Lösungsvorlagen

Wichtig

Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich speziell auf die Verwendung der Studio Classic-Anwendung. Informationen zur Verwendung der aktualisierten Studio-Oberfläche finden Sie unterAmazon SageMaker Studio.

Anmerkung

JumpStart Lösungen sind nur in Studio Classic verfügbar.

SageMaker JumpStart bietet mit einem Klick end-to-end Lösungen für viele gängige Anwendungsfälle des maschinellen Lernens. In den folgenden Anwendungsfällen finden Sie weitere Informationen zu verfügbaren Lösungsvorlagen.

• Nachfrageprognosen

• Bonitätsprognose

• Betrugserkennung

• Computervision

• Extrahieren und Analysieren von Daten aus Dokumenten

• Prädiktive Wartung

• Prognose der Kundenabwanderung

• Personalisierte Empfehlungen

• Bestärkendes Lernen

• Gesundheitswesen und Biowissenschaften

• Preisgestaltung

• Kausale Inferenz

Wählen Sie auf der JumpStart Landingpage die Lösungsvorlage aus, die am besten zu Ihrem Anwendungsfall passt. Wenn Sie eine Lösungsvorlage auswählen, JumpStart wird eine neue Registerkarte mit einer Beschreibung der Lösung und einer Schaltfläche „Starten“ geöffnet. Wenn Sie Launch auswählen, werden alle Ressourcen JumpStart erstellt, die Sie für die Ausführung der Lösung benötigen, einschließlich Trainings- und Modellhosting-Instances. Weitere Informationen zur Einführung einer JumpStart Lösung finden Sie unterStarten einer Lösung.

Nachdem Sie die Lösung gestartet haben, können Sie die Funktionen der Lösung und alle generierten Artefakte in untersuchen JumpStart. Verwenden Sie das Menü JumpStart Launched Assets, um Ihre Lösung zu finden. Wählen Sie auf der Registerkarte Ihrer Lösung die Option Notebook öffnen aus, um bereitgestellte Notebooks zu verwenden und die Funktionen der Lösung zu untersuchen. Wenn Artefakte beim Start oder nach der Ausführung der bereitgestellten Notebooks generiert werden, werden sie in der Tabelle Generierte Artefakte aufgeführt. Sie können einzelne Artefakte mit dem Papierkorbsymbol ( ) löschen. Sie können alle Ressourcen der Lösung löschen, indem Sie Lösungsressourcen löschen wählen.

Nachfrageprognosen

Nachfrageprognosen verwenden historische Zeitreihendaten, um zukünftige Schätzungen in Bezug auf die Kundennachfrage über einen bestimmten Zeitraum vorzunehmen und den Entscheidungsprozess für Angebot und Nachfrage in allen Unternehmen zu rationalisieren.

Zu den Anwendungsfällen für Nachfrageprognosen gehören die Vorhersage von Ticketverkäufen in der Transportbranche, Aktienkurse, Anzahl der Krankenhausbesuche, Anzahl der Kundenvertreter, die im nächsten Monat für mehrere Standorte eingestellt werden müssen, Produktabsatz in mehreren Regionen im nächsten Quartal, Cloud-Servernutzung für den nächsten Tag für einen Video-Streaming-Dienst, Stromverbrauch für mehrere Regionen in der nächsten Woche, Anzahl der IoT-Geräte und Sensoren wie Energieverbrauch und mehr.

Zeitreihendaten werden in univariate und multivariate Daten unterteilt. Beispielsweise handelt es sich beim Gesamtstromverbrauch eines einzelnen Haushalts um eine univariate Zeitreihe über einen bestimmten Zeitraum. Wenn mehrere univariate Zeitreihen aufeinander gestapelt werden, spricht man von einer multivariaten Zeitreihe. Beispielsweise bildet der Gesamtstromverbrauch von 10 verschiedenen (aber korrelierten) Haushalten in einer einzigen Nachbarschaft einen multivariaten Zeitreihendatensatz.

Solution name (Name der Lösung)	Beschreibung	Erste Schritte
Nachfrageprognosen	Bedarfsprognose für multivariate Zeitreihendaten unter Verwendung von drei state-of-the-art Zeitreihenprognosealgorithmen: LSTNet, Prophet und DeepAR. SageMaker	GitHub »

Bonitätsprognose

Verwenden Sie JumpStart die Lösungen zur Vorhersage der Kreditwürdigkeit von Unternehmen oder zur Erläuterung von Entscheidungen zur Kreditprognose, die mit Modellen des maschinellen Lernens getroffen wurden. Im Vergleich zu herkömmlichen Methoden zur Bonitätsmodellierung können Modelle für Machine Learning die Genauigkeit von Kreditprognosen automatisieren und verbessern.

Solution name (Name der Lösung)	Beschreibung	Erste Schritte
Vorhersage der Bonität von Unternehmen	Multimodales maschinelles Lernen (Langtext und tabellarisches) für qualitativ hochwertige Kreditprognosen mit AWS AutoGluon Tabular.	GitHub »
Graphbasiertes Kreditscoring	Prognostizieren Sie die Kreditwürdigkeit von Unternehmen mithilfe von Tabellendaten und einem Unternehmensnetzwerk, indem Sie ein GraphSage- und ein Tabularmodell mit Graph Neural Network trainieren. AWS AutoGluon	Finden Sie in Amazon SageMaker Studio Classic.
Erläutern von Kreditentscheidungen	Prognostizieren Sie Kreditausfälle bei Kreditanträgen und geben Sie Erklärungen mit LightGBM und SHAP (Shapley Additive exPlanations).	GitHub »

Betrugserkennung

Viele Unternehmen verlieren jährlich Milliarden durch Betrug. Modelle zur Betrugserkennung, die auf Machine Learning basieren, können dabei helfen, anhand einer riesigen Datenmenge systematisch mögliche betrügerische Aktivitäten zu identifizieren. Die folgenden Lösungen verwenden Transaktions- und Benutzeridentitätsdatensätze, um betrügerische Transaktionen zu erkenne.

Solution name (Name der Lösung)	Beschreibung	Erste Schritte
Erkennen böswilliger Benutzer und Transaktionen	Erkennen Sie automatisch potenziell betrügerische Aktivitäten bei Transaktionen mit SageMakerXGBoost mithilfe der Oversampling-Technik Synthetic Minority Oversampling (SMOTE).	GitHub »
Betrugserkennung bei Finanztransaktionen mit Deep Graph Library	Erkennen Sie Betrug bei Finanztransaktionen, indem Sie ein Graph Convolutional Network mit der Deep Graph Library und einem XGBoost-Modell trainieren. SageMaker	GitHub »
Klassifizierung von finanziellen Leistungen	Klassifizieren Sie finanzielle Zahlungen anhand von Transaktionsinformationen mithilfe von XGBoost. SageMaker Verwenden Sie diese Lösungsvorlage als Zwischenschritt bei der Betrugserkennung, Personalisierung oder Erkennung von Anomalien.	Finden Sie in Amazon SageMaker Studio Classic.

Computervision

Mit der Zunahme von geschäftlichen Anwendungsfällen wie autonomen Fahrzeugen, intelligenter Videoüberwachung, Gesundheitsüberwachung und verschiedenen Aufgaben zur Objektzählung steigt die Nachfrage nach schnellen und genauen Objekterkennungssystemen. Bei diesen Systemen wird nicht nur jedes Objekt in einem Bild erkannt und klassifiziert, sondern auch jedes Objekt lokalisiert, indem der entsprechende Begrenzungsrahmen um das Bild gezogen wird. In den letzten zehn Jahren haben die rasanten Fortschritte bei Deep-Learning-Techniken die Dynamik der Objekterkennung erheblich beschleunigt.

Solution name (Name der Lösung)	Beschreibung	Erste Schritte
Visuelle Erkennung von Produktfehlern	Identifizieren Sie fehlerhafte Bereiche in Produktbildern, indem Sie entweder ein Objekterkennungsmodell von Grund auf trainieren oder vortrainierte SageMaker Modelle optimieren.	GitHub »
Handschrifterkennung	Erkennen Sie handgeschriebenen Text in Bildern, indem Sie ein Objekterkennungsmodell und ein Handschrifterkennungsmodell trainieren. Kennzeichnen Sie Ihre eigenen Daten mit SageMaker Ground Truth.	GitHub »
Objekterkennung für Vogelarten	Identifizieren Sie Vogelarten in einer Szene mithilfe eines SageMaker Objekterkennungsmodells.	Finden Sie in Amazon SageMaker Studio Classic.

Extrahieren und Analysieren von Daten aus Dokumenten

JumpStart bietet Lösungen, mit denen Sie wertvolle Erkenntnisse und Zusammenhänge in geschäftskritischen Dokumenten aufdecken können. Zu den Anwendungsfällen gehören Textklassifizierung, Zusammenfassung von Dokumenten, Handschrifterkennung, Relationsextraktion, Fragen und Antworten sowie das Ausfüllen fehlender Werte in tabellarischen Datensätzen.

Solution name (Name der Lösung)	Beschreibung	Erste Schritte
Schutz der Privatsphäre bei der Sentiment-Klassifikation	Anonymisieren Sie Text, um die Privatsphäre von Benutzern bei der Sentiment-Klassifikation besser zu schützen.	GitHub »
Verstehen von Dokumenten	Zusammenfassung von Dokumenten, Extraktion von Entitäten und Beziehungen mithilfe der Transformers-Bibliothek in. PyTorch	GitHub »
Handschrifterkennung	Erkennen Sie handgeschriebenen Text in Bildern, indem Sie ein Objekterkennungsmodell und ein Handschrifterkennungsmodell trainieren. Kennzeichnen Sie Ihre eigenen Daten mit SageMaker Ground Truth.	GitHub »
Ausfüllen fehlender Werte in tabellarischen Datensätzen	Füllen Sie fehlende Werte in tabellarischen Datensätzen aus, indem Sie ein SageMaker AutoPilotModell trainieren.	GitHub »

Prädiktive Wartung

Prädiktive Wartung zielt darauf ab, das Gleichgewicht zwischen korrektiver und präventiver Wartung zu optimieren, indem der rechtzeitige Austausch von Komponenten erleichtert wird. Die folgenden Lösungen verwenden Sensordaten von Industrieanlagen, um Maschinenausfälle, ungeplante Ausfallzeiten und Reparaturkosten vorherzusagen.

Solution name (Name der Lösung)	Beschreibung	Erste Schritte
Prädiktive Wartung für Fahrzeugflotten	Prognostizieren Sie Ausfälle von Fahrzeugflotten mithilfe von Fahrzeugsensor- und Wartungsinformationen mit einem konvolutionalen neuronalen Netzwerkmodell.	GitHub »
Prädiktive Wartung für die Fertigung	Prognostizieren Sie die verbleibende Nutzungsdauer für jeden Sensor, indem Sie ein gestapeltes bidirektionales neuronales LSTM-Netzwerkmodell anhand historischer Sensormesswerte trainieren.	GitHub »

Prognose der Kundenabwanderung

Die Kundenabwanderung oder Fluktuationsrate ist ein kostspieliges Problem, mit dem eine Vielzahl von Unternehmen konfrontiert ist. Um die Kundenabwanderung zu reduzieren, können Unternehmen Kunden identifizieren, bei denen es wahrscheinlich ist, dass sie ihren Service verlassen werden, um sich auf die Kundenbindung zu konzentrieren. Analysieren Sie mithilfe einer Lösung zur Vorhersage der JumpStart Kundenabwanderung Datenquellen wie Benutzerverhalten und Chatprotokolle des Kundensupports, um Kunden zu identifizieren, bei denen ein hohes Risiko besteht, ein Abonnement oder einen Dienst zu kündigen.

Solution name (Name der Lösung)	Beschreibung	Erste Schritte
Prognose der Kundenabwanderung mit Text	Prognostizieren Sie die Kundenabwanderung mithilfe numerischer, kategorialer und textueller Merkmale mit BERT-Encoder und Classifier. RandomForest	GitHub »
Vorhersage der Kundenabwanderung bei Mobilfunkkunden	Identifizieren Sie unzufriedene Handykunden mithilfe von XGBoost. SageMaker	Finden Sie in Amazon SageMaker Studio Classic.

Personalisierte Empfehlungen

Sie können JumpStart Lösungen zur Analyse von Kundenidentitätsdiagrammen oder Benutzersitzungen verwenden, um das Kundenverhalten besser zu verstehen und vorherzusagen. Verwenden Sie die folgenden Lösungen für personalisierte Empfehlungen, um die Kundenidentität auf mehreren Geräten zu modellieren, die Wahrscheinlichkeit zu ermitteln, dass ein Kunde einen Kauf tätigt, oder eine benutzerdefinierte Filmempfehlung zu erstellen, die auf dem bisherigen Kundenverhalten basiert.

Solution name (Name der Lösung)	Beschreibung	Erste Schritte
Entität-Auflösung in Identitätsdiagrammen mit Deep Graph Library	Führen Sie eine geräteübergreifende Entität-Verknüpfung für Online-Werbung durch, indem Sie ein Graph Convolutional Network mit einer Deep Graph Library trainieren.	GitHub »
Kaufmodelle	Prognostizieren Sie, ob ein Kunde einen Kauf tätigen wird, indem Sie ein SageMaker XGBoost-Modell trainieren.	GitHub »
Benutzerdefiniertes Empfehlungssystem	Trainieren und implementieren Sie ein benutzerdefiniertes Empfehlungssystem, das mithilfe von neuronalem kollaborativem Filtern Filmvorschläge für einen Kunden generiert, die auf dem Verhalten in der Vergangenheit basieren. SageMaker	Finden Sie in Amazon SageMaker Studio Classic.

Bestärkendes Lernen

Reinforcement Learning (RL) ist eine Art des Lernens, das auf der Interaktion mit der Umgebung basiert. Diese Art des Lernens wird von einem Agenten verwendet, der Verhalten durch trial-and-error Interaktionen mit einer dynamischen Umgebung erlernen muss, in der das Ziel darin besteht, die langfristigen Vorteile zu maximieren, die der Agent als Ergebnis seiner Aktionen erhält. Die Belohnungen werden maximiert, indem das Erkunden von Aktionen mit ungewissen Belohnungen und das Ausnutzen von Aktionen mit bekannten Belohnungen gegeneinander abgewogen wird.

RL eignet sich hervorragend für die Lösung großer, komplexer Probleme wie Lieferkettenmanagement, HLK-Systeme, Industrierobotik, künstliche Intelligenz in Spielen, Dialogsysteme und autonome Fahrzeuge.

Solution name (Name der Lösung)	Beschreibung	Erste Schritte
Reinforcement Learning für BattleSnake-KI-Wettbewerbe	Stellen Sie im Rahmen der BattleSnakeKI-Wettbewerbe einen Arbeitsablauf für verstärktes Lernen für Training und Inferenz bereit.	GitHub »
Verteiltes Reinforcement Learning für die Procgen-Herausforderung	Starterkit für verteiltes Reinforcement Learning für die NeuroIPS 2020 Procgen Reinforcement-Learning-Herausforderung.	GitHub »

Gesundheitswesen und Biowissenschaften

Kliniker und Forscher können JumpStart Lösungen verwenden, um medizinische Bilder, genomische Informationen und klinische Patientenakten zu analysieren.

Solution name (Name der Lösung)	Beschreibung	Erste Schritte
Überlebensprognose bei Lungenkrebs	Prognostizieren Sie mithilfe von XGBoost den Überlebensstatus von Patienten mit nichtkleinzelligem Lungenkrebs mithilfe von dreidimensionalen Lungencomputertomografien (CT), genomischen Daten und klinischen Patientenakten. SageMaker	GitHub »

Preisgestaltung

Viele Unternehmen passen die Preise regelmäßig dynamisch an, um ihre Rendite zu maximieren. Verwenden Sie die folgenden JumpStart Lösungen für Anwendungsfälle wie Preisoptimierung, dynamische Preisgestaltung, Optionspreisgestaltung oder Portfoliooptimierung.

Solution name (Name der Lösung)	Beschreibung	Erste Schritte
Preisoptimierung	Schätzen Sie die Preiselastizität mithilfe von Double Machine Learning (ML) für kausale Inferenz und Prophet-Prognoseverfahren ein. Optimieren Sie anhand dieser Schätzungen die Tagespreise.	Finden Sie in Amazon SageMaker Studio Classic.

Kausale Inferenz

Forscher können Machine-Learning-Modelle wie Bayessche Netze verwenden, um kausale Abhängigkeiten darzustellen und auf der Grundlage von Daten kausale Schlüsse zu ziehen. Verwenden Sie die folgende JumpStart Lösung, um den kausalen Zusammenhang zwischen der Ausbringung von Düngemitteln auf Stickstoffbasis und den Maiserträgen zu verstehen.

Solution name (Name der Lösung)	Beschreibung	Erste Schritte
Kontrafaktische Szenarien für Ernteerträge	Erstellen Sie eine kontrafaktische Analyse der Reaktion von Mais auf Stickstoff. Diese Lösung erfasst anhand multispektraler Satellitenbilder und bodennaher Beobachtungen den phänologischen Zyklus der Nutzpflanzen in seiner Gesamtheit.	Finden Sie in Amazon SageMaker Studio Classic.