Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra. # Amazon SageMaker JumpStart dans 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 en savoir plus sur l’utilisation de l’expérience Studio mise à jour, consultez [Amazon SageMaker Studio](studio-updated.md). Studio Classic est toujours maintenu pour les charges de travail existantes, mais n'est plus disponible pour l'intégration. Vous pouvez uniquement arrêter ou supprimer des applications Studio Classic existantes et vous ne pouvez pas en créer de nouvelles. Nous vous recommandons de [migrer votre charge de travail vers la nouvelle expérience Studio](studio-updated-migrate.md). Les JumpStart fonctionnalités suivantes ne sont disponibles que dans Amazon SageMaker Studio Classic. + [Modèles spécifiques aux tâches](jumpstart-models.md) + [Modèles et blocs-notes partagés](jumpstart-content-sharing.md) + [End-to-end JumpStart modèles de solutions](jumpstart-solutions.md) + [Amazon SageMaker JumpStart Industry : finance](studio-jumpstart-industry.md) # Modèles spécifiques aux tâches JumpStart prend en charge des modèles spécifiques aux tâches pour 15 des types de problèmes les plus courants. Parmi les types de problèmes pris en charge, les types liés à la vision et à au PNL sont au nombre de treize. Il existe huit types de problèmes qui permettent un entraînement progressif et un réglage fin. Pour plus d'informations sur l'entraînement incrémentiel et le réglage des hyperparamètres, consultez la section Réglage [automatique des modèles par SageMaker IA](https://docs.aws.amazon.com/sagemaker/latest/dg/automatic-model-tuning.html). JumpStart prend également en charge quatre algorithmes populaires pour la modélisation des données tabulaires. Vous pouvez rechercher et parcourir les modèles depuis la page JumpStart d'accueil de Studio ou de Studio Classic. Lorsque vous sélectionnez un modèle, la page de détails du modèle fournit des informations sur le modèle et vous pouvez entraîner et déployer votre modèle en quelques étapes. La section de description décrit ce que vous pouvez faire avec le modèle, les types d'entrées et de sorties attendus, et le type de données nécessaire pour affiner votre modèle. Vous pouvez également utiliser des modèles par programmation avec le SDK [SageMaker Python](https://sagemaker.readthedocs.io/en/stable/overview.html#use-prebuilt-models-with-sagemaker-jumpstart). Pour une liste de tous les modèles disponibles, consultez le [tableau des modèles JumpStart disponibles](https://sagemaker.readthedocs.io/en/v2.132.0/doc_utils/pretrainedmodels.html). La liste des types de problèmes et les liens vers leurs exemples de bloc-notes Jupyter sont résumés dans le tableau suivant. | Types de problèmes | Prise en charge de l'inférence avec des modèles pré-entraînés | Entraînable sur un jeu de données personnalisé | Cadres pris en charge | Exemples de blocs-notes | | --- | --- | --- | --- | --- | | Classification d’images | Oui | Oui | PyTorch, TensorFlow | [Présentation de la JumpStart classification des images](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_image_classification/Amazon_JumpStart_Image_Classification.ipynb) | | Détection d'objets | Oui | Oui | PyTorch, TensorFlow, MXNet | [Présentation de la JumpStart détection d'objets](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_object_detection/Amazon_JumpStart_Object_Detection.ipynb) | | Segmentation sémantique | Oui | Oui | MXNet | [Présentation de JumpStart - Segmentation sémantique](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_semantic_segmentation/Amazon_JumpStart_Semantic_Segmentation.ipynb) | | Segmentation d'instances | Oui | Oui | MXNet | [Présentation de JumpStart - Segmentation des instances](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_instance_segmentation/Amazon_JumpStart_Instance_Segmentation.ipynb) | | Intégration d'images | Oui | Non | TensorFlow, MXNet | [Présentation de l' JumpStart intégration d'images](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_image_embedding/Amazon_JumpStart_Image_Embedding.ipynb) | | Classification de texte | Oui | Oui | TensorFlow | [Présentation de JumpStart - Classification de textes](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_text_classification/Amazon_JumpStart_Text_Classification.ipynb) | | Classification des paires de phrases | Oui | Oui | TensorFlow, Hugging Face | [Introduction à la JumpStart classification par paires de phrases](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_sentence_pair_classification/Amazon_JumpStart_Sentence_Pair_Classification.ipynb) | | Réponse aux questions | Oui | Oui | PyTorch, Hugging Face | [Introduction à JumpStart — Réponses aux questions](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_question_answering/Amazon_JumpStart_Question_Answering.ipynb) | | Reconnaissance des entités nommées (NER) | Oui | Non | Hugging Face | [Introduction à la JumpStart reconnaissance des entités nommées](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_named_entity_recognition/Amazon_JumpStart_Named_Entity_Recognition.ipynb) | | Synthèse de texte | Oui | Non | Hugging Face | [Introduction à JumpStart - Récapitulatif de texte](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_text_summarization/Amazon_JumpStart_Text_Summarization.ipynb) | | Génération de texte | Oui | Non | Hugging Face | [Présentation de JumpStart - Génération de texte](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_text_generation/Amazon_JumpStart_Text_Generation.ipynb) | | Algorithme de traduction | Oui | Non | Hugging Face | [Introduction à JumpStart la traduction automatique](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_machine_translation/Amazon_JumpStart_Machine_Translation.ipynb) | | Intégration de texte | Oui | Non | TensorFlow, MXNet | [Présentation de l' JumpStart incorporation de texte](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_text_embedding/Amazon_JumpStart_Text_Embedding.ipynb) | | Classification tabulaire | Oui | Oui | LightGBM,,, AutoGluon -Tabular CatBoost XGBoost, Linear Learner TabTransformer | [Introduction à la JumpStart classification tabulaire - LightGBM, CatBoost](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/lightgbm_catboost_tabular/Amazon_Tabular_Classification_LightGBM_CatBoost.ipynb) [Présentation de JumpStart - Classification tabulaire - XGBoost, Linear Learner](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/xgboost_linear_learner_tabular/Amazon_Tabular_Classification_XGBoost_LinearLearner.ipynb) [Introduction à la JumpStart classification tabulaire - Apprenant AutoGluon](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/autogluon_tabular/Amazon_Tabular_Classification_AutoGluon.ipynb) [Introduction à la JumpStart classification tabulaire - Apprenant TabTransformer](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/tabtransformer_tabular/Amazon_Tabular_Classification_TabTransformer.ipynb) | | Régression tabulaire | Oui | Oui | LightGBM,,, AutoGluon -Tabular CatBoost XGBoost, Linear Learner TabTransformer | [Introduction à la JumpStart régression tabulaire - LightGBM, CatBoost](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/lightgbm_catboost_tabular/Amazon_Tabular_Regression_LightGBM_CatBoost.ipynb) [Introduction à JumpStart — Régression tabulaire - XGBoost, Linear Learner](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/xgboost_linear_learner_tabular/Amazon_Tabular_Regression_XGBoost_LinearLearner.ipynb) [Introduction à la JumpStart régression tabulaire - Learner AutoGluon ](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/autogluon_tabular/Amazon_Tabular_Regression_AutoGluon.ipynb) [Introduction à la JumpStart régression tabulaire - Learner TabTransformer](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/tabtransformer_tabular/Amazon_Tabular_Regression_TabTransformer.ipynb) | # Déploiement d'un modèle Lorsque vous déployez un modèle depuis JumpStart, l' SageMaker IA héberge le modèle et déploie un point de terminaison que vous pouvez utiliser à des fins d'inférence. JumpStart fournit également un exemple de bloc-notes que vous pouvez utiliser pour accéder au modèle après son déploiement. **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 en savoir plus sur l’utilisation de l’expérience Studio mise à jour, consultez [Amazon SageMaker Studio](studio-updated.md). Studio Classic est toujours maintenu pour les charges de travail existantes, mais n'est plus disponible pour l'intégration. Vous pouvez uniquement arrêter ou supprimer des applications Studio Classic existantes et vous ne pouvez pas en créer de nouvelles. Nous vous recommandons de [migrer votre charge de travail vers la nouvelle expérience Studio](studio-updated-migrate.md). **Note** Pour plus d'informations sur le déploiement de JumpStart modèles dans Studio, voir [Déploiement d’un modèle dans Studio](jumpstart-foundation-models-use-studio-updated-deploy.md) ## Configuration du déploiement de modèle Une fois que vous avez choisi un modèle, l'onglet du modèle s'ouvre. Dans le volet **Deploy Model** (Déployer le modèle), choisissez **Deployment Configuration** (Configuration du déploiement) pour configurer le déploiement de votre modèle. ![\[The Deploy Model pane.\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/jumpstart/jumpstart-deploy.png) La valeur par défaut Instance type (Type d'instance) pour déployer un modèle dépend du modèle. Le type d'instance est le matériel sur lequel la tâche d'entraînement s'exécute. Dans l'exemple suivant, l'instance `ml.p2.xlarge` est la valeur par défaut pour ce modèle BERT particulier. Vous pouvez également modifier le nom du point de terminaison, ajouter `key;value` des balises de ressource, activer ou désactiver le `jumpstart-` préfixe pour toutes les JumpStart ressources liées au modèle et spécifier un compartiment Amazon S3 pour stocker les artefacts du modèle utilisés par votre point de terminaison d' SageMaker IA. ![\[JumpStart Deploy Model pane with Deployment Configuration open to select its settings.\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/jumpstart/jumpstart-deploy-config.png) Choisissez **Security Settings** pour spécifier le rôle Gestion des identités et des accès AWS (IAM), Amazon Virtual Private Cloud (Amazon VPC) et les clés de chiffrement pour le modèle. ![\[JumpStart Deploy Model pane with Security Settings open to select its settings.\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/jumpstart/jumpstart-deploy-security.png) ## Sécurité du déploiement de modèle Lorsque vous déployez un modèle avec JumpStart, vous pouvez spécifier un rôle IAM, Amazon VPC et des clés de chiffrement pour le modèle. Si vous ne spécifiez aucune valeur pour ces entrées : le rôle IAM par défaut correspond à votre rôle d’exécution Studio Classic ; le chiffrement par défaut est utilisé ; aucun VPC Amazon n’est utilisé. ### Rôle IAM Vous pouvez sélectionner un rôle IAM qui est transmis dans le cadre des tâches de formation et d'hébergement de tâches. SageMaker L'IA utilise ce rôle pour accéder aux données d'entraînement et aux artefacts du modèle. Si vous ne sélectionnez aucun rôle IAM, SageMaker AI déploie le modèle à l'aide de votre rôle d'exécution Studio Classic. Pour plus d’informations sur les rôles IAM, consultez [Gestion des identités et des accès AWS pour Amazon SageMaker AI](security-iam.md). Le rôle que vous transmettez doit avoir accès aux ressources dont le modèle a besoin et doit inclure tous les éléments suivants. + Pour les tâches de formation : [CreateTrainingJob API : Execution Role Permissions](https://docs.aws.amazon.com//sagemaker/latest/dg/sagemaker-roles.html#sagemaker-roles-createtrainingjob-perms). + Pour les tâches d'hébergement : [CreateModel API : autorisations du rôle d'exécution](https://docs.aws.amazon.com//sagemaker/latest/dg/sagemaker-roles.html#sagemaker-roles-createmodel-perms). **Note** Vous pouvez examiner les autorisations Amazon S3 accordées dans chacun des rôles suivants. Pour ce faire, utilisez l'ARN de votre compartiment Amazon Simple Storage Service (Amazon S3) et du compartiment Amazon JumpStart S3. ``` [ { "Effect": "Allow", "Action": [ "s3:GetObject", "s3:ListBucket" ], "Resource": [ "arn:aws:s3:::jumpstart-cache-prod-/*", "arn:aws:s3:::jumpstart-cache-prod-", "arn:aws:s3:::/*" ] }, { "Effect": "Allow", "Action": [ "cloudwatch:PutMetricData", "logs:CreateLogStream", "logs:PutLogEvents", "logs:CreateLogGroup", "logs:DescribeLogStreams", "ecr:GetAuthorizationToken" ], "Resource": [ "*" ] }, { "Effect": "Allow", "Action": [ "ecr:BatchGetImage", "ecr:BatchCheckLayerAvailability", "ecr:GetDownloadUrlForLayer" ], "Resource": [ "*" ] }, ] } ``` **Trouver le rôle IAM** Si vous choisissez cette option, vous devez sélectionner un rôle IAM existant dans la liste déroulante. ![\[JumpStart Security Settings IAM section with Find IAM role selected.\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/jumpstart/jumpstart-deploy-security-findiam.png) **Rôle IAM d'entrée** Si vous sélectionnez cette option, vous devez saisir manuellement l'ARN d'un rôle IAM existant. Si votre rôle d’exécution Studio Classic ou votre VPC Amazon bloque l’appel `iam:list* `, vous devez utiliser cette option pour utiliser un rôle IAM existant. ![\[JumpStart Security Settings IAM section with Input IAM role selected.\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/jumpstart/jumpstart-deploy-security-inputiam.png) ### Amazon VPC Tous les JumpStart modèles fonctionnent en mode d'isolation du réseau. Une fois le conteneur de modèle créé, aucun autre appel ne peut être effectué. Vous pouvez sélectionner un Amazon VPC qui sera accepté dans le cadre des tâches de formation et d'hébergement. SageMaker L'IA utilise cet Amazon VPC pour transférer et extraire des ressources de votre compartiment Amazon S3. Ce VPC Amazon est différent du VPC Amazon qui limite l’accès à l’Internet public depuis votre instance Studio Classic. Pour plus d’informations sur le VPC Amazon Studio Classic, consultez [Connexion des blocs-notes Studio d’un VPC à des ressources externes](studio-notebooks-and-internet-access.md). Le VPC Amazon que vous transmettez n'a pas besoin d'accéder à l'Internet public, mais il doit avoir accès à Amazon S3. Le point de terminaison Amazon VPC pour Amazon S3 doit autoriser l'accès aux ressources suivantes (a minima) dont le modèle a besoin. ``` { "Effect": "Allow", "Action": [ "s3:GetObject", "s3:PutObject", "s3:ListMultipartUploadParts", "s3:ListBucket" ], "Resources": [ "arn:aws:s3:::jumpstart-cache-prod-/*", "arn:aws:s3:::jumpstart-cache-prod-", "arn:aws:s3:::bucket/*" ] } ``` Si vous ne sélectionnez pas un VPC Amazon, aucun VPC Amazon n'est utilisé. **Trouver un VPC** Si vous choisissez cette option, vous devez sélectionner un VPC Amazon existant dans la liste déroulante. Après avoir choisi un VPC Amazon, vous devez sélectionner un sous-réseau et un groupe de sécurité pour votre VPC Amazon. Pour plus d'informations sur les sous-réseaux et les groupes de sécurité, consultez la section [Présentation des sous-réseaux VPCs et sous-réseaux](https://docs.aws.amazon.com//vpc/latest/userguide/VPC_Subnets.html). ![\[JumpStart Security Settings VPC section with Find VPC selected.\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/jumpstart/jumpstart-deploy-security-findvpc.png) **VPC d'entrée** Si vous sélectionnez cette option, vous devez sélectionner manuellement le sous-réseau et le groupe de sécurité qui composent votre Amazon VPC. Si votre rôle d’exécution Studio Classic ou votre VPC Amazon bloque l’appel `ec2:list*`, vous devez utiliser cette option pour sélectionner le sous-réseau et le groupe de sécurité. ![\[JumpStart Security Settings VPC section with Input VPC selected.\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/jumpstart/jumpstart-deploy-security-inputvpc.png) ### Clés de chiffrement Vous pouvez sélectionner une AWS KMS clé qui est transmise dans le cadre des tâches de formation et d'hébergement des tâches. SageMaker L'IA utilise cette clé pour chiffrer le volume Amazon EBS du conteneur, ainsi que le modèle reconditionné dans Amazon S3 pour les tâches d'hébergement et les résultats pour les tâches de formation. Pour plus d'informations sur AWS KMS les clés, consultez la section [AWS KMS clés](https://docs.aws.amazon.com//kms/latest/developerguide/concepts.html#kms_keys). La clé que vous transmettez doit faire confiance au rôle IAM transmis. Si vous ne spécifiez aucun rôle IAM, la AWS KMS clé doit faire confiance à votre rôle d'exécution Studio Classic. Si vous ne sélectionnez aucune AWS KMS clé, SageMaker AI fournit un chiffrement par défaut pour les données du volume Amazon EBS et les artefacts Amazon S3. **Trouver des clés de chiffrement** Si vous sélectionnez cette option, vous devez sélectionner les AWS KMS clés existantes dans la liste déroulante. ![\[JumpStart Security Settings encryption section with Find encryption keys selected.\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/jumpstart/jumpstart-deploy-security-findencryption.png) **Clés de chiffrement d'entrée** Si vous sélectionnez cette option, vous devez saisir les AWS KMS clés manuellement. Si votre rôle d'exécution Studio Classic ou Amazon VPC bloque l'`kms:list* `appel, vous devez utiliser cette option pour sélectionner les clés existantes AWS KMS . ![\[JumpStart Security Settings encryption section with Input encryption keys selected.\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/jumpstart/jumpstart-deploy-security-inputencryption.png) ## Configuration des valeurs par défaut pour les JumpStart modèles Vous pouvez configurer des valeurs par défaut pour des paramètres tels que les rôles IAM et les VPCs clés KMS à prérenseigner pour le déploiement et la formation des JumpStart modèles. Après avoir configuré les valeurs par défaut, l'interface utilisateur de Studio Classic fournit automatiquement les paramètres de sécurité et les balises que vous avez spécifiés aux JumpStart modèles afin de simplifier les flux de travail de déploiement et de formation. Les administrateurs et les utilisateurs finaux peuvent initialiser les valeurs par défaut spécifiées dans un fichier de configuration au format YAML. Par défaut, le SDK SageMaker Python utilise deux fichiers de configuration : un pour l'administrateur et un pour l'utilisateur. À l'aide du fichier de configuration de l'administrateur, les administrateurs peuvent définir un ensemble de valeurs par défaut. Les utilisateurs finaux peuvent remplacer les valeurs définies dans le fichier de configuration de l'administrateur et définir des valeurs par défaut supplémentaires à l'aide du fichier de configuration de l'utilisateur final. Pour plus d'informations, consultez [Emplacement du fichier de configuration par défaut](https://sagemaker.readthedocs.io/en/stable/overview.html#default-configuration-file-location).(langue française non garantie) L'exemple de code suivant répertorie les emplacements par défaut des fichiers de configuration lors de l'utilisation du SDK SageMaker Python dans Amazon SageMaker Studio Classic. ``` # Location of the admin config file /etc/xdg/sagemaker/config.yaml # Location of the user config file /root/.config/sagemaker/config.yaml ``` Les valeurs spécifiées dans le fichier de configuration de l'utilisateur remplacent les valeurs définies dans le fichier de configuration de l'administrateur. Le fichier de configuration est propre à chaque profil utilisateur au sein d'un domaine Amazon SageMaker AI. L’application Studio Classic du profil utilisateur est directement associée au profil utilisateur. Pour de plus amples informations, veuillez consulter [Profils utilisateur d’un domaine](domain-user-profile.md). Les administrateurs peuvent éventuellement définir des paramètres de configuration par défaut pour la formation et le déploiement des JumpStart modèles par le biais de configurations `JupyterServer` du cycle de vie. Pour de plus amples informations, veuillez consulter [Création et association d'une configuration de cycle de vie avec Amazon SageMaker Studio Classic](studio-lcc-create.md). ### Fichier YAML de configuration des valeurs par défaut Votre fichier de configuration doit respecter la [structure du fichier de configuration du](https://sagemaker.readthedocs.io/en/stable/overview.html#configuration-file-structure) SDK SageMaker Python. Notez que les champs spécifiques des `EndpointConfig` configurations `TrainingJob``Model`, et s'appliquent aux valeurs par défaut de formation et de déploiement des JumpStart modèles. ``` SchemaVersion: '1.0' SageMaker: TrainingJob: OutputDataConfig: KmsKeyId: example-key-id ResourceConfig: # Training configuration - Volume encryption key VolumeKmsKeyId: example-key-id # Training configuration form - IAM role RoleArn: arn:aws:iam::123456789012:role/SageMakerExecutionRole VpcConfig: # Training configuration - Security groups SecurityGroupIds: - sg-1 - sg-2 # Training configuration - Subnets Subnets: - subnet-1 - subnet-2 # Training configuration - Custom resource tags Tags: - Key: Example-key Value: Example-value Model: EnableNetworkIsolation: true # Deployment configuration - IAM role ExecutionRoleArn: arn:aws:iam::123456789012:role/SageMakerExecutionRole VpcConfig: # Deployment configuration - Security groups SecurityGroupIds: - sg-1 - sg-2 # Deployment configuration - Subnets Subnets: - subnet-1 - subnet-2 EndpointConfig: AsyncInferenceConfig: OutputConfig: KmsKeyId: example-key-id DataCaptureConfig: # Deployment configuration - Volume encryption key KmsKeyId: example-key-id KmsKeyId: example-key-id # Deployment configuration - Custom resource tags Tags: - Key: Example-key Value: Example-value ``` # Affiner un modèle L'affinage entraîne un modèle pré-entraîné sur un nouveau jeu de données sans entraînement et à partir de zéro. Ce processus, également connu sous le nom d'apprentissage par transfert, peut produire des modèles précis avec des jeux de données plus petits et moins de temps d'entraînement. Vous pouvez affiner un modèle si l'attribut **Fine-tunable** (Réglable) est défini sur **Yes** (Oui) sur sa carte. ![\[JumpStart fine-tunable Image Classification - TensorFlow model\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/jumpstart/jumpstart-finetune-model.png) **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 en savoir plus sur l’utilisation de l’expérience Studio mise à jour, consultez [Amazon SageMaker Studio](studio-updated.md). Studio Classic est toujours maintenu pour les charges de travail existantes, mais n'est plus disponible pour l'intégration. Vous pouvez uniquement arrêter ou supprimer des applications Studio Classic existantes et vous ne pouvez pas en créer de nouvelles. Nous vous recommandons de [migrer votre charge de travail vers la nouvelle expérience Studio](studio-updated-migrate.md). **Note** Pour plus d'informations sur le réglage précis des JumpStart modèles dans Studio, voir [Peaufinage d’un modèle dans Studio](jumpstart-foundation-models-use-studio-updated-fine-tune.md) ## Affinage de la source de données Lorsque vous affinez un modèle, vous pouvez utiliser le jeu de données par défaut ou choisir vos propres données, situées dans un compartiment Amazon S3. Pour parcourir les compartiments à votre disposition, choisissez **Find S3 bucket (Rechercher un compartiment S3)**. Ces compartiments sont limités par les autorisations utilisées pour configurer votre compte Studio Classic. Vous pouvez également spécifier un URI Amazon S3 en choisissant **Enter Amazon S3 bucket location** (Entrer l'emplacement du compartiment Amazon S3). ![\[JumpStart data source settings with default dataset selected.\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/jumpstart/jumpstart-dataset.png) **Astuce** Pour savoir comment formater les données dans votre compartiment, choisissez **Learn more (En savoir plus)**. La section de description du modèle contient des informations détaillées sur les entrées et les sorties.  Pour les modèles de texte : + Le compartiment doit comporter un fichier data.csv. + La première colonne doit correspondre à un nombre entier unique pour l'étiquette de classe. Par exemple : `1`, `2`, `3`, `4`, `n` + La seconde colonne doit être une chaîne. + La seconde colonne doit contenir le texte correspondant qui correspond au type et à la langue du modèle.  Pour les modèles de vision : + Le compartiment doit contenir autant de sous-répertoires que le nombre de classes. + Chaque sous-répertoire doit contenir des images appartenant à cette classe au format .jpg. **Note** Le compartiment Amazon S3 doit se trouver dans le même emplacement que celui dans Région AWS lequel vous exécutez SageMaker Studio Classic, car l' SageMaker IA n'autorise pas les requêtes interrégionales. ## Affiner la configuration du déploiement La famille p3 est recommandée, car elle est considérée comme la plus rapide pour l'entraînement en deep learning, ce qui est recommandé pour affiner un modèle. Le graphique suivant indique le nombre de GPUs dans chaque type d'instance. Il existe d'autres options disponibles que vous pouvez choisir, y compris les types d'instance p2 et g4. | Type d’instance | GPUs | | --- | --- | | p3.2xlarge | 1 | | p3.8xlarge | 4 | | p3.16xlarge | 8 | | p3dn.24xlarge | 8 | ## Hyperparamètres Vous pouvez personnaliser les hyperparamètres de la tâche d'entraînement utilisés pour affiner le modèle. Les hyperparamètres disponibles pour chaque modèle réglable varient en fonction du modèle. Pour plus d'informations sur chaque hyperparamètre disponible, consultez la documentation relative aux hyperparamètres du modèle de votre choix dans [Algorithmes intégrés et modèles préentraînés dans Amazon SageMaker](algos.md). Par exemple, voir [Classification des images - TensorFlow Hyperparamètres](IC-TF-Hyperparameter.md) pour plus de détails sur la classification des images réglable avec précision - TensorFlow hyperparamètres. Si vous utilisez le jeu de données par défaut pour les modèles de texte sans modifier les hyperparamètres, vous obtenez un modèle presque identique. Pour les modèles de vision, le jeu de données par défaut est différent du jeu de données utilisé pour entraîner les modèles pré-entraînés. Par conséquent, votre modèle est différent. Les hyperparamètres suivants sont courants parmi les modèles : + **Epochs (Époques)** – Une époque est un cycle dans l'ensemble du jeu de données. Plusieurs intervalles complètent un lot, et plusieurs lots finissent par compléter une époque. Plusieurs époques sont exécutées jusqu'à ce que la précision du modèle atteigne un niveau acceptable ou lorsque le taux d'erreur descend en dessous d'un niveau acceptable. + **Learning rate (Taux d'apprentissage)** – Quantité de modifications que doivent subir les valeurs d'une époque à l'autre. Au fur et à mesure que le modèle est affiné, ses pondérations internes sont modifiées et les taux d'erreur sont vérifiés pour voir si le modèle s'améliore. Un taux d'apprentissage typique est de 0,1 ou 0,01, où 0,01 est un ajustement beaucoup plus petit et peut faire en sorte que l'entraînement prenne beaucoup de temps pour converger, alors que 0,1 est beaucoup plus grand et peut faire en sorte que l'entraînement dépasse les limites. Il s'agit de l'un des principaux hyperparamètres que vous pouvez ajuster pour l'entraînement de votre modèle. Notez que pour les modèles de texte, un taux d'apprentissage beaucoup plus faible (5e-5 pour BERT) peut donner lieu à un modèle plus précis. + **Taille du lot** : nombre d'enregistrements de l'ensemble de données à sélectionner pour chaque intervalle à envoyer à des GPUs fins d'entraînement. Dans un exemple d'image, vous pouvez envoyer 32 images par GPU,. 32 est donc votre taille de lot. Si vous choisissez un type d'instance avec plusieurs processeurs graphiques, le lot est divisé par le nombre de GPUs. La taille du lot suggérée varie en fonction des données et du modèle que vous utilisez. Par exemple, la façon dont vous optimisez les données d'image diffère de la façon dont vous traitez les données de langue. Dans le tableau des types d'instance de la section de configuration du déploiement, vous pouvez voir le nombre de GPUs par type d'instance. Commencez par une taille de lot standard recommandée (par exemple, 32 pour un modèle de vision). Multipliez ensuite ce chiffre par le nombre de GPUs dans le type d'instance que vous avez sélectionné. Par exemple, si vous utilisez un`p3.8xlarge`, ce serait 32 (taille du lot) multiplié par 4 (GPUs), pour un total de 128, car la taille de votre lot s'ajuste au nombre de GPUs. Pour un modèle de texte comme BERT, essayez de commencer par une taille de lot de 64, puis réduisez-la au besoin. ## Sortie de l'entraînement Lorsque le processus de réglage est terminé, JumpStart fournit des informations sur le modèle : modèle parent, nom de la tâche de formation, ARN de la tâche de formation, durée de formation et chemin de sortie. Le chemin de sortie est l'endroit où vous pouvez trouver votre nouveau modèle dans un compartiment Amazon S3. La structure de dossier utilise le nom de modèle que vous avez fourni et le fichier de modèle se trouve dans un sous-dossier `/output`. Il est toujours nommé `model.tar.gz`.  Exemple : `s3://bucket/model-name/output/model.tar.gz` ## Configuration des valeurs par défaut pour l'entraînement de modèles Vous pouvez configurer des valeurs par défaut pour des paramètres tels que les rôles IAM et les VPCs clés KMS à prérenseigner pour le déploiement et la formation des JumpStart modèles. Pour plus d'informations, consultez, [Configuration des valeurs par défaut pour les JumpStart modèles](jumpstart-deploy.md#jumpstart-config-defaults). # Share Models (Partager des modèles) **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 en savoir plus sur l’utilisation de l’expérience Studio mise à jour, consultez [Amazon SageMaker Studio](studio-updated.md). Studio Classic est toujours maintenu pour les charges de travail existantes, mais n'est plus disponible pour l'intégration. Vous pouvez uniquement arrêter ou supprimer des applications Studio Classic existantes et vous ne pouvez pas en créer de nouvelles. Nous vous recommandons de [migrer votre charge de travail vers la nouvelle expérience Studio](studio-updated-migrate.md). Vous pouvez partager JumpStart des modèles via l'interface utilisateur de Studio Classic directement depuis la page ** JumpStart Ressources lancées** en suivant la procédure suivante : 1. Ouvrez Amazon SageMaker Studio Classic et choisissez **Launched JumpStart assets** dans la **JumpStart**section du volet de navigation de gauche. 1. Sélectionnez l'onglet **Training jobs** (Tâches d'entraînement) pour afficher la liste de vos tâches d'entraînement de modèles. 1. Dans la liste **Training jobs** (Tâches d'entraînement), sélectionnez la tâche d'entraînement que vous souhaitez partager. La page de détails de la tâche d'entraînement s'ouvre. Vous ne pouvez pas partager plusieurs tâches de formation à la fois. 1. Dans l’en-tête de la tâche d’entraînement, choisissez **Partager**, puis sélectionnez **Partager avec mon organisation**. Pour plus d’informations sur le partage de modèles avec votre organisation, consultez [Modèles et blocs-notes partagés](jumpstart-content-sharing.md). # Modèles et blocs-notes partagés **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 en savoir plus sur l’utilisation de l’expérience Studio mise à jour, consultez [Amazon SageMaker Studio](studio-updated.md). Studio Classic est toujours maintenu pour les charges de travail existantes, mais n'est plus disponible pour l'intégration. Vous pouvez uniquement arrêter ou supprimer des applications Studio Classic existantes et vous ne pouvez pas en créer de nouvelles. Nous vous recommandons de [migrer votre charge de travail vers la nouvelle expérience Studio](studio-updated-migrate.md). Partagez vos modèles et vos blocs-notes pour centraliser les artefacts des modèles, faciliter leur découverte et accroître la réutilisation des modèles au sein de votre organisation. Lorsque vous partagez vos modèles, vous pouvez fournir des informations sur l'environnement de formation et d'inférence, et autoriser les collaborateurs à utiliser ces environnements pour leurs propres tâches de formation et d'inférence. Tous les modèles que vous partagez et les modèles partagés avec vous sont consultables dans un emplacement centralisé directement dans Amazon SageMaker Studio Classic. Pour plus d'informations sur les étapes d'intégration pour se connecter à Amazon SageMaker Studio Classic, consultez la section [Intégration au domaine Amazon SageMaker AI](https://docs.aws.amazon.com/sagemaker/latest/dg/gs-studio-onboard.html). **Topics** + [ # Partage de modèles et de blocs-notes ](jumpstart-content-sharing-access.md) + [ # Accès au contenu partagé ](jumpstart-content-sharing-access-filter.md) + [ # Ajouter un modèle ](jumpstart-content-sharing-add-model.md) # Partage de modèles et de blocs-notes Pour partager des modèles et des carnets de notes, accédez à la section **Modèles partagés** d'Amazon SageMaker Studio Classic, choisissez **Partagé par mon organisation**, puis sélectionnez la liste déroulante **Ajouter**. Choisissez d’ajouter un modèle ou un bloc-notes. ![\[Le menu auquel ajouter des modèles ou des blocs-notes partagés. JumpStart\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/jumpstart/jumpstart-shared-models.png) # Accès au contenu partagé Depuis l'interface utilisateur Amazon SageMaker Studio Classic, vous pouvez accéder au contenu partagé et filtrer ce que vous voyez. Il existe trois options principales pour filtrer les modèles et blocs-notes partagés : 1. **Partagé par moi** — Modèles et carnets de notes que vous avez partagés avec. JumpStart 1. **Shared with me** (Partagé avec moi) : modèles et blocs-notes partagés avec vous 1. **Shared by my organization** (Partagé par mon organisation) : tous les modèles et blocs-notes partagés avec tous les membres de votre organisation Vous pouvez également trier vos modèles et blocs-notes en fonction de l'heure à laquelle ils ont été mis à jour pour la dernière fois ou par ordre alphabétique croissant ou décroissant. Cliquez sur l’icône de filtre (![\[Funnel or filter icon representing data filtering or narrowing down options.\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/jumpstart/jumpstart-filter-icon.png)) pour trier davantage vos sélections. # Ajouter un modèle Pour ajouter un modèle, choisissez **Partagés par mon organisation**, puis sélectionnez **Ajouter un modèle** dans la liste déroulante **Ajouter**. Entrez les informations de base de votre modèle et ajoutez toutes les informations de formation ou d'inférence que vous souhaitez partager avec des collaborateurs, pour former ou déployer votre modèle. Après avoir saisi toutes les informations nécessaires, choisissez **Ajouter un modèle** dans le coin inférieur droit. **Topics** + [ # Ajout d’informations de base ](jumpstart-content-sharing-info.md) + [ # Activer l'entraînement ](jumpstart-content-sharing-training.md) + [ # Activer le déploiement ](jumpstart-content-sharing-deployment.md) + [ # Ajouter un bloc-notes ](jumpstart-content-sharing-notebooks.md) # Ajout d’informations de base L'ajout d'un modèle JumpStart implique de fournir des informations de base sur le modèle que vous souhaitez entraîner. Ces informations permettent de définir les caractéristiques et les capacités de votre modèle, et de le rendre plus facile à découvrir et à rechercher. Pour créer un modèle, procédez comme suit : 1. Ajoutez un titre pour ce modèle. L'ajout d'un titre renseigne automatiquement un identifiant unique dans le champ ID en fonction du titre du modèle. 1. Ajouter une description du modèle. 1. Sélectionnez un type de données parmi les options : *texte* (texte), *vision*, *tabular* (tabulaire) ou *audio*. 1. Sélectionnez une tâche de machine learning dans la liste des tâches disponibles, comme *image classification* (classification d'images) ou *text generation* (génération de texte). 1. Sélectionnez un cadre de machine learning. 1. Ajoutez des informations de métadonnées avec des mots clés ou des expressions à utiliser lors de la recherche d'un modèle. Séparez les mots clés à l'aide de virgules. Tous les espaces sont automatiquement remplacés par des virgules. # Activer l'entraînement Lorsque vous ajoutez un modèle à partager, vous pouvez fournir un environnement d'entraînement et permettre aux collaborateurs de votre organisation d'entraîner le modèle partagé. **Note** Si vous ajoutez un modèle tabulaire, vous devez également spécifier un format de colonne et une colonne cible pour activer l'entraînement. Après avoir fourni les informations de base concernant votre modèle, vous devez configurer les paramètres de la tâche d’entraînement qui sera utilisée pour l’entraîner. Cela implique de spécifier l’environnement du conteneur, les scripts de code, les jeux de données, les emplacements de sortie et divers autres paramètres permettant de contrôler comment la tâche d’entraînement est exécutée. Pour configurer les paramètres de la tâche d’entraînement, procédez comme suit : 1. Ajoutez un conteneur à utiliser pour l'entraînement des modèles. Vous pouvez sélectionner un conteneur utilisé pour un poste de formation existant, apporter votre propre conteneur dans Amazon ECR ou utiliser un conteneur Amazon SageMaker Deep Learning. 1. Ajoutez des variables d'environnement. 1. Indiquez l'emplacement du script d'entraînement. 1. Fournissez un point d'entrée en mode script. 1. Fournissez un URI Amazon S3 pour les artefacts du modèle générés pendant l'entraînement. 1. Fournissez l'URI Amazon S3 au jeu de données d'entraînement par défaut. 1. Fournissez un chemin de sortie du modèle. Le chemin de sortie du modèle doit être le chemin de l'URI Amazon S3 pour tous les artefacts de modèle générés lors de l'entraînement. SageMaker L'IA enregistre les artefacts du modèle dans un seul fichier TAR compressé dans Amazon S3. 1. Fournissez un jeu de données de validation à utiliser pour évaluer votre modèle pendant l'entraînement. Les jeux de données de validation doivent contenir le même nombre de colonnes et les mêmes en-têtes de fonctions que le jeu de données d'entraînement. 1. Activez l'isolation du réseau. L'isolation du réseau isole le conteneur du modèle afin qu'aucun appel réseau entrant ou sortant ne puisse être effectué vers le conteneur modèle ou à partir de celui-ci. 1. Fournissez des canaux de formation par le biais desquels l' SageMaker IA peut accéder à vos données. Par exemple, vous pouvez spécifier les canaux d'entrée nommés `train` ou `test`. Pour chaque canal, spécifiez un nom de canal et un URI indiquant l'emplacement de vos données. Choisissez **Browse** (Parcourir) pour rechercher des emplacements Amazon S3. 1. Fournissez des hyperparamètres. Ajoutez tous les hyperparamètres que les collaborateurs devraient tester pendant l'entraînement. Fournissez une plage de valeurs valides pour ces hyperparamètres. Cette plage est utilisée pour la validation des hyperparamètres des tâches d'entraînement. Vous pouvez définir des plages en fonction du type de données de l'hyperparamètre. 1. Sélectionnez un type d'instance. Nous recommandons d'utiliser une instance de GPU avec davantage de mémoire pour l'entraînement avec de grandes tailles de lot. Pour obtenir une liste complète des instances de SageMaker formation dans toutes AWS les régions, consultez le tableau **des tarifs à la demande** dans [Amazon SageMaker Pricing.](https://aws.amazon.com/sagemaker/pricing/) 1. Fournissez des métriques. Définissez les métriques d'une tâche d'entraînement en spécifiant un nom et une expression régulière pour chaque métrique surveillée par votre entraînement. Concevez les expressions régulières de manière à ce qu'elles capturent les valeurs des métriques émises par votre algorithme. Par exemple, la métrique `loss` peut contenir l'expression régulière `"Loss =(.*?);"`. # Activer le déploiement Lorsque vous ajoutez un modèle à partager, vous pouvez fournir un environnement d'inférence dans lequel les collaborateurs de votre organisation peuvent déployer le modèle partagé pour l'inférence. Après avoir entraîné votre modèle d'apprentissage automatique, vous devrez le déployer sur un point de terminaison Amazon SageMaker AI à des fins d'inférence. Cela implique de fournir un environnement de conteneur, un script d’inférence, les artefacts du modèle générés pendant l’entraînement, et de sélectionner un type d’instance de calcul approprié. Une bonne configuration de ces paramètres est essentielle pour garantir que votre modèle déployé peut effectuer des prédictions précises et traiter efficacement les demandes d’inférence. Pour configurer votre modèle à des fins d’inférence, procédez comme suit : 1. Ajoutez un conteneur à utiliser pour l'inférence. Vous pouvez apporter votre propre conteneur dans Amazon ECR ou utiliser un conteneur Amazon SageMaker Deep Learning. 1. Fournissez l'URI Amazon S3 à un script d'inférence. Des scripts d'inférence personnalisés s'exécutent dans le conteneur de votre choix. Votre script d'inférence doit inclure une fonction de chargement du modèle et, éventuellement, des fonctions générant des prédictions et traitant les entrées et les sorties. Pour plus d'informations sur la création de scripts d'inférence pour le framework de votre choix, consultez [Frameworks](https://sagemaker.readthedocs.io/en/stable/frameworks/index.html) dans la documentation du SDK SageMaker Python. Par exemple, pour TensorFlow, voir [Comment implémenter le ou les gestionnaires de and/or pré-post-traitement.](https://sagemaker.readthedocs.io/en/stable/frameworks/tensorflow/deploying_tensorflow_serving.html#how-to-implement-the-pre-and-or-post-processing-handler-s) 1. Fournissez un URI Amazon S3 pour les artefacts de modèle. Les artefacts de modèle sont les résultats de l'entraînement d'un modèle. Ils se composent généralement de paramètres entraînés, d'une définition de modèle décrivant comment calculer les inférences et d'autres métadonnées. Si vous avez entraîné votre modèle à l' SageMaker IA, les artefacts du modèle sont enregistrés dans un seul fichier TAR compressé dans Amazon S3. Si vous avez entraîné votre modèle en dehors de l' SageMaker IA, vous devez créer ce fichier TAR compressé unique et l'enregistrer dans un emplacement Amazon S3. 1. Sélectionnez un type d'instance. Nous recommandons d'utiliser une instance de GPU avec davantage de mémoire pour l'entraînement avec de grandes tailles de lot. Pour obtenir une liste complète des instances de SageMaker formation dans toutes AWS les régions, consultez le tableau **des tarifs à la demande** dans [Amazon SageMaker Pricing](https://aws.amazon.com/sagemaker/pricing/). # Ajouter un bloc-notes Pour ajouter un bloc-notes, choisissez **Partagés par mon organisation**, puis sélectionnez **Ajouter un bloc-notes** dans la liste déroulante **Ajouter**. Entrez les informations de base de votre bloc-notes et fournissez un URI Amazon S3 pour l'emplacement de ce bloc-notes. Tout d'abord, ajoutez les informations descriptives de base sur votre bloc-notes. Ces informations permettent d'améliorer la facilité de recherche de votre bloc-notes. 1. Ajoutez un titre à ce bloc-notes. L'ajout d'un titre renseigne automatiquement un identifiant unique dans le champ ID en fonction du titre du bloc-notes. 1. Ajoutez une description du bloc-notes. 1. Sélectionnez un type de données parmi les options : *texte* (texte), *vision*, *tabular* (tabulaire) ou *audio*. 1. Sélectionnez une tâche de machine learning dans la liste des tâches disponibles, comme *image classification* (classification d'images) ou *text generation* (génération de texte). 1. Sélectionnez un framework de machine learning. 1. Ajoutez des informations de métadonnées avec des mots clés ou des expressions à utiliser lors de la recherche d'un bloc-notes. Séparez les mots clés à l'aide de virgules. Tous les espaces sont automatiquement remplacés par des virgules. Après avoir spécifié les informations de base de ce bloc-notes, vous pouvez fournir un URI Amazon S3 pour son emplacement. Vous pouvez sélectionner **Browse** (Parcourir) pour parcourir vos compartiments Amazon S3 pour l'emplacement de votre fichier de votre bloc-notes. Une fois que vous avez trouvé votre bloc-notes, copiez l'URI Amazon S3, choisissez **Cancel** (Annuler), puis ajoutez l'URI Amazon S3 dans le champ **Notebook Location** (Emplacement du bloc-notes). Après avoir saisi toutes les informations nécessaires, choisissez **Add notebook** (Ajouter un bloc-notes) dans le coin inférieur droit. # End-to-end JumpStart modèles de solutions **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 en savoir plus sur l’utilisation de l’expérience Studio mise à jour, consultez [Amazon SageMaker Studio](studio-updated.md). Studio Classic est toujours maintenu pour les charges de travail existantes, mais n'est plus disponible pour l'intégration. Vous pouvez uniquement arrêter ou supprimer des applications Studio Classic existantes et vous ne pouvez pas en créer de nouvelles. Nous vous recommandons de [migrer votre charge de travail vers la nouvelle expérience Studio](studio-updated-migrate.md). **Note** JumpStart Les solutions ne sont disponibles que dans Studio Classic. SageMaker JumpStart fournit des end-to-end solutions en un clic conçues pour répondre aux cas d'utilisation courants de l'apprentissage automatique. Elles utilisent des algorithmes éprouvés pour leurs domaines et fournissent un flux de travail complet qui inclut généralement le traitement des données, l’entraînement des modèles, le déploiement, l’inférence et la surveillance. Explorez les cas d'utilisation suivants pour plus d'informations sur les modèles de solutions disponibles. + [Prédiction de la demande](#jumpstart-solutions-demand-forecasting) + [Prédiction de la cote de crédit](#jumpstart-solutions-credit-prediction) + [Détection des fraudes](#jumpstart-solutions-fraud-detection) + [Reconnaissance d’image](#jumpstart-solutions-computer-vision) + [Extraire et analyser les données des documents](#jumpstart-solutions-documents) + [Maintenance prédictive](#jumpstart-solutions-predictive-maintenance) + [Prédiction du taux de désabonnement](#jumpstart-solutions-churn-prediction) + [Recommandations personnalisées](#jumpstart-solutions-recommendations) + [Apprentissage par renforcement](#jumpstart-solutions-reinforcement-learning) + [Santé et sciences de la vie](#jumpstart-solutions-healthcare-life-sciences) + [Tarification financière](#jumpstart-solutions-financial-pricing) + [Inférence causale](#jumpstart-solutions-causal-inference) Choisissez le modèle de solution qui correspond le mieux à votre cas d'utilisation sur la page de JumpStart destination. Lorsque vous choisissez un modèle de solution, un nouvel onglet contenant une description de la solution et un bouton de **lancement JumpStart ** s'ouvre. Lorsque vous sélectionnez **Launch**, il JumpStart crée toutes les ressources dont vous avez besoin pour exécuter la solution, y compris les instances de formation et d'hébergement de modèles. Pour plus d'informations sur le lancement d'une JumpStart solution, consultez[Lancement d'une solution](jumpstart-solutions-launch.md). Après avoir lancé la solution, vous pouvez explorer les fonctionnalités de la solution et tous les artefacts générés dans JumpStart. Utilisez le menu ** JumpStart Ressources lancées** pour trouver votre solution. Sélectionnez **Open Notebook** (Ouvrir le bloc-notes) dans l'onglet de votre solution pour utiliser les blocs-notes fournis et explorer les fonctionnalités de la solution. Lorsque des artefacts sont générés pendant le lancement ou après l'exécution des blocs-notes fournis, ils sont répertoriés dans le tableau **Generated Artifacts** (Artefacts générés). Vous pouvez supprimer des artefacts individuels à l'aide de l'icône Corbeille (![\[The trash icon for JumpStart.\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/jumpstart/jumpstart-trash.png)). Vous pouvez supprimer toutes les ressources de la solution en choisissant **Delete solution resources (Supprimer les ressources de la solution)**. ## Prédiction de la demande La prévision de la demande utilise des données de séries temporelles historiques afin d'effectuer des estimations futures par rapport à la demande des clients sur une période spécifique et de rationaliser le processus de prise de décision entre offre et demande au sein des entreprises. Les cas d'utilisation de la prévision de la demande incluent la prédiction des ventes de billets dans le secteur des transports, du cours des actions, du nombre de visites à l'hôpital, du nombre de chargés de clientèle à embaucher pour plusieurs sites au cours du mois suivant, des ventes de produits dans plusieurs régions au cours du trimestre suivant, de l'utilisation des serveurs cloud le jour suivant pour un service de streaming vidéo, de la consommation d'électricité pour plusieurs régions au cours de la semaine à venir, du nombre de capteurs et d'appareils IoT tels que la consommation d'énergie, etc. Les données de séries temporelles sont classées comme *univariées* et *multivariées*. Par exemple, la consommation totale d'électricité d'un ménage est une série temporelle univariée sur une période donnée. Lorsque plusieurs séries temporelles univariées sont empilées les unes sur les autres, on parle de série temporelle multivariée. Par exemple, la consommation totale d'électricité de 10 ménages différents (mais corrélés) d'un même quartier constitue un jeu de données de série temporelle multivariée. | Nom de la solution | Description | Mise en route | | --- | --- | --- | | Prédiction de la demande | Prévision de la demande pour les données de séries chronologiques multivariées à l'aide de trois algorithmes de prévision de séries state-of-the-art chronologiques : [LSTNet](https://ts.gluon.ai/stable/api/gluonts/gluonts.mx.model.lstnet.html)[Prophet](https://facebook.github.io/prophet/) et AI [SageMaker DeePar](https://docs.aws.amazon.com/sagemaker/latest/dg/deepar.html). | [GitHub »](https://github.com/awslabs/sagemaker-deep-demand-forecast) | ## Prédiction de la cote de crédit Utilisez les solutions JumpStart de prédiction des notations de crédit pour prévoir les notations de crédit des entreprises ou pour expliquer les décisions de prédiction de crédit prises à l'aide de modèles d'apprentissage automatique. Par rapport aux méthodes traditionnelles de modélisation des notations de crédit, les modèles de machine learning peuvent automatiser et améliorer la précision de la prédiction de crédit. | Nom de la solution | Description | Mise en route | | --- | --- | --- | | Prédiction de la cote de crédit des entreprises | [Apprentissage automatique multimodal (texte long et tabulaire) pour des prévisions de crédit de qualité à l'aide AWS AutoGluon de Tabular.](https://auto.gluon.ai/scoredebugweight/tutorials/tabular_prediction/index.html) | [GitHub »](https://github.com/awslabs/sagemaker-corporate-credit-rating) | | Cote de crédit basée sur des graphes | Prédisez les notations de crédit des entreprises à l'aide de données tabulaires et d'un réseau d'entreprise en formant un [réseau de neurones Graph (GraphSage](https://cs.stanford.edu/people/jure/pubs/graphsage-nips17.pdf)) et un modèle AWS [AutoGluon tabulaire](https://auto.gluon.ai/scoredebugweight/tutorials/tabular_prediction/index.html). | Trouvez dans Amazon SageMaker Studio Classic. | | Expliquer les décisions de crédit | Prédisez le défaut de crédit dans les demandes de crédit et fournissez des explications à l'aide de [LightGBM](https://lightgbm.readthedocs.io/en/latest/) et [SHAP (SHapleyAdditive](https://shap.readthedocs.io/en/latest/index.html) Explanations). | [GitHub »](https://github.com/awslabs/sagemaker-explaining-credit-decisions) | ## Détection des fraudes De nombreuses entreprises perdent des milliards chaque année en raison de la fraude. Les modèles de détection des fraudes basés sur le machine learning peuvent aider à identifier systématiquement les activités frauduleuses probables à partir d'une énorme quantité de données. Les solutions suivantes utilisent des jeux de données de transaction et d'identité utilisateur pour identifier les transactions frauduleuses. | Nom de la solution | Description | Mise en route | | --- | --- | --- | | Détectez les utilisateurs et les transactions malveillants | Détectez automatiquement les activités potentiellement frauduleuses dans les transactions à l'aide de l'[SageMaker IA XGBoost](https://docs.aws.amazon.com/sagemaker/latest/dg/xgboost.html) grâce à la technique de suréchantillonnage [Synthetic Minority Oversampling](https://arxiv.org/abs/1106.1813) (SMOTE). | [GitHub »](https://github.com/awslabs/fraud-detection-using-machine-learning) | | Détection des fraudes dans les transactions financières à l'aide d'une bibliothèque de graphes profonds | Détectez les fraudes dans les transactions financières en formant un [réseau convolutif de graphes](https://arxiv.org/pdf/1703.06103.pdf) à l'aide de la [bibliothèque de graphes approfondie](https://www.dgl.ai/) et d'un modèle d'[SageMaker IA XGBoost](https://docs.aws.amazon.com/sagemaker/latest/dg/xgboost.html). | [GitHub »](https://github.com/awslabs/sagemaker-graph-fraud-detection) | | Classification des paiements financiers | Classez les paiements financiers en fonction des informations relatives aux transactions à l'aide de l'[SageMaker IA XGBoost](https://docs.aws.amazon.com/sagemaker/latest/dg/xgboost.html). Utilisez ce modèle de solution comme étape intermédiaire dans la détection des fraudes, la personnalisation ou la détection des anomalies. | Trouvez dans Amazon SageMaker Studio Classic. | ## Reconnaissance d’image Avec l'augmentation des cas d'utilisation commerciaux tels que les véhicules autonomes, la vidéosurveillance intelligente, le monitoring des soins de santé et diverses tâches de comptage d'objets, les systèmes de détection d'objets rapides et précis sont de plus en plus demandés. Ces systèmes impliquent non seulement de reconnaître et de classer chaque objet d'une image, mais aussi de localiser chacun d'eux en traçant le cadre de délimitation approprié autour de celui-ci. Au cours de la dernière décennie, les progrès rapides des techniques de deep learning ont considérablement accéléré la dynamique de la détection d'objets. | Nom de la solution | Description | Mise en route | | --- | --- | --- | | Détection des défauts visuels des produits | Identifiez les zones défectueuses sur les images des produits, soit en entraînant un [modèle de détection d'objets à partir de zéro](https://ieeexplore.ieee.org/document/8709818), soit en affinant des modèles d' SageMaker IA préentraînés. | [GitHub »](https://github.com/awslabs/sagemaker-defect-detection) | | Reconnaissance de l'écriture manuscrite | Reconnaîssez du texte manuscrit dans des images en entraînant un [modèle de détection d'objets](https://mxnet.apache.org/versions/1.0.0/api/python/gluon/model_zoo.html#mxnet.gluon.model_zoo.vision.resnet34_v1) et un [modèle de reconnaissance de l'écriture manuscrite](https://arxiv.org/abs/1910.00663). Étiquetez vos propres données à l'aide de [SageMaker Ground Truth](https://aws.amazon.com/sagemaker/data-labeling/). | [GitHub »](https://github.com/awslabs/sagemaker-handwritten-text-recognition) | | Détection d'objets pour les espèces d'oiseaux | Identifiez les espèces d'oiseaux dans une scène à l'aide d'un [modèle de détection d'objets basé sur l'SageMaker IA](https://docs.aws.amazon.com/sagemaker/latest/dg/object-detection.html). | Trouvez dans Amazon SageMaker Studio Classic. | ## Extraire et analyser les données des documents JumpStart fournit des solutions qui vous permettent de découvrir des informations et des connexions précieuses dans des documents critiques pour l'entreprise. Les cas d'utilisation incluent la classification de textes, la synthèse de documents, la reconnaissance de l'écriture manuscrite, l'extraction de relations, les questions et réponses et le remplissage des valeurs manquantes dans les enregistrements tabulaires. | Nom de la solution | Description | Mise en route | | --- | --- | --- | | Confidentialité pour la classification des sentiments | [Anonymisez le texte](https://www.amazon.science/blog/preserving-privacy-in-analyses-of-textual-data) pour mieux préserver la vie privée des utilisateurs dans la classification des sentiments. | [GitHub »](https://github.com/awslabs/sagemaker-privacy-for-nlp) | | Compréhension des documents | Synthèse de documents, extraction d'entités et de relations à l'aide de la bibliothèque [Transformers](https://huggingface.co/docs/transformers/index) dans. PyTorch | [GitHub »](https://github.com/awslabs/sagemaker-document-understanding) | | Reconnaissance de l'écriture manuscrite | Reconnaîssez du texte manuscrit dans des images en entraînant un [modèle de détection d'objets](https://mxnet.apache.org/versions/1.0.0/api/python/gluon/model_zoo.html#mxnet.gluon.model_zoo.vision.resnet34_v1) et un [modèle de reconnaissance de l'écriture manuscrite](https://arxiv.org/abs/1910.00663). Étiquetez vos propres données à l'aide de [SageMaker Ground Truth](https://aws.amazon.com/sagemaker/data-labeling/). | [GitHub »](https://github.com/awslabs/sagemaker-handwritten-text-recognition) | | Remplissage des valeurs manquantes dans les enregistrements tabulaires | Complétez les valeurs manquantes dans les enregistrements tabulaires en entraînant un modèle de [SageMaker pilote automatique](https://aws.amazon.com/sagemaker/autopilot/). | [GitHub »](https://github.com/awslabs/filling-in-missing-values-in-tabular-records) | ## Maintenance prédictive La maintenance prédictive vise à optimiser l'équilibre entre la maintenance corrective et la maintenance préventive en facilitant le remplacement des composants en temps voulu. Les solutions suivantes utilisent les données des capteurs d'actifs industriels pour prédire les défaillances des machines, les temps d'arrêt non planifiés et les coûts de réparation. | Nom de la solution | Description | Mise en route | | --- | --- | --- | | Maintenance prédictive pour les flottes de véhicules | Prévoyez les défaillances d'une flotte de véhicules à l'aide de capteurs et d'informations sur la maintenance des véhicules, avec un modèle de réseau neuronal convolutif. | [GitHub »](https://github.com/awslabs/aws-fleet-predictive-maintenance/) | | Maintenance prédictive pour la fabrication | Prédire la durée de vie utile restante pour chaque capteur en entraînant un modèle [stacked Bidirectional LSTM neural network](https://arxiv.org/pdf/1801.02143.pdf) (Réseau neuronal LSTM bidirectionnel empilé) à l'aide des relevés historiques des capteurs. | [GitHub »](https://github.com/awslabs/predictive-maintenance-using-machine-learning) | ## Prédiction du taux de désabonnement La perte de clientèle, ou taux d'attrition, est un problème coûteux auquel sont confrontées de nombreuses entreprises. Dans le but de réduire le taux de désabonnement, les entreprises peuvent identifier les clients susceptibles de quitter leur service afin de concentrer leurs efforts sur la fidélisation de la clientèle. Utilisez une solution de prévision du taux de JumpStart désabonnement pour analyser les sources de données telles que le comportement des utilisateurs et les journaux de discussion du service client afin d'identifier les clients présentant un risque élevé d'annulation d'un abonnement ou d'un service. | Nom de la solution | Description | Mise en route | | --- | --- | --- | | Prédiction du taux de désabonnement grâce au texte | Prédisez le taux de désabonnement à l'aide de fonctionnalités numériques, catégoriques et textuelles avec l'encodeur [BERT](https://huggingface.co/) et. [RandomForestClassifier](https://scikit-learn.org/stable/modules/generated/sklearn.ensemble.RandomForestClassifier.html) | [GitHub »](https://github.com/awslabs/sagemaker-churn-prediction-text) | | Prédiction du taux de désabonnement des clients de téléphonie mobile | Identifiez les clients de téléphonie mobile mécontents à l'aide de l'[SageMaker IA XGBoost](https://docs.aws.amazon.com/sagemaker/latest/dg/xgboost.html). | Trouvez dans Amazon SageMaker Studio Classic. | ## Recommandations personnalisées Vous pouvez utiliser JumpStart des solutions pour analyser les graphes d'identité des clients ou les sessions utilisateur afin de mieux comprendre et prévoir le comportement des clients. Utilisez les solutions suivantes pour obtenir des recommandations personnalisées afin de modéliser l'identité du client sur plusieurs appareils, de déterminer la probabilité qu'un client effectue un achat ou de créer un système de recommandation de films personnalisé basé sur les anciens comportements des clients. | Nom de la solution | Description | Mise en route | | --- | --- | --- | | Résolution d'entités dans les graphes d'identité avec la bibliothèque de graphes profonds | Établissez des liens entre les appareils pour la publicité en ligne en entraînant un [réseau convolutif de graphes](https://arxiv.org/pdf/1703.06103.pdf) avec une [bibliothèque de graphes profonds](https://www.dgl.ai/). | [GitHub »](https://github.com/awslabs/sagemaker-graph-entity-resolution) | | Modélisation d'achat | Prédisez si un client effectuera un achat en formant un XGBoost modèle d'[SageMaker IA](https://docs.aws.amazon.com/sagemaker/latest/dg/xgboost.html). | [GitHub »](https://github.com/awslabs/sagemaker-purchase-modelling) | | Système de recommandation personnalisé | Formez et déployez un système de recommandation personnalisé qui génère des suggestions de films pour un client en fonction de son comportement antérieur à l'aide du filtrage collaboratif neuronal intégré à l' SageMaker IA. | Trouvez dans Amazon SageMaker Studio Classic. | ## Apprentissage par renforcement L'apprentissage par renforcement (RL) est un type d'apprentissage basé sur l'interaction avec l'environnement. Ce type d'apprentissage est utilisé par un agent qui doit apprendre le comportement par le biais d' trial-and-errorinteractions avec un environnement dynamique dans lequel l'objectif est de maximiser les récompenses à long terme que l'agent reçoit du fait de ses actions. Les récompenses sont maximisées en échangeant des actions qui ont des récompenses incertaines avec des actions qui ont des récompenses connues. Le RL est adapté à la résolution de problèmes d’envergure et complexes tels que la gestion de la chaîne d’approvisionnement, les systèmes de chauffage, ventilation et climatisation, la robotique industrielle, l’intelligence artificielle ludique, les systèmes de dialogue et les véhicules autonomes. | Nom de la solution | Description | Mise en route | | --- | --- | --- | | Apprentissage par renforcement pour les concours d'IA Battlesnake | Fournissez un flux de travail d'apprentissage par renforcement pour l'entraînement et l'inférence dans le cadre des compétitions d'[BattleSnake](https://play.battlesnake.com/)IA. | [GitHub »](https://github.com/awslabs/sagemaker-battlesnake-ai) | | Apprentissage par renforcement distribué pour le défi Procgen | Kit de démarrage d'apprentissage par renforcement distribué pour le défi d'apprentissage par renforcement [NeurIPS 2020 Procgen](https://www.aicrowd.com/challenges/neurips-2020-procgen-competition). | [GitHub »](https://github.com/aws-samples/sagemaker-rl-procgen-ray) | ## Santé et sciences de la vie Les cliniciens et les chercheurs peuvent utiliser JumpStart des solutions pour analyser l'imagerie médicale, les informations génomiques et les dossiers médicaux cliniques. | Nom de la solution | Description | Mise en route | | --- | --- | --- | | Prédicion de survie au cancer du poumon | [Prédisez l'état de survie des patients atteints d'un cancer du poumon non à petites cellules grâce à la tomographie pulmonaire informatisée (TDM) tridimensionnelle, aux données génomiques et aux dossiers médicaux cliniques à l'aide de l'IA. SageMaker XGBoost](https://docs.aws.amazon.com/sagemaker/latest/dg/xgboost.html) | [GitHub »](https://github.com/aws-samples/machine-learning-pipelines-for-multimodal-health-data/tree/sagemaker-soln-lcsp) | ## Tarification financière De nombreuses entreprises ajustent régulièrement leurs prix de manière dynamique afin de maximiser leur rendement. Utilisez les JumpStart solutions suivantes pour les cas d'utilisation de l'optimisation des prix, de la tarification dynamique, de la tarification des options ou de l'optimisation du portefeuille. | Nom de la solution | Description | Mise en route | | --- | --- | --- | | Optimisation des prix | Estimez l'élasticité des prix à l'aide du double machine learning pour l'inférence causale et de la procédure de prévision [Prophet](https://facebook.github.io/prophet/) Utilisez ces estimations pour optimiser les prix quotidiens. | Trouvez dans Amazon SageMaker Studio Classic. | ## Inférence causale Les chercheurs peuvent utiliser des modèles de machine learning, comme les réseaux bayésiens, pour représenter les dépendances causales et tirer des conclusions causales à partir des données. Utilisez la JumpStart solution suivante pour comprendre la relation de cause à effet entre l'application d'engrais à base d'azote et le rendement des cultures de maïs. | Nom de la solution | Description | Mise en route | | --- | --- | --- | | Données de référence sur le rendement des cultures | Générez une analyse de référence sur la réaction du maïs à l'azote. Cette solution apprend le cycle phénologique des cultures dans son intégralité à l'aide d'images satellites multispectrales et d'[observations au niveau du sol](https://www.sciencedirect.com/science/article/pii/S2352340921010283#tbl0001). | Trouvez dans Amazon SageMaker Studio Classic. | # Lancement d'une solution **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 en savoir plus sur l’utilisation de l’expérience Studio mise à jour, consultez [Amazon SageMaker Studio](studio-updated.md). Studio Classic est toujours maintenu pour les charges de travail existantes, mais n'est plus disponible pour l'intégration. Vous pouvez uniquement arrêter ou supprimer des applications Studio Classic existantes et vous ne pouvez pas en créer de nouvelles. Nous vous recommandons de [migrer votre charge de travail vers la nouvelle expérience Studio](studio-updated-migrate.md). **Note** JumpStart Les solutions ne sont disponibles que dans Studio Classic. Choisissez d'abord une solution via la page SageMaker JumpStart d'accueil de l'interface utilisateur Amazon SageMaker Studio Classic. Pour plus d'informations sur les étapes d'intégration pour se connecter à Amazon SageMaker Studio Classic, consultez la section [Intégration au domaine Amazon SageMaker AI](https://docs.aws.amazon.com/sagemaker/latest/dg/gs-studio-onboard.html). Pour plus de détails sur l'accès à la page de SageMaker JumpStart destination, consultez[Ouvrir et utiliser JumpStart dans Studio Classic](studio-jumpstart.md#jumpstart-open-use). Une fois que vous avez choisi une solution, son onglet s'ouvre et affiche une description de la solution, avec un bouton `Launch`. Pour lancer une solution, sélectionnez-la `Launch` dans la section **Lancer la solution**. JumpStart crée ensuite toutes les ressources nécessaires pour exécuter la solution. Cela inclut les instances d'entraînement et d'hébergement de modèles. ## Paramètres avancés La solution que vous choisissez peut comporter des paramètres avancés que vous pouvez sélectionner. Choisissez **Paramètres avancés** pour spécifier le Gestion des identités et des accès AWS rôle de la solution. Les solutions sont capables de lancer des ressources sur 9 AWS services qui interagissent les uns avec les autres. Pour que la solution fonctionne comme prévu, les composants nouvellement créés à partir d'un service doivent être en mesure d'agir sur les composants nouvellement créés à partir d'un autre service. Nous vous recommandons d'utiliser le rôle IAM par défaut pour vous assurer que toutes les autorisations nécessaires sont ajoutées. Pour plus d’informations sur les rôles IAM, consultez [Gestion des identités et des accès AWS pour Amazon SageMaker AI](security-iam.md). **Default IAM role** (Rôle IAM par défaut) Si vous sélectionnez cette option, les rôles IAM par défaut requis par cette solution sont utilisés. Chaque solution nécessite des ressources différentes. La liste suivante décrit les rôles par défaut utilisés pour les solutions en fonction du service requis. Pour obtenir une description des autorisations requises pour chaque service, consultez [AWS Politiques gérées pour les SageMaker projets et JumpStart](security-iam-awsmanpol-sc.md). + **API Gateway** — AmazonSageMakerServiceCatalogProductsApiGatewayRole + **CloudFormation** – AmazonSageMakerServiceCatalogProductsCloudformationRole + **CodeBuild** – AmazonSageMakerServiceCatalogProductsCodeBuildRole + **CodePipeline** – AmazonSageMakerServiceCatalogProductsCodePipelineRole + **Événements** – AmazonSageMakerServiceCatalogProductsEventsRole + **Firehose —** AmazonSageMakerServiceCatalogProductsFirehoseRole + **Glue** — AmazonSageMakerServiceCatalogProductsGlueRole + **Lambda** – AmazonSageMakerServiceCatalogProductsLambdaRole + **SageMaker IA** — AmazonSageMakerServiceCatalogProductsExecutionRole Si vous utilisez un nouveau domaine SageMaker AI avec des modèles de JumpStart projet activés, ces rôles sont automatiquement créés dans votre compte. Si vous utilisez un domaine SageMaker AI existant, il est possible que ces rôles n'existent pas dans votre compte. Si tel est le cas, vous recevrez le message d'erreur suivant lors du lancement de la solution. ``` Unable to locate the updated roles required to launch this solution, a general role '/service-role/AmazonSageMakerServiceCatalogProductsUseRole' will be used. Please update your studio domain to generate these roles. ``` Vous pouvez toujours lancer une solution sans le rôle nécessaire, mais avec le rôle par défaut hérité `AmazonSageMakerServiceCatalogProductsUseRole` est utilisé à la place du rôle nécessaire. L'ancien rôle par défaut entretient des relations de confiance avec tous les services avec lesquels les JumpStart solutions doivent interagir. Pour une sécurité optimale, nous vous recommandons de mettre à jour votre domaine afin qu'il intègre les rôles par défaut nouvellement créés pour chaque AWS service. Si vous êtes déjà intégré à un domaine SageMaker AI, vous pouvez mettre à jour votre domaine pour générer les rôles par défaut à l'aide de la procédure suivante. 1. Ouvrez la console Amazon SageMaker AI à l'adresse [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/). 1. Choisissez ** Control Panel ** (Panneau de configuration) en haut à gauche de la page. 1. À partir de la page **Domaine**, cliquez sur l’icône **Paramètres** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/icons/Settings_squid.png)) pour modifier les paramètres du domaine. 1. Dans **General Settings** (Paramètres généraux), choisissez **Next** (Suivant). 1. Sous **SageMaker Projets et JumpStart**, sélectionnez **Activer les modèles de SageMaker projets Amazon et Amazon SageMaker JumpStart pour ce compte** et **Activer les modèles de SageMaker projets Amazon et les utilisateurs d'Amazon SageMaker JumpStart pour Studio Classic**, choisissez **Suivant**. 1. Sélectionnez **Soumettre**. Vous devriez pouvoir voir les rôles par défaut répertoriés dans **Projets - Modèles de SageMaker projets Amazon activés pour ce compte** sous l'onglet **Apps - Studio**. **Trouver le rôle IAM** Si vous sélectionnez cette option, vous devez sélectionner un rôle IAM existant dans la liste déroulante pour chacun des services requis. Le rôle sélectionné doit disposer au moins des autorisations minimales requises pour le service correspondant. Pour obtenir une description des autorisations requises pour chaque service, consultez [AWS Politiques gérées pour les SageMaker projets et JumpStart](security-iam-awsmanpol-sc.md). **Rôle IAM d'entrée** Si vous sélectionnez cette option, vous devez saisir manuellement l'ARN d'un rôle IAM existant. Le rôle sélectionné doit disposer au moins des autorisations minimales requises pour le service correspondant. Pour obtenir une description des autorisations requises pour chaque service, consultez [AWS Politiques gérées pour les SageMaker projets et JumpStart](security-iam-awsmanpol-sc.md). # Amazon SageMaker JumpStart Industry : finance Utilisez SageMaker JumpStart l'industrie : solutions financières, modèles et exemples de blocs-notes pour en savoir plus sur les fonctionnalités et les capacités de l' SageMaker IA 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. **Topics** + [ ## SDK Python pour Amazon SageMaker JumpStart Industry ](#studio-jumpstart-industry-pysdk) + [ ## Amazon SageMaker JumpStart Industry : solution financière ](#studio-jumpstart-industry-solutions) + [ ## Amazon SageMaker JumpStart Industry : modèles financiers ](#studio-jumpstart-industry-models) + [ ## Amazon SageMaker JumpStart Industry : exemples de carnets financiers ](#studio-jumpstart-industry-examples) + [ ## Amazon SageMaker JumpStart Industry : articles de blog financiers ](#studio-jumpstart-industry-blogs) + [ ## Amazon SageMaker JumpStart Industry : recherches liées à la finance ](#studio-jumpstart-industry-research) + [ ## Amazon SageMaker JumpStart Industry : ressources financières supplémentaires ](#studio-jumpstart-industry-resources) ## 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](https://sagemaker-jumpstart-industry-pack.readthedocs.io). ## 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 point de terminaison d' SageMaker IA pour la 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](https://www.sec.gov/edgar/searchedgar/companysearch.html) 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 en savoir plus sur l’utilisation de l’expérience Studio mise à jour, consultez [Amazon SageMaker Studio](studio-updated.md). Studio Classic est toujours maintenu pour les charges de travail existantes, mais n'est plus disponible pour l'intégration. Vous pouvez uniquement arrêter ou supprimer des applications Studio Classic existantes et vous ne pouvez pas en créer de nouvelles. Nous vous recommandons de [migrer votre charge de travail vers la nouvelle expérience Studio](studio-updated-migrate.md). **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 [console SageMaker AI](https://console.aws.amazon.com/sagemaker) 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](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-jumpstart.html). ## Amazon SageMaker JumpStart Industry : modèles financiers SageMaker JumpStart Secteur : Le secteur financier propose les modèles d'[approche BERT (RoBERTa) préentraînés et optimisés robustes](https://arxiv.org/pdf/1907.11692.pdf) suivants : + **Intégration de textes financiers (BERTaRo-SEC-Base)** + **RoBERTa-SEC-WIKI-Base ** + **RoBERTa-SEC-Large ** + **RoBERTa-SEC-WIKI-Large ** Les RoBERTa-SEC-Large modèles RoBERTa-SEC-Base et sont des modèles d'intégration de texte basés sur le [BERTa modèle Ro de GluonNLP](https://nlp.gluon.ai/api/model.html#gluonnlp.model.RoBERTaModel) et préentraînés sur la base des rapports S&P 500 SEC 10-K/10-Q de la décennie des années 2010 (de 2010 à 2019). En outre, SageMaker AI JumpStart Industry : Financial propose deux autres BERTa variantes de Ro RoBERTa-SEC-WIKI-Large, RoBERTa-SEC-WIKI-Base 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 JumpStart page SageMaker AI de Studio Classic. ![\[Les modèles de cartes préentraînés fournis via la JumpStart page SageMaker AI de Studio Classic.\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/jumpstart/jumpstart-finance-models.png) **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 [console SageMaker AI](https://console.aws.amazon.com/sagemaker) 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](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-jumpstart.html). ## 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, consultez [Création simple d’un jeu de données multimodal à partir de dossiers SEC et de scores NLP](https://sagemaker-jumpstart-industry-pack.readthedocs.io/en/latest/notebooks/finance/notebook1/SEC_Retrieval_Summarizer_Scoring.html). + **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](https://sagemaker-jumpstart-industry-pack.readthedocs.io/en/latest/notebooks/finance/notebook2/PPP_TabText_ML.html) 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](https://sagemaker-jumpstart-industry-pack.readthedocs.io/en/latest/notebooks/finance/notebook3/SEC_MNIST_ML.html) (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 [console SageMaker AI](https://console.aws.amazon.com/sagemaker) 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 JumpStart](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-jumpstart.html)l'adresse. Pour prévisualiser le contenu des exemples de blocs-notes, consultez la documentation du *SDK Python [Tutorials — Finance](https://sagemaker-jumpstart-industry-pack.readthedocs.io/en/latest/notebooks/index.html) 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](https://aws.amazon.com/blogs/machine-learning/use-pre-trained-financial-language-models-for-transfer-learning-in-amazon-sagemaker-jumpstart/) + [Utilisez le texte SEC pour la classification des notations à l'aide du ML multimodal sur Amazon SageMaker JumpStart](https://aws.amazon.com/blogs/machine-learning/use-sec-text-for-ratings-classification-using-multimodal-ml-in-amazon-sagemaker-jumpstart/) + [Créez un tableau de bord avec du texte SEC pour le NLP financier sur Amazon SageMaker JumpStart](https://aws.amazon.com/blogs/machine-learning/create-a-dashboard-with-sec-text-for-financial-nlp-in-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](https://aws.amazon.com/blogs/machine-learning/build-a-corporate-credit-ratings-classifier-using-graph-machine-learning-in-amazon-sagemaker-jumpstart/) + [Adaptation au domaine Affinement des modèles de base dans Amazon sur les données financières SageMaker JumpStart ](https://aws.amazon.com/blogs/machine-learning/domain-adaptation-fine-tuning-of-foundation-models-in-amazon-sagemaker-jumpstart-on-financial-data/) ## 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)](https://www.pm-research.com/content/iijjfds/3/3/52) + [Multimodal Machine Learning for Credit Modeling](https://www.amazon.science/publications/multimodal-machine-learning-for-credit-modeling) (Machine learning multimodal pour la modélisation du crédit) + [On the Lack of Robust Interpretability of Neural Text Classifiers](https://www.amazon.science/publications/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](https://www.sciencedirect.com/science/article/pii/S2405918821000131) ## 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](https://pypi.org/project/smjsindustry/) + [SageMaker JumpStart Secteur : Tutoriels du SDK pour le Python financier](https://sagemaker-jumpstart-industry-pack.readthedocs.io/en/latest/notebooks/index.html#) + [L' SageMaker JumpStart industrie : GitHub référentiel financier](https://github.com/aws/sagemaker-jumpstart-industry-pack/) + [Commencer à utiliser Amazon SageMaker AI - Tutoriels de Machine Learning](https://aws.amazon.com/sagemaker/getting-started/)