기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.

End-to-end JumpStart 솔루션 템플릿

SageMaker JumpStart 는 일반적인 기계 학습 사용 사례를 해결하도록 설계된 원클릭 end-to-end 솔루션을 제공합니다. 도메인에 입증된 알고리즘을 사용하고 일반적으로 데이터 처리, 모델 훈련, 배포, 추론 및 모니터링을 포함하는 완전한 워크플로를 제공합니다. 사용 가능한 솔루션 템플릿에 대한 자세한 내용은 다음 사용 사례를 살펴보세요.

JumpStart 랜딩 페이지에서 사용 사례에 가장 적합한 솔루션 템플릿을 선택합니다. 솔루션 템플릿을 선택하면 솔루션에 대한 설명과 시작 버튼이 표시된 새 탭이 JumpStart 열립니다. 시작을 선택하면 는 훈련 및 모델 호스팅 인스턴스를 포함하여 솔루션을 실행하는 데 필요한 모든 리소스를 JumpStart 생성합니다. JumpStart 솔루션 시작에 대한 자세한 내용은 섹션을 참조하세요솔루션 시작.

솔루션을 시작한 후 에서 솔루션 기능과 생성된 아티팩트를 탐색할 수 있습니다 JumpStart. 시작 자산 JumpStart 메뉴를 사용하여 솔루션을 찾습니다. 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( )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.

신용 등급 예측

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

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.

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.

문서에서 데이터를 추출하고 분석합니다.

JumpStart 는 비즈니스 크리티컬 문서에서 중요한 인사이트와 연결을 찾을 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.

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.

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. 이탈 예측 솔루션을 사용하여 JumpStart 사용자 동작 및 고객 지원 채팅 로그와 같은 데이터 소스를 분석하여 구독 또는 서비스를 취소할 위험이 높은 고객을 식별합니다.

맞춤형 추천

JumpStart 솔루션을 사용하여 고객 자격 증명 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.

강화 학습

강화형 기계 학습(RL)은 환경과의 상호 작용을 기반으로 하는 학습 유형입니다. 이러한 유형의 학습은 에이전트가 작업의 결과로 받는 장기 보상을 극대화하는 것이 목표인 동적 환경과의 trial-and-error 상호 작용을 통해 동작을 학습해야 하는 에이전트가 사용합니다. 불확실한 보상이 있는 행동의 탐색을 알려진 보상이 있는 행동의 악용과 절충함으로써 보상을 극대화합니다.

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

의료 및 생명 과학

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

금융 요금

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

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 적용과 옥수수 작물 수율 간의 인과관계를 이해할 수 있습니다.