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.

End-to-end JumpStart modelos de solução

SageMaker JumpStart A IA fornece end-to-end soluções com um clique projetadas para lidar com casos de uso comuns de aprendizado de máquina. Elas usam algoritmos comprovados para seus domínios e fornecem um fluxo de trabalho completo que normalmente inclui processamento de dados, treinamento de modelos, implantação, inferência e monitoramento. 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 Abrir Caderno para usar os cadernos fornecidos e explorar os atributos da solução. Quando os artefatos são gerados durante o lançamento ou após a execução dos cadernos 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.

Previsão de 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 machine learning podem automatizar e melhorar a precisão da predição de crédito.

Detecção de fraudes

Muitas empresas perdem bilhões anualmente com fraudes. Modelos de detecção de fraudes baseados em machine learning 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.

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.

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.

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.

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.

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.

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, sistemas HVAC, robótica industrial, inteligência artificial de jogos, sistemas de diálogo e veículos autônomos.

Saúde e ciências biológicas

Médicos e pesquisadores podem usar JumpStart soluções para analisar imagens médicas, informações genômicas e registros clínicos de saúde.

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.

Inferência causal

Os pesquisadores podem usar modelos de machine learning, 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.