Amazon SageMaker JumpStart Industry : finance

Utilisez le SageMaker JumpStart secteur d'activité : solutions financières, modèles et exemples de blocs-notes pour en savoir plus sur les SageMaker fonctionnalités et les capacités grâce à des solutions en une étape sélectionnées et à des exemples de blocs-notes illustrant des problèmes d'apprentissage automatique (ML) axés sur le secteur. Les carnets expliquent également comment utiliser le SDK SageMaker JumpStart Industry Python pour améliorer les données textuelles de l'industrie et affiner les modèles préentraînés.

SDK Python pour Amazon SageMaker JumpStart Industry

SageMaker Runtime JumpStart fournit des outils de traitement pour organiser les ensembles de données du secteur et affiner les modèles préentraînés par le biais de sa bibliothèque cliente appelée Industry SageMaker JumpStart Python SDK. Pour une documentation API détaillée du SDK et pour en savoir plus sur le traitement et l'amélioration des ensembles de données textuels industriels afin d'améliorer les performances des state-of-the-art modèles SageMaker JumpStart, consultez la documentation open source du SDK Industry SageMaker JumpStart Python.

Amazon SageMaker JumpStart Industry : solution financière

SageMaker JumpStart Secteur d'activité : Financial fournit les solutions de blocs-notes suivants :

• Corporate Credit Rating Prediction (Prédiction de la cote de crédit des entreprises)

Cette solution dédiée au SageMaker JumpStart secteur financier fournit un modèle pour un modèle de notation de crédit d'entreprise enrichi en texte. Elle montre comment prendre un modèle basé sur des fonctions numériques (dans ce cas, les 5 fameux ratios financiers d'Altman) combiné à des textes issus de dossiers SEC pour améliorer la prédiction des cotes de crédit. En plus des 5 ratios d'Altman, vous pouvez ajouter d'autres variables selon vos besoins ou définir des variables personnalisées. Ce bloc-notes de solutions explique comment le SDK SageMaker JumpStart Industry Python aide à traiter la notation par traitement automatique du langage naturel (NLP) des textes déposés auprès de la SEC. En outre, la solution montre comment entraîner un modèle à l'aide de l'ensemble de données amélioré pour obtenir un best-in-class modèle, déployer le modèle sur un SageMaker point de terminaison à des fins de production et recevoir des prévisions améliorées en temps réel.

• Graph-Based Credit Scoring (Cote de crédit basée sur des graphes)

Les notations de crédit sont généralement générées à l'aide de modèles qui utilisent des données des états financiers et de marché, qui sont uniquement tabulaires (numériques et catégorielles). Cette solution construit un réseau d'entreprises à l'aide de documents déposés auprès de la SEC et montre comment utiliser le réseau de relations entre entreprises à l'aide de données tabulaires pour générer des prévisions de notation précises. Cette solution présente une méthodologie permettant d'utiliser des données sur les liens entre entreprises afin d'étendre les modèles de notation de crédit traditionnellement basés sur des tableaux, utilisés par le secteur des notations depuis des décennies, à la classe des modèles de machine learning sur les réseaux.

Note

Les blocs-notes de solution sont fournis uniquement à des fins de démonstration. Ils ne doivent pas être considérés comme des conseils financiers ou d'investissement.

Vous trouverez ces solutions de services financiers sur la SageMaker JumpStart page de Studio Classic.

Important

Depuis le 30 novembre 2023, l'expérience Amazon SageMaker Studio précédente s'appelle désormais Amazon SageMaker Studio Classic. La section suivante est spécifique à l'utilisation de l'application Studio Classic. Pour plus d'informations sur l'utilisation de l'expérience Studio mise à jour, consultezAmazon SageMaker Studio.

Note

Le SageMaker JumpStart secteur : les solutions financières, les modèles de cartes et les exemples de blocs-notes sont hébergés et exécutables uniquement via SageMaker Studio Classic. Connectez-vous à la SageMaker console et lancez SageMaker Studio Classic. Pour plus d'informations sur la façon de trouver la carte de solution, consultez la rubrique précédente à l'adresse SageMaker JumpStart.

Amazon SageMaker JumpStart Industry : modèles financiers

SageMaker JumpStart Secteur : Le secteur financier propose les modèles d'approche BERT (Robustly Optimized BERT) préentraînés suivants :

• Financial Text Embedding (RoBERTa-SEC-Base) [Intégration de textes financiers (RoBERTa-SEC-Base)]

• RoBERTa-SEC-WIKI-Base

• RoBERTa-SEC-Large

• RoBERTa-SEC-WIKI-Large

Les modèles RoBERTa-SEC-Base et RoBERTa-SEC-Large sont les modèles d'intégration de texte basés sur le modèle RoBERTa de GluonNLP et pré-entraînés sur les rapports S&P 500 SEC 10-K/10-Q de la décennie 2010 (de 2010 à 2019). En outre, SageMaker JumpStart Industry : Financial propose deux autres variantes de Roberta, Roberta-SEC-Wiki-Base et Roberta-SEC-Wiki-Large, qui sont préformées sur les dossiers déposés auprès de la SEC et les textes courants de Wikipédia.

Vous pouvez trouver ces modèles en SageMaker JumpStart accédant au nœud Modèles de texte, en choisissant Explorer tous les modèles de texte, puis en filtrant pour l'intégration du texte des tâches ML. Vous pouvez accéder à tous les blocs-notes correspondants après avoir sélectionné le modèle de votre choix. Les blocs-notes associés vous expliqueront comment les modèles préentraînés peuvent être affinés pour des tâches de classification spécifiques sur des ensembles de données multimodaux, qui sont améliorés par le SDK Industry Python. SageMaker JumpStart

Note

Les blocs-notes de modèle sont fournis uniquement à des fins de démonstration. Ils ne doivent pas être considérés comme des conseils financiers ou d'investissement.

La capture d'écran suivante montre les modèles de cartes préentraînés fournis via la SageMaker JumpStart page de Studio Classic.

Note

Le SageMaker JumpStart secteur : les solutions financières, les modèles de cartes et les exemples de blocs-notes sont hébergés et exécutables uniquement via SageMaker Studio Classic. Connectez-vous à la SageMaker console et lancez SageMaker Studio Classic. Pour plus d'informations sur la recherche des modèles de cartes, consultez la rubrique précédente à l'adresse SageMaker JumpStart.

Amazon SageMaker JumpStart Industry : exemples de carnets financiers

SageMaker JumpStart Secteur : Financial fournit les exemples de blocs-notes suivants pour démontrer des solutions aux problèmes de machine learning spécifiques au secteur :

• Construction de TabText données financières — Cet exemple explique comment utiliser le SDK SageMaker JumpStart Industry Python pour traiter les dossiers déposés auprès de la SEC, tels que le résumé de texte et la notation de textes en fonction des types de scores NLP et des listes de mots correspondantes. Pour prévisualiser le contenu de ce bloc-notes, veuillez consulter la section sur la création simple d'un jeu de données multimodal à partir de dossiers SEC et de scores NLP.

• ML multimodal sur les TabText données : cet exemple montre comment fusionner différents types d'ensembles de données en une seule trame de données appelée TabText et exécuter un ML multimodal. Pour prévisualiser le contenu de ce bloc-notes, voir Machine Learning on a TabText Dataframe — An Example Based on the Paycheck Protection Program.

• ML multicatégoriel sur les données de dépôt auprès de la SEC : cet exemple montre comment entraîner un modèle AutoGluon NLP sur les ensembles de données multimodaux (TabText) sélectionnés à partir des dossiers déposés auprès de la SEC pour une tâche de classification multiclasse. SEC 10K/Q Filings to Industry Codes Based on the MDNA Text Column (Classer les dossiers SEC 10K/Q en codes du secteur en fonction de la colonne de texte MDNA).

Note

Les exemples de blocs-notes sont fournis uniquement à des fins de démonstration. Ils ne doivent pas être considérés comme des conseils financiers ou d'investissement.

Note

Le SageMaker JumpStart secteur : les solutions financières, les modèles de cartes et les exemples de blocs-notes sont hébergés et exécutables uniquement via SageMaker Studio Classic. Connectez-vous à la SageMaker console et lancez SageMaker Studio Classic. Pour plus d'informations sur la façon de trouver les exemples de blocs-notes, consultez la rubrique précédente à SageMaker JumpStartl'adresse.

Pour prévisualiser le contenu des exemples de blocs-notes, consultez la documentation du SDK Python Tutorials — Finance in the SageMaker JumpStart Industry.

Amazon SageMaker JumpStart Industry : articles de blog financiers

Pour des applications complètes liées à SageMaker JumpStart l'utilisation de Industry : solutions financières, modèles, exemples et SDK, consultez les articles de blog suivants :

• Utilisez des modèles de langage financier préformés pour l'apprentissage par transfert sur Amazon SageMaker JumpStart

• Utilisez le texte SEC pour la classification des notations à l'aide du ML multimodal sur Amazon SageMaker JumpStart

• Créez un tableau de bord avec du texte SEC pour le NLP financier sur Amazon SageMaker JumpStart

• Créez un classificateur de notations de crédit d'entreprise à l'aide de l'apprentissage automatique par graphes sur Amazon SageMaker JumpStart

• Adaptation au domaine Affinement des modèles de base dans Amazon sur les données financières SageMaker JumpStart

Amazon SageMaker JumpStart Industry : recherches liées à la finance

Pour les recherches liées à SageMaker JumpStart l'industrie : solutions financières, consultez les articles suivants :

• Context (Contexte), Language Modeling (Modélisation linguistique) et Multimodal Data in Finance (Données multimodales dans le domaine de la finance)

• Multimodal Machine Learning for Credit Modeling (Machine learning multimodal pour la modélisation du crédit)

• On the Lack of Robust Interpretability of Neural Text Classifiers (À propos du manque d'interprétabilité robuste des classificateurs de textes neuronaux)

• FinLex: Une utilisation efficace des intégrations de mots pour la génération de lexiques financiers

Amazon SageMaker JumpStart Industry : ressources financières supplémentaires

Pour obtenir de la documentation et des didacticiels supplémentaires, consultez les ressources suivantes :

• L' SageMaker JumpStart industrie : le SDK pour le Python financier

• SageMaker JumpStart Secteur : Tutoriels du SDK pour le Python financier

• L' SageMaker JumpStart industrie : GitHub référentiel financier

• Commencer à utiliser Amazon SageMaker - Tutoriels de Machine Learning