Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
# SageMaker JumpStart Amazon-Branche: Finanzen
Nutzen Sie SageMaker JumpStart Industry: Financial Solutions, Models und Beispiel-Notizbücher, um anhand von kuratierten One-Step-Lösungen und Beispielnotizbüchern zu branchenspezifischen Problemen im Bereich maschinelles Lernen (ML) mehr über SageMaker KI-Funktionen und -Fähigkeiten zu erfahren. In den Notebooks wird auch beschrieben, wie das SageMaker JumpStart Industry Python SDK verwendet werden kann, um Industrietextdaten zu verbessern und vortrainierte Modelle zu optimieren.
**Topics**
+ [Python-SDK für die SageMaker JumpStart Industrie von Amazon](#studio-jumpstart-industry-pysdk)
+ [Amazon SageMaker JumpStart Industry: Finanzielle Lösung](#studio-jumpstart-industry-solutions)
+ [SageMaker JumpStart Amazon-Branche: Finanzmodelle](#studio-jumpstart-industry-models)
+ [SageMaker JumpStart Amazon-Branche: Notizbücher mit finanziellem Beispiel](#studio-jumpstart-industry-examples)
+ [SageMaker JumpStart Amazon-Branche: Blogbeiträge zum Thema Finanzen](#studio-jumpstart-industry-blogs)
+ [SageMaker JumpStart Amazon-Branche: Finanzbezogene Forschung](#studio-jumpstart-industry-research)
+ [Amazon SageMaker JumpStart Industry: Zusätzliche finanzielle Ressourcen](#studio-jumpstart-industry-resources)
## Python-SDK für die SageMaker JumpStart Industrie von Amazon
SageMaker Runtime JumpStart bietet über seine Clientbibliothek namens SageMaker JumpStart Industry Python SDK Verarbeitungstools für die Kuratierung von Branchendatensätzen und die Feinabstimmung vortrainierter Modelle. Eine ausführliche API-Dokumentation des SDK und weitere Informationen zur Verarbeitung und Verbesserung von Industrietextdatensätzen zur Verbesserung der Leistung von state-of-the-art Modellen finden Sie in der [Open-Source-Dokumentation zum SageMaker JumpStart SageMaker JumpStart Industry Python SDK](https://sagemaker-jumpstart-industry-pack.readthedocs.io).
## Amazon SageMaker JumpStart Industry: Finanzielle Lösung
SageMaker JumpStart Branche: Financial bietet die folgenden Lösungs-Notebooks an:
+ **Prognose der Kreditwürdigkeit von Unternehmen**
Diese SageMaker JumpStart Branche: Die Finanzlösung bietet eine Vorlage für ein textgestütztes Kreditratingmodell für Unternehmen. Sie zeigt, wie ein auf numerischen Merkmalen basierendes Modell (in diesem Fall die berühmten 5 Finanzkennzahlen von Altman) mit Texten aus Unterlagen der Börsenaufsicht kombiniert werden kann, um die Vorhersage von Kreditratings zu verbessern. Zusätzlich zu den 5 Altman-Verhältnissen können Sie bei Bedarf weitere Variablen hinzufügen oder benutzerdefinierte Variablen festlegen. Dieses Lösungsnotizbuch zeigt, wie das SageMaker JumpStart Industry Python SDK bei der Verarbeitung natürlicher Sprachverarbeitung (NLP) von Texten aus SEC-Einreichungen hilft. Darüber hinaus zeigt die Lösung, wie ein Modell mithilfe des erweiterten Datensatzes trainiert werden kann, um ein best-in-class Modell zu erstellen, das Modell auf einem SageMaker KI-Endpunkt für die Produktion bereitzustellen und verbesserte Vorhersagen in Echtzeit zu erhalten.
+ **Auf Grafiken basierende Kreditwürdigkeitsprüfung**
Kreditratings werden traditionell anhand von Modellen generiert, die Jahresabschlussdaten und Marktdaten verwenden, die nur tabellarisch (numerisch und kategorisch) sind. Diese Lösung baut anhand von [Unterlagen der SEC](https://www.sec.gov/edgar/searchedgar/companysearch.html) ein Netzwerk von Unternehmen auf und zeigt, wie das Netzwerk von Unternehmensbeziehungen mit tabellarischen Daten genutzt werden kann, um genaue Ratingprognosen zu erstellen. Diese Lösung demonstriert eine Methode zur Nutzung von Daten über Unternehmensverflechtungen, um die traditionell tabellarischen Kreditbewertungsmodelle, die von der Ratingbranche seit Jahrzehnten verwendet werden, auf Modelle für Machine Learning in Netzwerken auszudehnen.
**Anmerkung**
Die Lösungs-Notebooks dienen nur zu Demonstrationszwecken. Sie sollten sich nicht als Finanz- oder Anlageberatung heranziehen.
Sie finden diese Finanzdienstleistungslösungen auf der SageMaker JumpStart Seite in Studio Classic.
**Wichtig**
Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich konkret auf die Verwendung der Studio-Classic-Anwendung. Informationen zur Verwendung der aktualisierten Studio-Konfiguration finden Sie unter [Amazon SageMaker Studio](studio-updated.md).
Studio Classic wird weiterhin für bestehende Workloads beibehalten, ist aber nicht mehr für das Onboarding verfügbar. Sie können nur bestehende Studio Classic-Anwendungen beenden oder löschen und keine neuen erstellen. Wir empfehlen Ihnen, [Ihren Workload auf das neue Studio-Erlebnis zu migrieren](studio-updated-migrate.md).
**Anmerkung**
Die SageMaker JumpStart Branche: Finanzlösungen, Modellkarten und Beispiel-Notebooks werden nur über SageMaker Studio Classic gehostet und ausgeführt. Melden Sie sich bei der [SageMaker AI-Konsole](https://console.aws.amazon.com/sagemaker) an und starten Sie SageMaker Studio Classic. Weitere Informationen zum Auffinden der Lösungskarte finden Sie im vorherigen Thema unter [SageMaker JumpStart](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-jumpstart.html).
## SageMaker JumpStart Amazon-Branche: Finanzmodelle
SageMaker JumpStart Branche: Financial bietet die folgenden vortrainierten Modelle mit [robust-optimiertem BERT-Ansatz (RoBERTa)](https://arxiv.org/pdf/1907.11692.pdf) an:
+ **Einbettung von Finanztexten (Ro-Sec-Base) BERTa**
+ **RoBERTa-SEC-WIKI-Base **
+ **RoBERTa-SEC-Large **
+ **RoBERTa-SEC-WIKI-Large **
Bei den RoBERTa-SEC-Large Modellen RoBERTa-SEC-Base und handelt es sich um Modelle zur Texteinbettung, die auf dem [BERTa Ro-Modell von GluonNLP](https://nlp.gluon.ai/api/model.html#gluonnlp.model.RoBERTaModel) basieren und anhand von S&P 500 SEC 10-K/10-Q-Berichten aus dem Jahrzehnt der 2010er Jahre (von 2010 bis 2019) vorab trainiert wurden. Darüber hinaus bietet SageMaker AI JumpStart Industry: Financial zwei weitere BERTa Ro-Varianten an, RoBERTa-SEC-WIKI-Base und RoBERTa-SEC-WIKI-Large, die anhand der SEC-Unterlagen und allgemeinen Texte von Wikipedia vorab trainiert wurden.
**Sie finden diese Modelle in, SageMaker JumpStart indem Sie zum Knoten **Textmodelle** navigieren, **Alle Textmodelle durchsuchen** auswählen und dann nach der ML-Aufgabe Text Embedding filtern.** Sie können auf alle entsprechenden Notebooks zugreifen, nachdem Sie das Modell Ihrer Wahl ausgewählt haben. In den beiden Notizbüchern erfahren Sie, wie die vortrainierten Modelle für spezifische Klassifizierungsaufgaben in multimodalen Datensätzen, die durch das Industry Python SDK erweitert wurden, optimiert werden können. SageMaker JumpStart
**Anmerkung**
Die Modell-Notebooks dienen nur zu Demonstrationszwecken. Sie sollten sich nicht als Finanz- oder Anlageberatung heranziehen.
Der folgende Screenshot zeigt die vortrainierten Modellkarten, die auf der SageMaker JumpStart KI-Seite von Studio Classic bereitgestellt werden.
![\[Die vortrainierten Modellkarten, die auf der SageMaker JumpStart AI-Seite in Studio Classic bereitgestellt werden.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/jumpstart/jumpstart-finance-models.png)
**Anmerkung**
Die SageMaker JumpStart Branche: Finanzlösungen, Modellkarten und Beispiel-Notebooks werden nur über SageMaker Studio Classic gehostet und ausgeführt. Melden Sie sich bei der [SageMaker AI-Konsole](https://console.aws.amazon.com/sagemaker) an und starten Sie SageMaker Studio Classic. Weitere Informationen zum Auffinden der Modellkarten finden Sie im vorherigen Thema unter [SageMaker JumpStart](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-jumpstart.html).
## SageMaker JumpStart Amazon-Branche: Notizbücher mit finanziellem Beispiel
SageMaker JumpStart Branche: Financial stellt die folgenden Beispiel-Notebooks zur Verfügung, um Lösungen für branchenspezifische ML-Probleme zu demonstrieren:
+ **Konstruktion von TabText Finanzdaten** — In diesem Beispiel wird vorgestellt, wie das SageMaker JumpStart Industry Python SDK für die Verarbeitung der SEC-Unterlagen verwendet wird, z. B. für Textzusammenfassungs- und Bewertungstexte auf der Grundlage von NLP-Scoretypen und den entsprechenden Wortlisten. Eine Vorschau des Inhalts dieses Notebooks finden Sie unter [Einfache Erstellung eines multimodalen Datensatzes aus SEC-Unterlagenund NLP-Ergebnissen](https://sagemaker-jumpstart-industry-pack.readthedocs.io/en/latest/notebooks/finance/notebook1/SEC_Retrieval_Summarizer_Scoring.html) .
+ **Multimodales ML für TabText Daten** — Dieses Beispiel zeigt, wie verschiedene Arten von Datensätzen zu einem einzigen Datenrahmen zusammengeführt werden, der als multimodales ML bezeichnet wird, und wie multimodales ML ausgeführt wird. TabText Eine Vorschau des Inhalts dieses Notizbuchs finden Sie unter [Machine Learning auf einem TabText Datenrahmen — Ein Beispiel, das auf dem Paycheck Protection Program basiert](https://sagemaker-jumpstart-industry-pack.readthedocs.io/en/latest/notebooks/finance/notebook2/PPP_TabText_ML.html).
+ **Mehrkategorisches ML anhand von SEC-Anmeldedaten — Dieses Beispiel zeigt, wie ein AutoGluon NLP-Modell anhand von multimodalen (TabText) Datensätzen trainiert wird, die aus SEC-Einreichungen** für eine Klassifizierungsaufgabe mit mehreren Klassen zusammengestellt wurden. [Klassifizieren Sie SEC 10K/Q-Einreichungen anhand der MDNA-Textspalte nach Branchencodes](https://sagemaker-jumpstart-industry-pack.readthedocs.io/en/latest/notebooks/finance/notebook3/SEC_MNIST_ML.html).
**Anmerkung**
Die Beispiel-Notebooks dienen nur zu Demonstrationszwecken. Sie sollten sich nicht als Finanz- oder Anlageberatung heranziehen.
**Anmerkung**
Die SageMaker JumpStart Branche: Finanzlösungen, Modellkarten und Beispiel-Notebooks werden nur über Studio Classic gehostet und ausgeführt. SageMaker Melden Sie sich bei der [SageMaker AI-Konsole](https://console.aws.amazon.com/sagemaker) an und starten Sie SageMaker Studio Classic. Weitere Informationen zum Auffinden der Beispiel-Notizbücher finden Sie im vorherigen Thema unter [SageMaker JumpStart](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-jumpstart.html).
Eine Vorschau des Inhalts der Beispiel-Notebooks finden Sie in der *Python-SDK-Dokumentation [Tutorials — Finance](https://sagemaker-jumpstart-industry-pack.readthedocs.io/en/latest/notebooks/index.html) in the SageMaker JumpStart Industry*.
## SageMaker JumpStart Amazon-Branche: Blogbeiträge zum Thema Finanzen
Ausführliche Anwendungsmöglichkeiten zur Nutzung von SageMaker JumpStart Industry: Financial Solutions, Models, Examples und dem SDK finden Sie in den folgenden Blogbeiträgen:
+ [Verwenden Sie vortrainierte Finanzsprachenmodelle für das Transferlernen in Amazon SageMaker JumpStart](https://aws.amazon.com/blogs/machine-learning/use-pre-trained-financial-language-models-for-transfer-learning-in-amazon-sagemaker-jumpstart/)
+ [Verwenden Sie SEC-Text für die Klassifizierung von Bewertungen mithilfe von multimodalem ML in Amazon SageMaker JumpStart](https://aws.amazon.com/blogs/machine-learning/use-sec-text-for-ratings-classification-using-multimodal-ml-in-amazon-sagemaker-jumpstart/)
+ [Erstellen Sie ein Dashboard mit SEC-Text für Finanz-NLP in Amazon SageMaker JumpStart](https://aws.amazon.com/blogs/machine-learning/create-a-dashboard-with-sec-text-for-financial-nlp-in-amazon-sagemaker-jumpstart/)
+ [Erstellen Sie mithilfe von Graph Machine Learning in Amazon einen Klassifikator für Unternehmensratings SageMaker JumpStart](https://aws.amazon.com/blogs/machine-learning/build-a-corporate-credit-ratings-classifier-using-graph-machine-learning-in-amazon-sagemaker-jumpstart/)
+ [Domainanpassung — Feinabstimmung von Foundation-Modellen in Amazon SageMaker JumpStart anhand von Finanzdaten](https://aws.amazon.com/blogs/machine-learning/domain-adaptation-fine-tuning-of-foundation-models-in-amazon-sagemaker-jumpstart-on-financial-data/)
## SageMaker JumpStart Amazon-Branche: Finanzbezogene Forschung
Recherchen zum Thema SageMaker JumpStart Industrie: Finanzlösungen finden Sie in den folgenden Veröffentlichungen:
+ [Kontext, Sprachmodellierung und multimodale Daten im Finanzwesen](https://www.pm-research.com/content/iijjfds/3/3/52)
+ [Multimodales Machine Learning für die Kreditmodellierung](https://www.amazon.science/publications/multimodal-machine-learning-for-credit-modeling)
+ [Zum Mangel an robuster Interpretierbarkeit neuronaler Textklassifikatoren](https://www.amazon.science/publications/on-the-lack-of-robust-interpretability-of-neural-text-classifiers)
+ [FinLex: Effektiver Einsatz von Worteinbettungen für die Generierung von Finanzlexikonen](https://www.sciencedirect.com/science/article/pii/S2405918821000131)
## Amazon SageMaker JumpStart Industry: Zusätzliche finanzielle Ressourcen
Weitere Dokumentation und Tutorials finden Sie in den folgenden Ressourcen:
+ [Die SageMaker JumpStart Branche: Financial Python SDK](https://pypi.org/project/smjsindustry/)
+ [SageMaker JumpStart Branche: Python-SDK-Tutorials für Finanzen](https://sagemaker-jumpstart-industry-pack.readthedocs.io/en/latest/notebooks/index.html#)
+ [Die SageMaker JumpStart Branche: GitHub Finanzdepot](https://github.com/aws/sagemaker-jumpstart-industry-pack/)
+ [Erste Schritte mit Amazon SageMaker AI — Tutorials zum Machine Learning](https://aws.amazon.com/sagemaker/getting-started/)