Lösungsvorlagen - Amazon SageMaker

Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

Lösungsvorlagen

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.

Wählen Sie auf der JumpStart Landingpage die Lösungsvorlage aus, die diesem Anwendungsfall am besten entspricht. Wenn Sie eine Lösungsvorlage auswählen, JumpStart wird ein neuer Tab mit einer Beschreibung der Lösung und einer Startschaltfläche 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 zum Starten einer JumpStart Lösung finden Sie unterStarten Sie eine Lösung.

Nach dem Start der Lösung können Sie die Lösungsfunktionen und alle generierten Artefakte in untersuchen JumpStart. Verwenden Sie das Menü Launched Quick Start Assets, um Ihre Lösung zu finden. Wählen Sie auf der Registerkarte Ihrer Lösung die Option Notizbuch öffnen aus, um die bereitgestellten Notizbücher zu verwenden und die Funktionen der Lösung zu erkunden. Wenn Artefakte beim Start oder nach dem Ausführen der bereitgestellten Notizbücher generiert werden, werden sie in der Tabelle Generierte Artefakte aufgeführt. Mit dem Papierkorbsymbol ( 
          The trash icon for JumpStart.
        ) können Sie einzelne Artefakte löschen. Sie können alle Ressourcen der Lösung löschen, indem Sie Lösungsressourcen löschen wählen.

Nachfrageprognose

Nachfrageprognosen verwenden historische Zeitreihendaten, um future Schätzungen der Kundennachfrage über einen bestimmten Zeitraum vorzunehmen und den Entscheidungsprozess zwischen Angebot und Nachfrage in allen Unternehmen zu optimieren.

Zu den Anwendungsfällen für Nachfrageprognosen gehören die Prognose von Ticketverkäufen in der Transportbranche, Aktienkursen, Anzahl der Krankenhausbesuche, Anzahl der zu beschäftigenden Kundenvertreter für mehrere Standorte im nächsten Monat, Produktverkäufe in mehreren Regionen im nächsten Quartal und 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 Kategorien eingeteilt. Beispielsweise ist der gesamte Stromverbrauch eines einzelnen Haushalts eine univariate Zeitreihe über einen bestimmten Zeitraum. Wenn mehrere univariate Zeitreihen übereinander gestapelt sind, spricht man von einer multivariaten Zeitreihe. Beispielsweise bildet der Gesamtstromverbrauch von 10 verschiedenen (aber korrelierten) Haushalten in einer einzigen Nachbarschaft einen multivariaten Zeitreihen-Datensatz.

Solution name (Name der Lösung) Beschreibung Erste Schritte
Nachfrageprognose Nachfrageprognose für multivariate Zeitreihendaten mithilfe von drei state-of-the-art Zeitreihenprognosealgorithmen: LSTNet, Prophet und SageMakerDeepAR.

GitHub »

Bonitätsvorhersage

Verwenden Sie JumpStart die Lösungen zur Bonitätsprognose, um die Bonität von Unternehmen vorherzusagen oder um Entscheidungen zur Kreditprognose zu erklären, die mit Modellen des maschinellen Lernens getroffen wurden. Im Vergleich zu herkömmlichen Methoden zur Bonitätsmodellierung können maschinelle Lernmodelle die Genauigkeit der Kreditprognose automatisieren und verbessern.

Solution name (Name der Lösung) Beschreibung Erste Schritte
Prognose der Bonität von Unternehmen Multimodales (Langtext und tabellarisches) maschinelles Lernen für qualitativ hochwertige Kreditprognosen mithilfe vonAWS AutoGluon Tabular. GitHub »
Graphengestütztes Kredit-Scoring Prognostizieren Sie die Bonität von Unternehmen anhand von Tabellendaten und einem Unternehmensnetzwerk, indem Sie ein Graph Neural Network GraphSage und einAWS AutoGluon tabellarisches Modell trainieren. Suchen Sie in Amazon SageMaker Studio.
Erläutern Sie Kreditentscheidungen Prognostizieren Sie Kreditausfälle bei Kreditanträgen und geben Sie Erklärungen mithilfe von LightGBM und SHAP (Shapley Additive Explanations).

GitHub »

Betrugsprüfung

Viele Unternehmen verlieren jährlich Milliarden durch Betrug. Auf maschinellem Lernen basierende Modelle zur Betrugserkennung können dabei helfen, wahrscheinliche betrügerische Aktivitäten anhand einer riesigen Datenmenge systematisch zu identifizieren. Die folgenden Lösungen verwenden Transaktions- und Benutzeridentitätsdatensätze, um betrügerische Transaktionen zu identifizieren.

Solution name (Name der Lösung) Beschreibung Erste Schritte
Erkennen Sie böswillige Benutzer und Transaktionen Erkennen Sie mithilfe von SageMakerXGBoost automatisch potenziell betrügerische Aktivitäten bei Transaktionen mit der Oversampling-Technik Synthetic Minority Oversampling (SMOTE).

GitHub »

Betrugserkennung bei Finanztransaktionen mithilfe einer Deep Graph Library Erkennen Sie Betrug bei Finanztransaktionen, indem Sie ein Graph Convolutional Network mit der Deep Graph Library und einem SageMaker XGBoost-Modell trainieren.

GitHub »

Klassifizierung der finanziellen Zahlungen Klassifizieren Sie finanzielle Zahlungen anhand von Transaktionsinformationen mithilfe von SageMaker XGBoost. Verwenden Sie diese Lösungsvorlage als Zwischenschritt bei der Betrugserkennung, Personalisierung oder Anomalieerkennung.

Suchen Sie in Amazon SageMaker Studio.

Maschinelles Sehen

Mit der Zunahme von Geschäftsanwendungen 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 es wird auch jedes Objekt lokalisiert, indem der entsprechende Begrenzungsrahmen um das Bild gezogen wird. In den letzten zehn Jahren haben die rasanten Fortschritte der 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 neu 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.

Suchen Sie in Amazon SageMaker Studio.

Extrahieren und analysieren Sie 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, Beziehungsextraktion, Fragen und Antworten sowie das Ausfüllen fehlender Werte in tabellarischen Datensätzen.

Solution name (Name der Lösung) Beschreibung Erste Schritte
Datenschutz für die Klassifizierung von Emotionen Anonymisieren Sie Text, um die Privatsphäre der Benutzer bei der Stimmungsklassifizierung besser zu schützen.

GitHub »

Verstehen von Dokumenten Zusammenfassung von Dokumenten, Extraktion von Entitäten und Beziehungen mithilfe der Transformer-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 »

Vorausschauende Wartung

Predictive Maintenance 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 Modell für konvolutive neuronale Netzwerke.

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 »

Vorhersage 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, die ihren Service wahrscheinlich verlassen, um ihre Bemühungen auf die Kundenbindung zu konzentrieren. Verwenden Sie eine Lösung JumpStart zur Abwanderungsvorhersage, um Datenquellen wie das Benutzerverhalten und die Chat-Protokolle des Kundensupports zu analysieren, 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
Abwanderungsvorhersage mit Text Prognostizieren Sie die Abwanderung mithilfe numerischer, kategorialer und textueller Merkmale mit dem BERT-Encoder und RandomForestClassifier.

GitHub »

Abwanderungsprognose für Mobilfunkkunden Identifizieren Sie mit SageMaker XGBoost unzufriedene Mobilfunkkunden.

Suchen Sie in Amazon SageMaker Studio.

Personalisierte Empfehlungen

Sie können JumpStart Lösungen verwenden, um Grafiken zur Kundenidentität oder Benutzersitzungen zu analysieren, um das Kundenverhalten besser zu verstehen und vorherzusagen. Verwenden Sie die folgenden Lösungen für personalisierte Empfehlungen, um die Kundenidentität auf mehreren Geräten zu modellieren oder die Wahrscheinlichkeit zu ermitteln, mit der ein Kunde einen Kauf tätigt.

Solution name (Name der Lösung) Beschreibung Erste Schritte
Entitätsauflösung in Identitätsgraphen mit umfangreicher Grafikbibliothek Führen Sie geräteübergreifende Entitätsverknüpfungen für Online-Werbung durch, indem Sie ein grafisches Faltungsnetzwerk mit einer umfassenden Grafikbibliothek trainieren.

GitHub »

Einkaufsmodellierung Prognostizieren Sie, ob ein Kunde einen Kauf tätigen wird, indem Sie ein SageMaker XGBoost-Modell trainieren.

GitHub »

Bestärkendes Lernen

Reinforcement Learning (RL) ist eine Art des Lernens, die auf der Interaktion mit der Umwelt basiert. Diese Art des Lernens wird von einem Agenten verwendet, der Verhalten durch trial-and-error Interaktionen mit einer dynamischen Umgebung lernen muss, in der das Ziel darin besteht, die langfristigen Belohnungen zu maximieren, die der Agent als Ergebnis seiner Aktionen erhält. Die Belohnungen werden maximiert, indem die Erkundung von Aktionen, die ungewiss belohnt werden, gegen Aktionen, die bekannte Belohnungen haben, abgeglichen wird.

RL eignet sich gut 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 KI-Wettbewerbe von Battlesnake Stellen Sie einen Reinforcement Learning-Workflow für das Training und die Inferenz mit den BattleSnakeKI-Wettbewerben bereit.

GitHub »

Verteiltes Reinforcement Learning für die Procgen-Herausforderung Starterkit für verteiltes Reinforcement Learning für die Procgen Reinforcement Learning Challenge 2020 von NeuroPS. 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
Vorhersage des Überlebens von Lungenkrebs Prognostizieren Sie den Überlebensstatus von Patienten mit nichtkleinzelligem Lungenkrebs mithilfe dreidimensionaler Computertomographie (CT) der Lunge, genomischer Daten und klinischer Patientenakten mithilfe von SageMakerXGBoost.

GitHub »

Finanzielle Preisgestaltung

Viele Unternehmen passen die Preise regelmäßig dynamisch an, um ihre Rendite zu maximieren. Verwenden Sie die folgenden JumpStart Lösungen für Anwendungsfälle zur Preisoptimierung, dynamischen 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 Inferenzen und dem Prophet-Prognoseverfahren. Verwenden Sie diese Schätzungen, um die Tagespreise zu optimieren.

Suchen Sie in Amazon SageMaker Studio.

Kausale Inferenz

Forscher können Modelle des maschinellen Lernens wie Bayessche Netzwerke 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 Anwendung von stickstoffhaltigen Düngemitteln und den Erträgen von Maisernte zu verstehen.

Solution name (Name der Lösung) Beschreibung Erste Schritte
Kontrafakten für Ernteerträge

Erstellen Sie eine kontrafaktische Analyse der Reaktion von Mais auf Stickstoff. Diese Lösung erlernt den gesamten phänologischen Zyklus der Nutzpflanzen mithilfe multispektraler Satellitenbilder und bodennaher Beobachtungen.

Suchen Sie in Amazon SageMaker Studio.