강 기록을 분석할 수 있습니다.

솔루션 이름	설명	시작
폐암 생존 예측	XGBoost를 사용하여 3차원 폐 컴퓨터 단층촬영 (CT) 스캔, 게놈 데이터 및 임상 건강 기록을 통해 비소세포성 폐암 환자의 생존 상태를 예측합니다. SageMaker	GitHub »

금융 요금

많은 기업이 수익을 극대화하기 위해 정기적으로 가격을 동적으로 조정합니다. 가격 최적화, 동적 가격 책정, 옵션 가격 책정 또는 포트폴리오 최적화 사용 사례에 대해서는 다음 JumpStart 솔루션을 사용하십시오.

솔루션 이름	설명	시작
가격 최적화	인과 관계 추론 및 Prophet 예측 절차를 위한 Double 기계 학습(ML)을 사용하여 가격 탄력성을 추정합니다. 이 추정치를 사용하여 일별 가격을 최적화합니다.	아마존 SageMaker 스튜디오 클래식에서 찾아보세요.

인과 관계 추론

연구자는 베이지안 네트워크와 같은 기계 학습 모델을 사용하여 인과 관계 종속성을 표현하고 데이터를 기반으로 인과 관계에 따른 결론을 도출할 수 있습니다. 다음 JumpStart 솔루션을 사용하여 질소 기반 비료 사용과 옥수수 작물 수확량 간의 인과 관계를 이해하십시오.

솔루션 이름	설명	시작
작물 수확량 반사실 조건	질소에 대한 옥수수 반응의 반사실적 분석을 생성합니다. 이 솔루션은 다중 스펙트럼 위성 이미지와 지상 관측치를 사용하여 작물의 생태 주기를 전체적으로 학습합니다.	아마존 SageMaker 스튜디오 클래식에서 찾아보세요.

javascript가 브라우저에서 비활성화되거나 사용이 불가합니다.

AWS 설명서를 사용하려면 Javascript가 활성화되어야 합니다. 지침을 보려면 브라우저의 도움말 페이지를 참조하십시오.

문서 규칙

공유 모델 및 노트북

솔루션 시작