기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.
솔루션 템플릿
중요
2023년 11월 30일부터 이전 아마존 SageMaker 스튜디오 익스피리언스는 이제 아마존 SageMaker 스튜디오 클래식으로 명명되었습니다. 다음 섹션은 스튜디오 클래식 애플리케이션 사용에 대한 내용입니다. 업데이트된 Studio 환경 사용에 대한 자세한 내용은 을 참조하십시오아마존 SageMaker 스튜디오.
참고
JumpStart 솔루션은 Studio Classic에서만 사용할 수 있습니다.
SageMaker JumpStart 여러 일반적인 기계 학습 사용 사례에 대한 원클릭 end-to-end 솔루션을 제공합니다. 사용 가능한 솔루션 템플릿에 대한 자세한 내용은 다음 사용 사례를 살펴보세요.
JumpStart 랜딩 페이지에서 사용 사례에 가장 적합한 솔루션 템플릿을 선택하세요. 솔루션 템플릿을 선택하면 솔루션에 대한 설명과 실행 버튼이 표시된 새 탭이 JumpStart 열립니다. Launch를 선택하면 교육 및 모델 호스팅 인스턴스를 포함하여 솔루션을 실행하는 데 필요한 모든 리소스가 JumpStart 생성됩니다. JumpStart 솔루션 시작에 대한 자세한 내용은 을 참조하십시오솔루션 시작.
솔루션을 실행한 후에는 에서 솔루션 기능 및 생성된 아티팩트를 탐색할 수 있습니다. JumpStart 출시된 JumpStart 자산 메뉴를 사용하여 솔루션을 찾을 수 있습니다. 솔루션 탭에서 노트북 열기를 선택하여 제공된 노트북을 사용하고 솔루션의 기능을 탐색하세요. 제공된 노트북을 시작하는 동안이나 실행한 후에 아티팩트가 생성되면 생성된 아티팩트 테이블에 해당 아티팩트가 나열됩니다. 휴지통 아이콘( )으로 개별 아티팩트를 삭제할 수 있습니다. 솔루션 리소스 삭제를 선택하여 모든 솔루션 리소스를 삭제할 수 있습니다.
수요 예측
수요 예측에서는 과거 시계열 데이터를 사용하여 특정 기간의 고객 수요와 관련하여 미래를 예측하고 기업 전반의 공급–수요 의사 결정 프로세스를 간소화합니다.
수요 예측 사용 사례에는 운송 업계의 티켓 판매, 주가, 병원 방문 횟수, 다음 달 여러 곳에서 고용할 고객 담당자 수, 다음 분기 여러 지역의 제품 판매, 동영상 스트리밍 서비스의 익일 클라우드 서버 사용량, 다음 주 여러 지역의 전력 소비량, 에너지 소비량과 같은 IoT 디바이스 및 센서 수 등의 예측이 포함됩니다.
시계열 데이터는 단변량 및 다변량으로 분류됩니다. 예를 들어, 한 가구의 총 전력 소비량은 일정 기간 동안의 단변량 시계열입니다. 여러 단변량 시계열이 서로에 대해 누적된 경우를 다변량 시계열이라고 합니다. 예를 들어, 한 지역에 있는 서로 다른(그러나 상관관계가 있는) 10개 가구의 총 전력 소비량은 다변량 시계열 데이터 세트를 구성합니다.
신용 등급 예측
JumpStart의 신용 등급 예측 솔루션을 사용하여 기업 신용 등급을 예측하거나 기계 학습 모델을 통해 내려진 신용 예측 결정을 설명할 수 있습니다. 기존의 신용 등급 모델링 방법에 비해, 기계 학습 모델은 신용 예측의 정확도를 자동화하고 개선할 수 있습니다.
솔루션 이름 | 설명 | 시작 |
---|---|---|
기업 신용 등급 예측 | Tabular를 사용한 고품질 신용 예측을 위한 멀티모달 (긴 텍스트 및 표 형식) 기계 학습 AWS AutoGluon |
GitHub » |
그래프 기반 신용 점수 평가 | 그래프 신경망 |
아마존 SageMaker 스튜디오 클래식에서 찾아보세요. |
신용 결정 설명 | 신용대출 신청에서 신용 불이행을 예측하고 LightGBM |
사기 탐지
많은 기업이 사기 피해로 매년 수십억 달러의 손실을 입습니다. 기계 학습 기반 사기 탐지 모델은 엄청난 양의 데이터에서 사기 가능성이 있는 활동을 체계적으로 식별하는 데 도움이 될 수 있습니다. 다음 솔루션은 거래 및 사용자 자격 증명 데이터 세트를 사용하여 사기 거래를 식별합니다.
솔루션 이름 | 설명 | 시작 |
---|---|---|
악의적인 사용자 및 거래를 탐지합니다. | SageMakerXGBoost를 사용하면 오버샘플링 기술인 합성 |
|
딥 그래프 라이브러리를 사용한 금융 거래 사기 탐지 | 딥 그래프 라이브러리와 XGBoost 모델을 사용하여 그래프 컨볼루션 |
|
금융 결제 분류 | XGBoost를 사용하여 거래 정보를 기반으로 금융 결제를 분류합니다. SageMaker 이 솔루션 템플릿을 사기 탐지, 개인화 또는 이상 탐지의 중간 단계로 사용합니다. |
아마존 SageMaker 스튜디오 클래식에서 찾아보세요. |
컴퓨터 비전
자율 주행 차량, 스마트 비디오 감시, 의료 모니터링 및 다양한 객체 계수 작업과 같은 비즈니스 사용 사례가 증가함에 따라, 빠르고 정확한 객체 감지 시스템에 대한 수요가 증가하고 있습니다. 이러한 시스템에는 이미지 내의 모든 객체를 인식하고 분류하는 기능뿐만 아니라 객체 주위에 적절한 경계 상자를 그려 각 객체의 위치를 파악하는 기능이 포함됩니다. 지난 10년 동안 딥 러닝 기법의 급속한 발전으로 객체 감지의 모멘텀이 크게 가속화되었습니다.
솔루션 이름 | 설명 | 시작 |
---|---|---|
시각적 제품 결함 탐지 | 객체 감지 모델을 처음부터 학습시키거나 사전 학습된 모델을 미세 조정하여 제품 이미지에서 |
|
필기 인식 | 객체 감지 모델 |
GitHub » |
조류 종의 객체 감지 | SageMaker 객체 감지 모델을 사용하여 장면에 있는 조류 종을 식별할 수 있습니다. |
아마존 SageMaker 스튜디오 클래식에서 찾아보세요. |
문서에서 데이터를 추출하고 분석합니다.
JumpStart 비즈니스에 중요한 문서에서 귀중한 통찰력과 연관성을 발견할 수 있는 솔루션을 제공합니다. 사용 사례에는 텍스트 분류, 문서 요약, 필기 인식, 관계 추출, 질문 및 답변, 테이블 형식 레코드의 누락된 값 채우기 등이 있습니다.
솔루션 이름 | 설명 | 시작 |
---|---|---|
감정 분류를 위한 개인정보 보호 | 텍스트를 익명화 |
|
문서 이해 | 의 트랜스포머 라이브러리를 사용하여 문서 요약, 엔티티 및 관계 추출을 수행할 수 있습니다. |
|
필기 인식 | 객체 감지 모델 |
GitHub » |
테이블 형식 레코드에서 누락된 값 채우기 | SageMaker AutoPilot |
예측 유지 보수
예측 유지 보수의 목표는 구성 요소의 적시 교체를 촉진하여 교정 유지 보수와 예방 유지 보수 간의 균형을 최적화하는 것입니다. 다음 솔루션은 산업 자산의 센서 데이터를 사용하여 기계 고장, 예상치 못한 가동 중지 시간 및 수리 비용을 예측합니다.
솔루션 이름 | 설명 | 시작 |
---|---|---|
차량 플릿에 대한 예측 유지 보수 | 컨볼루션 신경망 모델과 함께 차량 센서 및 유지 보수 정보를 사용하여 차량 고장을 예측합니다. | |
제조를 위한 예측 유지 보수 | 과거 센서 판독값을 사용하여 적층형 양방향 LSTM 신경망 |
변동 예측
고객 변동 또는 이탈률은 다양한 기업이 직면한 비용이 많이 드는 문제입니다. 변동을 줄이기 위한 노력의 일환으로, 기업은 서비스를 그만둘 가능성이 높은 고객을 파악하여 고객 유지에 노력을 집중할 수 있습니다. JumpStart이탈 예측 솔루션을 사용하면 사용자 행동 및 고객 지원 채팅 로그와 같은 데이터 소스를 분석하여 구독 또는 서비스를 취소할 위험이 높은 고객을 식별할 수 있습니다.
맞춤형 추천
JumpStart 솔루션을 사용하여 고객 ID 그래프 또는 사용자 세션을 분석하여 고객 행동을 더 잘 이해하고 예측할 수 있습니다. 개인화된 추천을 위해 다음 솔루션을 사용하여 여러 디바이스에서 고객 자격 증명을 모델링하거나, 고객의 구매 가능성을 판단하거나, 과거 고객 행동을 기반으로 맞춤형 영화 추천자를 만들 수 있습니다.
솔루션 이름 | 설명 | 시작 |
---|---|---|
딥 그래프 라이브러리를 사용한 자격 증명 그래프의 엔터티 해상도 | 딥 그래프 라이브러리 |
|
구매 모델링 | SageMaker XGBoost 모델을 교육하여 고객의 구매 여부를 예측하세요. | |
맞춤형 추천 시스템 |
에서 Neural Collaborative Filteration을 사용하여 과거 행동을 기반으로 고객에게 영화 제안을 생성하는 맞춤형 추천 시스템을 교육하고 배포하세요. SageMaker |
아마존 SageMaker 스튜디오 클래식에서 찾아보세요. |
강화 학습
강화형 기계 학습(RL)은 환경과의 상호 작용을 기반으로 하는 학습 유형입니다. 에이전트는 이러한 유형의 학습을 사용합니다. 에이전트는 동적 환경과의 trial-and-error 상호 작용을 통해 행동을 학습해야 합니다. 에이전트의 행동 결과로 받는 장기적 보상을 극대화하는 것이 목표입니다. 불확실한 보상이 있는 행동의 탐색을 알려진 보상이 있는 행동의 악용과 절충함으로써 보상을 극대화합니다.
RL은 공급망 관리, HVAC 시스템, 산업용 로봇, 게임 인공 지능, 대화 시스템, 자율 주행 차량과 같은 크고 복잡한 문제를 해결하는 데 매우 적합합니다.
솔루션 이름 | 설명 | 시작 |
---|---|---|
Battlesnake AI 대회를 위한 강화 학습 | BattleSnake |
|
Procgen 챌린지를 위한 분산 강화 학습 | NeurIPS 2020 Procgen |
GitHub
» |
의료 및 생명 과학
임상의와 연구원은 JumpStart 솔루션을 사용하여 의료 이미지, 게놈 정보 및 임상 건강 기록을 분석할 수 있습니다.
금융 요금
많은 기업이 수익을 극대화하기 위해 정기적으로 가격을 동적으로 조정합니다. 가격 최적화, 동적 가격 책정, 옵션 가격 책정 또는 포트폴리오 최적화 사용 사례에 대해서는 다음 JumpStart 솔루션을 사용하십시오.
솔루션 이름 | 설명 | 시작 |
---|---|---|
가격 최적화 |
인과 관계 추론 및 Prophet |
아마존 SageMaker 스튜디오 클래식에서 찾아보세요. |
인과 관계 추론
연구자는 베이지안 네트워크와 같은 기계 학습 모델을 사용하여 인과 관계 종속성을 표현하고 데이터를 기반으로 인과 관계에 따른 결론을 도출할 수 있습니다. 다음 JumpStart 솔루션을 사용하여 질소 기반 비료 사용과 옥수수 작물 수확량 간의 인과 관계를 이해하십시오.
솔루션 이름 | 설명 | 시작 |
---|---|---|
작물 수확량 반사실 조건 |
질소에 대한 옥수수 반응의 반사실적 분석을 생성합니다. 이 솔루션은 다중 스펙트럼 위성 이미지와 지상 관측치 |
아마존 SageMaker 스튜디오 클래식에서 찾아보세요. |