As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.
Use modelos de end-to-end JumpStart solução
Importante
Em 30 de novembro de 2023, a experiência anterior do Amazon SageMaker Studio agora se chama Amazon SageMaker Studio Classic. A seção a seguir é específica para usar o aplicativo Studio Classic. Para obter informações sobre como usar a experiência atualizada do Studio, consulte SageMaker Estúdio Amazon.
nota
JumpStart As soluções só estão disponíveis no Studio Classic.
SageMaker JumpStart fornece end-to-end soluções com um clique para muitos casos de uso comuns de aprendizado de máquina. Explore os seguintes casos de uso para obter mais informações sobre os modelos de solução disponíveis.
Escolha o modelo de solução mais adequado ao seu caso de uso na JumpStart página inicial. Quando você escolhe um modelo de solução, JumpStart abre uma nova guia mostrando uma descrição da solução e um botão Iniciar. Quando você seleciona Launch, JumpStart cria todos os recursos necessários para executar a solução, incluindo treinamento e modelar instâncias de hospedagem. Para obter mais informações sobre o lançamento de uma JumpStart solução, consulteLance uma solução.
Depois de lançar a solução, você pode explorar os recursos da solução e quaisquer artefatos gerados em JumpStart. Use o menu JumpStart Ativos lançados para encontrar sua solução. Na guia da sua solução, selecione Open Notebook para usar os notebooks fornecidos e explorar os recursos da solução. Quando os artefatos são gerados durante o lançamento ou após a execução dos notebooks fornecidos, eles são listados na tabela Artefatos gerados. Você pode excluir artefatos individuais com o ícone da lixeira (
). Você pode excluir todos os recursos da solução escolhendo Excluir recursos da solução.
Previsão de demanda
A previsão de demanda usa dados históricos de séries temporais para fazer estimativas futuras em relação à demanda do cliente em um período específico e agilizar o processo de tomada de decisão de oferta e demanda em todas as empresas.
Os casos de uso da previsão de demanda incluem previsão de vendas de ingressos no setor de transporte, preços de ações, número de visitas a hospitais, número de representantes de clientes a serem contratados para vários locais no próximo mês, vendas de produtos em várias regiões no próximo trimestre, uso de servidores em nuvem no dia seguinte para um serviço de streaming de vídeo, consumo de eletricidade em várias regiões na próxima semana, número de dispositivos e sensores de IoT, como consumo de energia e muito mais.
Os dados da série temporal são categorizados como univariados e multivariados. Por exemplo, o consumo total de eletricidade de uma única residência é uma série temporal univariada durante um período de tempo. Quando várias séries temporais univariadas são empilhadas umas sobre as outras, ela é chamada de série temporal multivariada. Por exemplo, o consumo total de eletricidade de 10 residências diferentes (mas correlacionadas) em um único bairro compõe um conjunto de dados de séries temporais multivariadas.
Prever a classificação de crédito
Use as soluções JumpStart de previsão de classificação de crédito para prever classificações de crédito corporativas ou para explicar as decisões de previsão de crédito tomadas por modelos de aprendizado de máquina. Em comparação com os métodos tradicionais de modelagem de classificação de crédito, os modelos de aprendizado de máquina podem automatizar e melhorar a precisão da previsão de crédito.
| Nome da solução | Descrição | Conceitos básicos |
|---|---|---|
| Previsão de classificação de crédito corporativo | Aprendizado de máquina multimodal (texto longo e tabular) para previsões de crédito de qualidade usando o Tabular. AWS AutoGluon |
GitHub » |
| Pontuação de crédito baseada em gráficos | Preveja classificações de crédito corporativas usando dados tabulares e uma rede corporativa treinando um gráfico de rede neural gráfica SAGE |
Encontre no Amazon SageMaker Studio Classic. |
| Explique as decisões de crédito | Preveja a inadimplência de crédito em solicitações de crédito e forneça explicações usando Light GBM |
Detecção de fraudes
Muitas empresas perdem bilhões anualmente com fraudes. Modelos de detecção de fraudes baseados em aprendizado de máquina podem ajudar a identificar sistematicamente possíveis atividades fraudulentas a partir de uma enorme quantidade de dados. As soluções a seguir usam conjuntos de dados de transações e de identidade do usuário para identificar transações fraudulentas.
| Nome da solução | Descrição | Conceitos básicos |
|---|---|---|
| Detecte usuários e transações mal-intencionados | Detecte automaticamente atividades potencialmente fraudulentas em transações usando SageMakerXGBoosta técnica de sobreamostragem Synthetic Minority |
|
| Detecção de fraudes em transações financeiras usando uma biblioteca gráfica profunda | Detecte fraudes em transações financeiras treinando uma rede convolucional gráfica |
|
| Classificação de pagamento financeiro | Classifique os pagamentos financeiros com base nas informações da transação usando SageMaker XGBoost. Use esse modelo de solução como uma etapa intermediária na detecção de fraudes, personalização ou detecção de anomalias. |
Encontre no Amazon SageMaker Studio Classic. |
Visão computacional
Com o aumento de casos de uso comercial, como veículos autônomos, vigilância por vídeo inteligente, monitoramento de saúde e várias tarefas de contagem de objetos, a demanda por sistemas de detecção de objetos rápidos e precisos está aumentando. Esses sistemas envolvem não apenas reconhecer e classificar cada objeto em uma imagem, mas localizar cada um desenhando a caixa delimitadora apropriada ao redor dele. Na última década, os rápidos avanços das técnicas de aprendizado profundo aceleraram muito o ímpeto da detecção de objetos.
| Nome da solução | Descrição | Conceitos básicos |
|---|---|---|
| Detecção visual de defeitos do produto | Identifique regiões defeituosas nas imagens do produto treinando um modelo de detecção de objetos do zero |
|
| Reconhecimento de caligrafia | Reconheça texto manuscrito em imagens treinando um modelo de detecção de objetos e um modelo |
GitHub » |
| Detecção de objetos para espécies de pássaros | Identifique espécies de pássaros em uma cena usando um modelo de detecção de SageMaker objetos. |
Encontre no Amazon SageMaker Studio Classic. |
Extraia e analise dados de documentos
JumpStart fornece soluções para você descobrir informações e conexões valiosas em documentos essenciais para os negócios. Os casos de uso incluem classificação de texto, resumo de documentos, reconhecimento de caligrafia, extração de relacionamentos, perguntas e respostas e preenchimento de valores faltantes em registros tabulares.
| Nome da solução | Descrição | Conceitos básicos |
|---|---|---|
| Privacidade para classificação de sentimentos | Torne o texto anônimo |
|
| Compreensão do documento | Resumo de documentos, extração de entidades e relacionamentos usando a biblioteca de transformadores |
|
| Reconhecimento de caligrafia | Reconheça texto manuscrito em imagens treinando um modelo de detecção de objetos e um modelo |
GitHub » |
| Preenchendo valores faltantes em registros tabulares | Preencha os valores ausentes nos registros tabulares treinando um SageMaker AutoPilot |
Manutenção preditiva
A manutenção preditiva visa otimizar o equilíbrio entre manutenção corretiva e preventiva, facilitando a substituição oportuna dos componentes. As soluções a seguir usam dados de sensores de ativos industriais para prever falhas na máquina, tempo de inatividade não planejado e custos de reparo.
| Nome da solução | Descrição | Conceitos básicos |
|---|---|---|
| Manutenção preditiva para frotas de veículos | Preveja falhas na frota de veículos usando sensores de veículos e informações de manutenção com um modelo de rede neural convolucional. | |
| Manutenção preditiva para manufatura | Preveja a vida útil restante de cada sensor treinando um modelo de rede LSTM neural bidirecional empilhado |
Prever a rotatividade
A rotatividade de clientes, ou taxa de desgaste, é um problema caro enfrentado por uma grande variedade de empresas. Em um esforço para reduzir a rotatividade, as empresas podem identificar clientes que provavelmente deixarão seus serviços para concentrar seus esforços na retenção de clientes. Use uma solução de previsão de JumpStart rotatividade para analisar fontes de dados, como comportamento do usuário e registros de bate-papo do suporte ao cliente, para identificar clientes com alto risco de cancelar uma assinatura ou serviço.
| Nome da solução | Descrição | Conceitos básicos |
|---|---|---|
| Previsão de rotatividade com texto | Preveja a rotatividade usando recursos numéricos, categóricos e textuais com o codificador e. BERT RandomForestClassifier |
|
| Previsão de rotatividade para clientes de telefonia móvel | Identifique clientes insatisfeitos de telefonia celular que usam SageMaker XGBoost. |
Encontre no Amazon SageMaker Studio Classic. |
Recomendações personalizadas
Você pode usar JumpStart soluções para analisar gráficos de identidade do cliente ou sessões de usuários para entender e prever melhor o comportamento do cliente. Use as soluções a seguir para obter recomendações personalizadas para modelar a identidade do cliente em vários dispositivos, determinar a probabilidade de um cliente fazer uma compra ou criar um recomendador de filmes personalizado com base no comportamento anterior do cliente.
| Nome da solução | Descrição | Conceitos básicos |
|---|---|---|
| Resolução de entidades em gráficos de identidade com biblioteca de gráficos profunda | Execute a vinculação de entidades entre dispositivos para publicidade on-line treinando uma rede convolucional gráfica |
|
| Modelagem de compra | Preveja se um cliente fará uma compra treinando um SageMaker XGBoostmodelo. | |
| Sistema de recomendação personalizado |
Treine e implante um sistema de recomendação personalizado que gera sugestões de filmes para um cliente com base no comportamento anterior usando a Filtragem Colaborativa Neural em. SageMaker |
Encontre no Amazon SageMaker Studio Classic. |
Aprendizado por reforço
O aprendizado por reforço (RL) é um tipo de aprendizado baseado na interação com o ambiente. Esse tipo de aprendizado é usado por um agente que deve aprender o comportamento por meio de trial-and-error interações com um ambiente dinâmico no qual o objetivo é maximizar as recompensas de longo prazo que o agente recebe como resultado de suas ações. As recompensas são maximizadas trocando ações de exploração que têm recompensas incertas por ações de exploração que têm recompensas conhecidas.
O RL é adequado para resolver problemas grandes e complexos, como gerenciamento da cadeia de suprimentos, HVAC sistemas, robótica industrial, inteligência artificial de jogos, sistemas de diálogo e veículos autônomos.
| Nome da solução | Descrição | Conceitos básicos |
|---|---|---|
| Aprendizado por reforço para competições de IA do Battlesnake | Forneça um fluxo de trabalho de aprendizado por reforço para treinamento e inferência com as competições de BattleSnake |
|
| Aprendizado por reforço distribuído para o desafio Procgen | Kit inicial de aprendizado por reforço distribuído para o desafio de aprendizado por reforço Neur IPS 2020 Procgen |
GitHub
» |
Saúde e ciências biológicas
Médicos e pesquisadores podem usar JumpStart soluções para analisar imagens médicas, informações genômicas e registros clínicos de saúde.
| Nome da solução | Descrição | Conceitos básicos |
|---|---|---|
| Previsão de sobrevivência ao câncer de pulmão | Preveja o status de sobrevivência de pacientes com câncer de pulmão de células não pequenas com tomografia computadorizada (TC) pulmonar tridimensional, dados genômicos e registros clínicos de saúde usando. SageMakerXGBoost |
Preços financeiros
Muitas empresas ajustam dinamicamente os preços regularmente para maximizar seus retornos. Use as JumpStart soluções a seguir para casos de uso de otimização de preços, preços dinâmicos, preços de opções ou otimização de portfólio.
| Nome da solução | Descrição | Conceitos básicos |
|---|---|---|
| Otimização de tabelas |
Estime a elasticidade do preço usando o Double Machine Learning (ML) para inferência causal e o procedimento de previsão do Prophet |
Encontre no Amazon SageMaker Studio Classic. |
Inferência causal
Os pesquisadores podem usar modelos de aprendizado de máquina, como redes bayesianas, para representar dependências causais e tirar conclusões causais com base em dados. Use a JumpStart solução a seguir para entender a relação causal entre a aplicação de fertilizantes à base de nitrogênio e a produtividade da safra de milho.
| Nome da solução | Descrição | Conceitos básicos |
|---|---|---|
| Contrafactuais do rendimento da safra |
Gere uma análise contrafactual da resposta do milho ao nitrogênio. Essa solução aprende o ciclo da fenologia da cultura em sua totalidade usando imagens de satélite multiespectrais e observações no nível do solo |
Encontre no Amazon SageMaker Studio Classic. |
