Lösungsvorlagen - Amazon SageMaker

Lösungsvorlagen

SageMaker JumpStart bietet Komplettlösungen mit einem Klick für viele gängige Anwendungsfälle des Machine Learning. In den folgenden Anwendungsfällen finden Sie weitere Informationen zu verfügbaren Lösungsvorlagen.

Wählen Sie auf der JumpStart-Startseite die Lösungsvorlage aus, die am besten zu Ihrem Anwendungsfall passt. Wenn Sie eine Lösungsvorlage auswählen, öffnet JumpStart eine neue Registerkarte mit einer Beschreibung der Lösung und einer Schaltfläche Starten. Wenn Sie Starten auswählen, erstellt JumpStart alle Ressourcen, die Sie für die Ausführung der Lösung benötigen, einschließlich Trainings- und Modellhosting-Instances. Weitere Informationen zum Starten einer JumpStart-Lösung finden Sie unter Starten einer Lösung.

Nach dem Start der Lösung können Sie die Lösungsfunktionen und alle generierten Artefakte in JumpStart untersuchen. Verwenden Sie das Menü Gestartete JumpStart-Komponenten, 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 ( 
          The trash icon for JumpStart.
        ) 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 Nachfrageprognosen für multivariate Zeitreihendaten mithilfe von drei hochmodernen Zeitreihen-Prognosealgorithmen: LSTNet, Prophet und SageMaker DeepAR.

GitHub »

Bonitätsprognose

Verwenden Sie die Lösungen von JumpStart zur Bonitätsprognose, um die Bonität von Unternehmen vorherzusagen oder um anhand von Machine-Learning-Modellen getroffene Entscheidungen zur Kreditprognose zu erläutern. 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 (Langtext und tabellarisch) Machine Learning für qualitativ hochwertige Kreditprognosen mit AWS AutoGluon Tabular. GitHub »
Graphbasiertes Kreditscoring Prognostizieren Sie die Kreditwürdigkeit von Unternehmen anhand von Tabellendaten und eines Unternehmensnetzwerks, indem Sie ein Graph Neural Network GraphSAGE- und ein AWS AutoGluon Tabular-Modell trainieren. Suche in Amazon SageMaker Studio.
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 mithilfe von SageMaker XGBoost und der Oversampling-Technik Synthetic Minority Oversampling Technique (SMOTE) automatisch potenziell betrügerische Aktivitäten bei Transaktionen.

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 SageMaker XGBoost-Modell trainieren.

GitHub »

Klassifizierung von finanziellen Leistungen Klassifizieren Sie finanzielle Leistungen anhand von Transaktionsinformationen mit SageMaker XGBoost. Verwenden Sie diese Lösungsvorlage als Zwischenschritt bei der Betrugserkennung, Personalisierung oder Erkennung von Anomalien.

Suche in Amazon SageMaker Studio.

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 defekte 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.

Suche in Amazon SageMaker Studio.

Extrahieren und Analysieren von Daten aus Dokumenten

JumpStart bietet Lösungen, mit denen Sie wertvolle Erkenntnisse und Zusammenhänge in geschäftskritischen Dokumenten gewinnen 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, Entität- und Relationsextraktion 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 AutoPilot-Modell 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. Verwenden Sie eine JumpStart-Lösung zur Vorhersage von Kundenabwanderungen, um Datenquellen wie Benutzerverhalten und Chatprotokolle des Kundensupports zu analysieren und Kunden zu identifizieren, bei denen ein hohes Risiko besteht, ein Abonnement oder einen Service zu kündigen.

Solution name (Name der Lösung) Beschreibung Erste Schritte
Prognose der Kundenabwanderung mit Text Prognostizieren Sie die Abwanderung mithilfe numerischer, kategorischer und textueller Merkmale mit dem BERT-Encoder und RandomForestClassifier.

GitHub »

Vorhersage der Kundenabwanderung bei Mobilfunkkunden Identifizieren Sie unzufriedene Handykunden mit SageMaker XGBoost.

Suche in Amazon SageMaker Studio.

Personalisierte Empfehlungen

Sie können JumpStart-Lösungen verwenden, um Kundenidentitätsdiagramme 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, 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 stellen Sie mithilfe von Neural Collaborative Filtering in SageMaker ein benutzerdefiniertes Empfehlungssystem bereit, das anhand des bisherigen Verhaltens Filmvorschläge für einen Kunden generiert.

Suche in Amazon SageMaker Studio.

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 in einer dynamischen Umgebung erlernen muss. Ziel ist dabei, die langfristigen Belohnungen 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 BattleSnake-KI-Wettbewerbe einen Workflow für Reinforcement-Learning-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 mithilfe der JumpStart-Lösungen medizinische Bilder, genomische Informationen und Patientenakten analysieren.

Solution name (Name der Lösung) Beschreibung Erste Schritte
Überlebensprognose bei Lungenkrebs Prognostizieren Sie mithilfe von SageMaker XGBoost die Überlebensrate von Patienten mit nicht kleinzelligem Lungenkrebs mithilfe von dreidimensionalen Computertomografien (CT) der Lunge, genomischen Daten und Patientenakten.

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.

Suche in Amazon SageMaker Studio.

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 Ernteerträgen von Maispflanzen 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.

Suche in Amazon SageMaker Studio.