Vorlagen für End-to-End-Lösungen von JumpStart

SageMaker JumpStart bietet Komplettlösungen mit einem Klick bereit, die auf gängige Anwendungsfälle des Machine Learning ausgelegt sind. Sie verwenden bewährte Algorithmen für ihre Domains und bieten einen vollständigen Workflow, der in der Regel Datenverarbeitung, Modelltraining, Bereitstellung, Inferenz und Überwachung umfasst. 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 ( ) 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.

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.

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.

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.

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.

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.

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.

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.

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.

Gesundheitswesen und Biowissenschaften

Kliniker und Forscher können mithilfe der JumpStart-Lösungen medizinische Bilder, genomische Informationen und Patientenakten analysieren.

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.

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.