解决方案模板
SageMaker JumpStart 为许多常见的机器学习使用案例提供一键式端到端解决方案。浏览以下使用案例，了解有关可用解决方案模板的更多信息。
请从 JumpStart 登录页面中选择最适合您的使用案例的解决方案模板。当您选择解决方案模板时，JumpStart 会打开一个新选项卡，其中显示解决方案的描述一个启动按钮。当您选择启动时，JumpStart 会创建运行解决方案所需的所有资源，包括训练和模型托管实例。有关启动 JumpStart 解决方案的更多信息，请参阅启动解决方案。
启动解决方案后，您可以浏览解决方案功能和在 JumpStart 中生成的任何构件。使用已启动 JumpStart 资产菜单查找您的解决方案。在解决方案的选项卡中，选择打开笔记本以使用提供的笔记本并浏览解决方案的功能。由于构件是在启动期间或运行提供的笔记本之后生成的，因此它们在生成的构件表中列出。您可以使用垃圾桶图标 (
) 删除单独的构件。您可以通过选择删除解决方案资源来删除解决方案的所有资源。
需求预测
需求预测使用历史时间序列数据来对未来特定时期的客户需求进行估计，从而简化企业的供需决策流程。
需求预测使用案例包括预测交通行业的车票销售、股票价格、医院就诊次数、下个月在多个地点雇用的客户代表人数、下一季度多个地区的产品销售、第二天的视频流服务云服务器使用情况、下周多个地区的用电量、物联网设备和传感器（例如能耗）的数量等等。
时间序列数据分为单变量和多变量。例如，单个家庭的总用电量是一段时间内的单变量时间序列。当多个单变量时间序列相互堆叠时，它被称为多变量时间序列。例如，一个街区中 10 个不同（但相关）家庭的总用电量构成了一个多变量时间序列数据集。
| 解决方案名称 | 描述 | 开始使用 |
|---|---|---|
| 需求预测 | 使用三种先进的时间序列预测算法，对多变量时间序列数据进行需求预测：LSTNet |
信用评级预测
使用 JumpStart 的信用评级预测解决方案，预测企业信用评级或解释机器学习模型做出的信用预测决策。与传统的信用评级建模方法相比，机器学习模型可以自动进行信用预测并提高其准确性。
| 解决方案名称 | 描述 | 开始使用 |
|---|---|---|
| 企业信用评级预测 | 多模式（长文本和表格）机器学习，使用 Amazon AutoGluon Tabular |
GitHub » |
| 基于图形的信用评分 | 通过训练图神经网络 GraphSAGE |
在 Amazon SageMaker Studio 中查找。 |
| 解释信用决策 | 使用 LightGBM |
欺诈侦测
许多企业每年因欺诈损失数十亿美元。基于机器学习的欺诈检测模型有助于以系统化的方式，从海量数据中识别可能的欺诈活动。以下解决方案使用交易和用户身份数据集来识别欺诈性交易。
| 解决方案名称 | 描述 | 开始使用 |
|---|---|---|
| 检测恶意用户和交易 | 使用 SageMaker XGBoost 和 Synthetic Minority Over-sampling |
|
| 使用深度图形库检测金融交易中的欺诈行为 | 使用深度图形库 |
|
| 财务支付分类 | 使用 SageMaker XGBoost 根据交易信息对财务付款进行分类。使用此解决方案模板作为欺诈检测、个性化或异常检测的中间步骤。 |
在 Amazon SageMaker Studio 中查找。 |
计算机视觉
随着自动驾驶汽车、智能视频监控、医疗保健监控和各种对象计数任务等业务使用案例的兴起，对快速、准确的对象检测系统的需求也在不断增加。这些系统不仅涉及识别和分类图像中的每个对象，还需要通过在图像周围绘制相应的边界框来定位每个对象。在过去的十年中，深度学习技术的飞速发展极大地加速了对象检测的进步。
| 解决方案名称 | 描述 | 开始使用 |
|---|---|---|
| 视觉产品缺陷检测 | 通过从头开始训练对象检测模型 |
|
| 手写识别 | 通过训练对象检测模型 |
GitHub » |
| 针对鸟类种类的对象检测 | 使用 SageMaker 对象检测模型识别场景中的鸟类种类。 |
在 Amazon SageMaker Studio 中查找。 |
从文档中提取和分析数据
JumpStart 提供解决方案，让您在关键业务文档中发现宝贵的见解和关联。使用案例包括文本分类、文档摘要、手写识别、关系提取、问答以及填写表格记录中的缺失值。
| 解决方案名称 | 描述 | 开始使用 |
|---|---|---|
| 情绪分类的隐私性 | 文本匿名化 |
|
| 文档理解 | 使用 PyTorch 中的转换器 |
|
| 手写识别 | 通过训练对象检测模型 |
GitHub » |
| 填写表格记录中的缺失值 | 通过训练 SageMaker AutoPilot |
预测性维护
预测性维护的目标是协调及时更换部件，从而在纠正性维护和预防性维护之间实现最佳的平衡。以下解决方案使用来自工业资产的传感器数据，预测机器故障、计划外停机时间和维修成本。
| 解决方案名称 | 描述 | 开始使用 |
|---|---|---|
| 车队的预测性维护 | 通过卷积神经网络模型，使用车辆传感器信息和维护信息预测车队故障。 | |
| 制造业的预测性维护 | 使用历史传感器读数训练堆叠式双向 LSTM 神经网络 |
流失预测
客户流失率是许多公司面临的代价高昂的问题。在减少客户流失的工作中，公司可以识别可能退出其服务的客户，以便将精力集中在客户保留上。使用 JumpStart 流失预测解决方案来分析用户行为和客户支持聊天记录等数据来源，以确定哪些客户存在取消订阅或服务的高风险。
| 解决方案名称 | 描述 | 开始使用 |
|---|---|---|
| 使用文本预测流失 | 通过 BERT 编码器 |
|
| 手机客户流失预测 | 使用 SageMaker XGBoost 识别不满意的手机客户。 |
在 Amazon SageMaker Studio 中查找。 |
个性化推荐
您可以使用 JumpStart 解决方案来分析客户身份图或用户会话，以更好地了解和预测客户行为。针对个性化推荐，使用以下解决方案，对客户在多台设备上的身份建模，确定客户购买的可能性，或者根据过去的客户行为创建自定义电影推荐程序。
| 解决方案名称 | 描述 | 开始使用 |
|---|---|---|
| 使用深度图形库对身份图中的实体进行解析 | 通过使用深度图形库 |
|
| 购买建模 | 通过训练 SageMaker XGBoost 模型来预测客户是否会进行购买。 | |
| 自定义推荐系统 |
使用 SageMaker 中的神经协同筛选，训练和部署自定义推荐系统，根据客户过去的行为生成电影建议。 |
在 Amazon SageMaker Studio 中查找。 |
强化学习
强化学习 (RL) 是一种基于与环境的交互进行学习的类型。如果代理必须通过与动态环境的试错交互来学习行为，其目标是最大化代理通过其行为获得的长期奖励，那么这种类型的学习适用于代理。通过权衡具有不确定奖励的探索行为与具有已知奖励的探索行为，实现奖励最大化。
RL 非常适合解决大型复杂问题，例如供应链管理、HVAC 系统、工业机器人、游戏人工智能、对话系统和自动驾驶汽车。
| 解决方案名称 | 描述 | 开始使用 |
|---|---|---|
| 适用于 Battlesnake AI 竞赛的强化学习 | 为 BattleSnake |
|
| 适用于 Procgen 挑战的分布式强化学习 | 适用于 NeurIPS 2020 Procgen |
GitHub » |
医疗保健与生命科学
临床医生和研究人员可以使用 JumpStart 解决方案来分析医学影像、基因组信息和临床健康记录。
| 解决方案名称 | 描述 | 开始使用 |
|---|---|---|
| 肺癌存活率预测 | 使用 SageMaker XGBoost，通过三维肺部计算机断层扫描 (CT) 扫描、基因组数据和临床健康记录，预测非小细胞肺癌患者的存活状态。 |
财务定价
许多企业定期动态调整定价，以尽可能地提高回报。使用以下 JumpStart 解决方案进行价格优化、动态定价、期权定价或产品组合优化使用案例。
| 解决方案名称 | 描述 | 开始使用 |
|---|---|---|
| 价格优化 |
使用双重机器学习 (ML)（用于因果推断）和 Prophet |
在 Amazon SageMaker Studio 中查找。 |
因果推理
研究人员可以使用贝叶斯网络等机器学习模型来表示因果依赖关系，并根据数据得出因果结论。使用以下 JumpStart 解决方案来了解氮基肥料施用与玉米作物产量之间的因果关系。
| 解决方案名称 | 描述 | 开始使用 |
|---|---|---|
| 作物产量反设事实 |
对玉米对氮肥的反应进行反设事实分析。该解决方案使用多光谱卫星图像和地面观测数据 |
在 Amazon SageMaker Studio 中查找。 |