Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
# End-to-end JumpStart template solusi
**penting**
Pada 30 November 2023, pengalaman Amazon SageMaker Studio sebelumnya sekarang bernama Amazon SageMaker Studio Classic. Bagian berikut ini khusus untuk menggunakan aplikasi Studio Classic. Untuk informasi tentang menggunakan pengalaman Studio yang diperbarui, lihat[SageMaker Studio Amazon](studio-updated.md).
Studio Classic masih dipertahankan untuk beban kerja yang ada tetapi tidak lagi tersedia untuk orientasi. Anda hanya dapat menghentikan atau menghapus aplikasi Studio Classic yang ada dan tidak dapat membuat yang baru. Kami menyarankan Anda [memigrasikan beban kerja Anda ke pengalaman Studio yang baru](studio-updated-migrate.md).
**catatan**
JumpStart Solusi hanya tersedia di Studio Classic.
SageMaker JumpStart menyediakan satu-klik, end-to-end solusi yang dirancang untuk mengatasi kasus penggunaan pembelajaran mesin yang umum. Mereka menggunakan algoritme yang telah terbukti untuk domain mereka dan menyediakan alur kerja lengkap yang biasanya mencakup pemrosesan data, pelatihan model, penyebaran, inferensi, dan pemantauan. Jelajahi kasus penggunaan berikut untuk informasi lebih lanjut tentang templat solusi yang tersedia.
+ [Peramalan permintaan](#jumpstart-solutions-demand-forecasting)
+ [Prediksi peringkat kredit](#jumpstart-solutions-credit-prediction)
+ [Deteksi penipuan](#jumpstart-solutions-fraud-detection)
+ [Visi komputer](#jumpstart-solutions-computer-vision)
+ [Ekstrak dan analisis data dari dokumen](#jumpstart-solutions-documents)
+ [Pemeliharaan prediktif](#jumpstart-solutions-predictive-maintenance)
+ [Prediksi Churn](#jumpstart-solutions-churn-prediction)
+ [Rekomendasi yang dipersonalisasi](#jumpstart-solutions-recommendations)
+ [Pembelajaran penguatan](#jumpstart-solutions-reinforcement-learning)
+ [Kesehatan dan ilmu kehidupan](#jumpstart-solutions-healthcare-life-sciences)
+ [Harga keuangan](#jumpstart-solutions-financial-pricing)
+ [Inferensi kausal](#jumpstart-solutions-causal-inference)
Pilih template solusi yang paling sesuai dengan kasus penggunaan Anda dari halaman JumpStart arahan. Saat Anda memilih template solusi, JumpStart buka tab baru yang menampilkan deskripsi solusi dan tombol **Luncurkan**. Saat Anda memilih **Launch**, JumpStart buat semua sumber daya yang Anda butuhkan untuk menjalankan solusi, termasuk pelatihan dan contoh hosting model. Untuk informasi lebih lanjut tentang meluncurkan JumpStart solusi, lihat[Luncurkan Solusi](jumpstart-solutions-launch.md).
Setelah meluncurkan solusi, Anda dapat menjelajahi fitur solusi dan artefak apa pun yang dihasilkan. JumpStart Gunakan menu ** JumpStart Aset yang diluncurkan** untuk menemukan solusi Anda. Di tab solusi, pilih **Buka Notebook** untuk menggunakan buku catatan yang disediakan dan jelajahi fitur solusinya. Saat artefak dihasilkan selama peluncuran atau setelah menjalankan buku catatan yang disediakan, artefak tersebut tercantum dalam tabel **Artefak yang Dihasilkan**. Anda dapat menghapus artefak individual dengan ikon sampah ()![\[The trash icon for JumpStart.\]](http://docs.aws.amazon.com/id_id/sagemaker/latest/dg/images/jumpstart/jumpstart-trash.png). Anda dapat menghapus semua sumber daya solusi dengan memilih **Hapus sumber daya solusi**.
## Peramalan permintaan
Peramalan permintaan menggunakan data deret waktu historis untuk membuat estimasi masa depan dalam kaitannya dengan permintaan pelanggan selama periode tertentu dan merampingkan proses pengambilan keputusan permintaan-penawaran di seluruh bisnis.
Kasus penggunaan perkiraan permintaan termasuk memprediksi penjualan tiket di industri transportasi, harga saham, jumlah kunjungan rumah sakit, jumlah perwakilan pelanggan yang akan dipekerjakan untuk beberapa lokasi di bulan depan, penjualan produk di beberapa wilayah pada kuartal berikutnya, penggunaan server cloud untuk hari berikutnya untuk layanan streaming video, konsumsi listrik untuk beberapa wilayah selama minggu depan, jumlah perangkat dan sensor IoT seperti konsumsi energi, dan banyak lagi.
*Data deret waktu dikategorikan sebagai *univariat dan multi-variat.** Misalnya, total konsumsi listrik untuk satu rumah tangga adalah deret waktu univariat selama periode waktu tertentu. Ketika beberapa deret waktu univariat ditumpuk satu sama lain, itu disebut deret waktu multi-variat. Misalnya, total konsumsi listrik dari 10 rumah tangga yang berbeda (tetapi berkorelasi) dalam satu lingkungan membentuk kumpulan data deret waktu multi-variat.
| Nama solusi | Deskripsi | Memulai |
| --- | --- | --- |
| Peramalan permintaan | [Peramalan permintaan untuk data deret waktu multivariat menggunakan tiga algoritma peramalan deret state-of-the-art waktu: [LSTNet](https://ts.gluon.ai/stable/api/gluonts/gluonts.mx.model.lstnet.html), Nabi[,](https://facebook.github.io/prophet/) dan AI DeepAR. SageMaker ](https://docs.aws.amazon.com/sagemaker/latest/dg/deepar.html) | [GitHub »](https://github.com/awslabs/sagemaker-deep-demand-forecast) |
## Prediksi peringkat kredit
Solusi prediksi peringkat kredit Use JumpStart untuk memprediksi peringkat kredit perusahaan atau untuk menjelaskan keputusan prediksi kredit yang dibuat oleh model pembelajaran mesin. Dibandingkan dengan metode pemodelan peringkat kredit tradisional, model pembelajaran mesin dapat mengotomatiskan dan meningkatkan akurasi prediksi kredit.
| Nama solusi | Deskripsi | Memulai |
| --- | --- | --- |
| Prediksi peringkat kredit perusahaan | [Pembelajaran mesin multimodal (teks panjang dan tabular) untuk prediksi kredit berkualitas menggunakan Tabular. AWS AutoGluon ](https://auto.gluon.ai/scoredebugweight/tutorials/tabular_prediction/index.html) | [GitHub »](https://github.com/awslabs/sagemaker-corporate-credit-rating) |
| Penilaian kredit berbasis grafik | Memprediksi peringkat kredit perusahaan menggunakan data tabular dan jaringan perusahaan dengan melatih [Graph Neural Network GraphSage dan model AWS AutoGluon ](https://cs.stanford.edu/people/jure/pubs/graphsage-nips17.pdf) [Tabular](https://auto.gluon.ai/scoredebugweight/tutorials/tabular_prediction/index.html). | Temukan di Amazon SageMaker Studio Classic. |
| Jelaskan keputusan kredit | Memprediksi default kredit dalam aplikasi kredit dan memberikan penjelasan menggunakan [LightGBM](https://lightgbm.readthedocs.io/en/latest/) dan [SHAP (SHapley](https://shap.readthedocs.io/en/latest/index.html)Penjelasan Aditif). | [GitHub »](https://github.com/awslabs/sagemaker-explaining-credit-decisions) |
## Deteksi penipuan
Banyak bisnis kehilangan miliaran per tahun karena penipuan. Model deteksi penipuan berbasis pembelajaran mesin dapat membantu secara sistematis mengidentifikasi kemungkinan aktivitas penipuan dari sejumlah besar data. Solusi berikut menggunakan kumpulan data transaksi dan identitas pengguna untuk mengidentifikasi transaksi penipuan.
| Nama solusi | Deskripsi | Memulai |
| --- | --- | --- |
| Mendeteksi pengguna dan transaksi jahat | Secara otomatis mendeteksi aktivitas yang berpotensi penipuan dalam transaksi menggunakan [SageMaker AI XGBoost](https://docs.aws.amazon.com/sagemaker/latest/dg/xgboost.html) dengan teknik over-sampling [Synthetic Minority](https://arxiv.org/abs/1106.1813) Oversampling (SMOTE). | [GitHub »](https://github.com/awslabs/fraud-detection-using-machine-learning) |
| Deteksi penipuan dalam transaksi keuangan menggunakan Deep Graph Library | [Deteksi penipuan dalam transaksi keuangan dengan melatih [jaringan convolutional grafik](https://arxiv.org/pdf/1703.06103.pdf) dengan [perpustakaan grafik dalam dan model](https://www.dgl.ai/) AI. SageMaker XGBoost](https://docs.aws.amazon.com/sagemaker/latest/dg/xgboost.html) | [GitHub »](https://github.com/awslabs/sagemaker-graph-fraud-detection) |
| Klasifikasi pembayaran keuangan | Klasifikasi pembayaran keuangan berdasarkan informasi transaksi menggunakan [SageMaker AI XGBoost](https://docs.aws.amazon.com/sagemaker/latest/dg/xgboost.html). Gunakan template solusi ini sebagai langkah perantara dalam deteksi penipuan, personalisasi, atau deteksi anomali. | Temukan di Amazon SageMaker Studio Classic. |
## Visi komputer
Dengan munculnya kasus penggunaan bisnis seperti kendaraan otonom, pengawasan video pintar, pemantauan perawatan kesehatan dan berbagai tugas penghitungan objek, sistem deteksi objek yang cepat dan akurat meningkat dalam permintaan. Sistem ini melibatkan tidak hanya mengenali dan mengklasifikasikan setiap objek dalam gambar, tetapi melokalisasi masing-masing dengan menggambar kotak pembatas yang sesuai di sekitarnya. Dalam dekade terakhir, kemajuan pesat teknik pembelajaran mendalam sangat mempercepat momentum deteksi objek.
| Nama solusi | Deskripsi | Memulai |
| --- | --- | --- |
| Deteksi cacat produk visual | Identifikasi wilayah yang rusak dalam gambar produk baik dengan melatih [model deteksi objek dari awal atau menyempurnakan model](https://ieeexplore.ieee.org/document/8709818) AI yang telah dilatih sebelumnya. SageMaker | [GitHub »](https://github.com/awslabs/sagemaker-defect-detection) |
| Pengenalan tulisan tangan | Kenali teks tulisan tangan dalam gambar dengan melatih [model deteksi objek dan model](https://mxnet.apache.org/versions/1.0.0/api/python/gluon/model_zoo.html#mxnet.gluon.model_zoo.vision.resnet34_v1) [pengenalan tulisan tangan](https://arxiv.org/abs/1910.00663). Beri label data Anda sendiri menggunakan [SageMaker Ground Truth](https://aws.amazon.com/sagemaker/data-labeling/). | [GitHub »](https://github.com/awslabs/sagemaker-handwritten-text-recognition) |
| Deteksi objek untuk spesies burung | Identifikasi spesies burung dalam sebuah adegan menggunakan [model deteksi objek SageMaker AI](https://docs.aws.amazon.com/sagemaker/latest/dg/object-detection.html). | Temukan di Amazon SageMaker Studio Classic. |
## Ekstrak dan analisis data dari dokumen
JumpStart memberikan solusi bagi Anda untuk mengungkap wawasan dan koneksi berharga dalam dokumen penting bisnis. Kasus penggunaan termasuk klasifikasi teks, ringkasan dokumen, pengenalan tulisan tangan, ekstraksi hubungan, pertanyaan dan jawaban, dan mengisi nilai yang hilang dalam catatan tabel.
| Nama solusi | Deskripsi | Memulai |
| --- | --- | --- |
| Privasi untuk klasifikasi sentimen | [Menganonimkan teks](https://www.amazon.science/blog/preserving-privacy-in-analyses-of-textual-data) untuk menjaga privasi pengguna dalam klasifikasi sentimen dengan lebih baik. | [GitHub »](https://github.com/awslabs/sagemaker-privacy-for-nlp) |
| Pemahaman dokumen | Ringkasan dokumen, entitas, dan ekstraksi hubungan menggunakan perpustakaan [transformer](https://huggingface.co/docs/transformers/index) di. PyTorch | [GitHub »](https://github.com/awslabs/sagemaker-document-understanding) |
| Pengenalan tulisan tangan | Kenali teks tulisan tangan dalam gambar dengan melatih [model deteksi objek dan model](https://mxnet.apache.org/versions/1.0.0/api/python/gluon/model_zoo.html#mxnet.gluon.model_zoo.vision.resnet34_v1) [pengenalan tulisan tangan](https://arxiv.org/abs/1910.00663). Beri label data Anda sendiri menggunakan [SageMaker Ground Truth](https://aws.amazon.com/sagemaker/data-labeling/). | [GitHub »](https://github.com/awslabs/sagemaker-handwritten-text-recognition) |
| Mengisi nilai yang hilang dalam catatan tabel | Isi nilai yang hilang dalam catatan tabel dengan melatih model [SageMaker Autopilot](https://aws.amazon.com/sagemaker/autopilot/). | [GitHub »](https://github.com/awslabs/filling-in-missing-values-in-tabular-records) |
## Pemeliharaan prediktif
Pemeliharaan prediktif bertujuan untuk mengoptimalkan keseimbangan antara pemeliharaan korektif dan preventif dengan memfasilitasi penggantian komponen secara tepat waktu. Solusi berikut menggunakan data sensor dari aset industri untuk memprediksi kegagalan alat berat, waktu henti yang tidak direncanakan, dan biaya perbaikan.
| Nama solusi | Deskripsi | Memulai |
| --- | --- | --- |
| Perawatan prediktif untuk armada kendaraan | Memprediksi kegagalan armada kendaraan menggunakan sensor kendaraan dan informasi pemeliharaan dengan model jaringan saraf convolutional. | [GitHub »](https://github.com/awslabs/aws-fleet-predictive-maintenance/) |
| Pemeliharaan prediktif untuk manufaktur | Memprediksi masa manfaat yang tersisa untuk setiap sensor dengan melatih model [jaringan saraf LSTM Dua Arah yang ditumpuk menggunakan pembacaan](https://arxiv.org/pdf/1801.02143.pdf) sensor historis. | [GitHub »](https://github.com/awslabs/predictive-maintenance-using-machine-learning) |
## Prediksi Churn
Churn pelanggan, atau tingkat gesekan, adalah masalah mahal yang dihadapi oleh berbagai perusahaan. Dalam upaya untuk mengurangi churn, perusahaan dapat mengidentifikasi pelanggan yang cenderung meninggalkan layanan mereka untuk memfokuskan upaya mereka pada retensi pelanggan. Gunakan solusi prediksi JumpStart churn untuk menganalisis sumber data seperti perilaku pengguna dan log obrolan dukungan pelanggan untuk mengidentifikasi pelanggan yang berisiko tinggi membatalkan langganan atau layanan.
| Nama solusi | Deskripsi | Memulai |
| --- | --- | --- |
| Prediksi Churn dengan teks | [Memprediksi churn menggunakan fitur numerik, kategoris, dan tekstual dengan encoder BERT dan. [RandomForestClassifier](https://scikit-learn.org/stable/modules/generated/sklearn.ensemble.RandomForestClassifier.html)](https://huggingface.co/) | [GitHub »](https://github.com/awslabs/sagemaker-churn-prediction-text) |
| Prediksi Churn untuk pelanggan ponsel | Identifikasi pelanggan ponsel yang tidak senang menggunakan [SageMaker AI XGBoost](https://docs.aws.amazon.com/sagemaker/latest/dg/xgboost.html). | Temukan di Amazon SageMaker Studio Classic. |
## Rekomendasi yang dipersonalisasi
Anda dapat menggunakan JumpStart solusi untuk menganalisis grafik identitas pelanggan atau sesi pengguna untuk lebih memahami dan memprediksi perilaku pelanggan. Gunakan solusi berikut untuk rekomendasi yang dipersonalisasi untuk memodelkan identitas pelanggan di beberapa perangkat, untuk menentukan kemungkinan pelanggan melakukan pembelian, atau untuk membuat rekomendasi film khusus berdasarkan perilaku pelanggan sebelumnya.
| Nama solusi | Deskripsi | Memulai |
| --- | --- | --- |
| Resolusi entitas dalam grafik identitas dengan pustaka grafik dalam | [Lakukan penautan entitas lintas perangkat untuk iklan online dengan melatih [jaringan convolutional grafik](https://arxiv.org/pdf/1703.06103.pdf) dengan pustaka grafik dalam.](https://www.dgl.ai/) | [GitHub »](https://github.com/awslabs/sagemaker-graph-entity-resolution) |
| Pemodelan pembelian | Memprediksi apakah pelanggan akan melakukan pembelian dengan melatih XGBoost model [SageMaker AI](https://docs.aws.amazon.com/sagemaker/latest/dg/xgboost.html). | [GitHub »](https://github.com/awslabs/sagemaker-purchase-modelling) |
| Sistem rekomendasi yang disesuaikan | Latih dan terapkan sistem pemberi rekomendasi khusus yang menghasilkan saran film untuk pelanggan berdasarkan perilaku masa lalu menggunakan Neural Collaborative Filtering di AI. SageMaker | Temukan di Amazon SageMaker Studio Classic. |
## Pembelajaran penguatan
Pembelajaran penguatan (RL) adalah jenis pembelajaran yang didasarkan pada interaksi dengan lingkungan. Jenis pembelajaran ini digunakan oleh agen yang harus mempelajari perilaku melalui trial-and-error interaksi dengan lingkungan yang dinamis di mana tujuannya adalah untuk memaksimalkan imbalan jangka panjang yang diterima agen sebagai hasil dari tindakannya. Hadiah dimaksimalkan dengan menukar tindakan penjelajahan yang memiliki imbalan yang tidak pasti dengan mengeksploitasi tindakan yang telah diketahui imbalan.
RL sangat cocok untuk memecahkan masalah besar dan kompleks, seperti manajemen rantai pasokan, sistem HVAC, robotika industri, kecerdasan buatan game, sistem dialog, dan kendaraan otonom.
| Nama solusi | Deskripsi | Memulai |
| --- | --- | --- |
| Pembelajaran penguatan untuk kompetisi AI Battlesnake | Berikan alur kerja pembelajaran penguatan untuk pelatihan dan inferensi dengan kompetisi [BattleSnake](https://play.battlesnake.com/)AI. | [GitHub »](https://github.com/awslabs/sagemaker-battlesnake-ai) |
| Pembelajaran penguatan terdistribusi untuk tantangan Procgen | Kit starter pembelajaran penguatan terdistribusi untuk tantangan pembelajaran [NeurIPs 2020 Procgen](https://www.aicrowd.com/challenges/neurips-2020-procgen-competition) Reinforcement. | [GitHub »](https://github.com/aws-samples/sagemaker-rl-procgen-ray) |
## Kesehatan dan ilmu kehidupan
Dokter dan peneliti dapat menggunakan JumpStart solusi untuk menganalisis citra medis, informasi genom, dan catatan kesehatan klinis.
| Nama solusi | Deskripsi | Memulai |
| --- | --- | --- |
| Prediksi kelangsungan hidup kanker paru-paru | [Memprediksi status kelangsungan hidup pasien kanker paru-paru non-sel kecil dengan pemindaian tomografi terkomputerisasi paru (CT) 3 dimensi, data genom, dan catatan kesehatan klinis menggunakan AI. 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) |
## Harga keuangan
Banyak bisnis secara dinamis menyesuaikan harga secara teratur untuk memaksimalkan pengembalian mereka. Gunakan JumpStart solusi berikut untuk pengoptimalan harga, penetapan harga dinamis, harga opsi, atau kasus penggunaan pengoptimalan portofolio.
| Nama solusi | Deskripsi | Memulai |
| --- | --- | --- |
| Optimalisasi harga | Estimasi elastisitas harga menggunakan Double Machine Learning (ML) untuk inferensi kausal dan prosedur peramalan [Nabi](https://facebook.github.io/prophet/). Gunakan perkiraan ini untuk mengoptimalkan harga harian. | Temukan di Amazon SageMaker Studio Classic. |
## Inferensi kausal
Peneliti dapat menggunakan model pembelajaran mesin seperti jaringan Bayesian untuk mewakili ketergantungan kausal dan menarik kesimpulan kausal berdasarkan data. Gunakan JumpStart solusi berikut untuk memahami hubungan sebab akibat antara aplikasi pupuk berbasis nitrogen dan hasil tanaman jagung.
| Nama solusi | Deskripsi | Memulai |
| --- | --- | --- |
| Kontrafaktual hasil panen | Hasilkan analisis kontrafaktual respons jagung terhadap nitrogen. [Solusi ini mempelajari siklus fenologi tanaman secara keseluruhan menggunakan citra satelit multi-spektral dan pengamatan di permukaan tanah.](https://www.sciencedirect.com/science/article/pii/S2352340921010283#tbl0001) | Temukan di Amazon SageMaker Studio Classic. |
# Luncurkan Solusi
**penting**
Pada 30 November 2023, pengalaman Amazon SageMaker Studio sebelumnya sekarang bernama Amazon SageMaker Studio Classic. Bagian berikut ini khusus untuk menggunakan aplikasi Studio Classic. Untuk informasi tentang menggunakan pengalaman Studio yang diperbarui, lihat[SageMaker Studio Amazon](studio-updated.md).
Studio Classic masih dipertahankan untuk beban kerja yang ada tetapi tidak lagi tersedia untuk orientasi. Anda hanya dapat menghentikan atau menghapus aplikasi Studio Classic yang ada dan tidak dapat membuat yang baru. Kami menyarankan Anda [memigrasikan beban kerja Anda ke pengalaman Studio yang baru](studio-updated-migrate.md).
**catatan**
JumpStart Solusi hanya tersedia di Studio Classic.
Pertama, pilih solusi melalui halaman SageMaker JumpStart arahan di Amazon SageMaker Studio Classic UI. Untuk informasi tentang langkah-langkah orientasi untuk masuk ke Amazon SageMaker Studio Classic, lihat [Onboard to Amazon SageMaker AI domain](https://docs.aws.amazon.com/sagemaker/latest/dg/gs-studio-onboard.html). Untuk detail tentang membuka halaman SageMaker JumpStart arahan, lihat[Buka dan gunakan JumpStart di Studio Classic](studio-jumpstart.md#jumpstart-open-use).
Setelah Anda memilih solusi, tab solusi terbuka menunjukkan deskripsi solusi dan `Launch` tombol. Untuk meluncurkan solusi, pilih `Launch` di bagian **Launch Solution**. JumpStart kemudian membuat semua sumber daya yang dibutuhkan untuk menjalankan solusi. Ini termasuk pelatihan dan contoh hosting model.
## Parameter lanjutan
Solusi yang Anda pilih mungkin memiliki parameter lanjutan yang dapat Anda pilih. Pilih **Parameter Lanjutan** untuk menentukan AWS Identity and Access Management peran solusi.
Solusi dapat meluncurkan sumber daya di 9 AWS layanan yang berinteraksi satu sama lain. Agar solusi berfungsi seperti yang diharapkan, komponen yang baru dibuat dari satu layanan harus dapat bertindak pada komponen yang baru dibuat dari layanan lain. Kami menyarankan Anda menggunakan peran IAM default untuk memastikan bahwa semua izin yang diperlukan ditambahkan. Untuk informasi selengkapnya tentang peran IAM, lihat[AWS Identity and Access Management untuk Amazon SageMaker AI](security-iam.md).
**Peran IAM default**
Jika Anda memilih opsi ini, peran IAM default yang diperlukan oleh solusi ini akan digunakan. Setiap solusi membutuhkan sumber daya yang berbeda. Daftar berikut menjelaskan peran default yang digunakan untuk solusi berdasarkan layanan yang dibutuhkan. Untuk deskripsi tentang izin yang diperlukan untuk setiap layanan, lihat[AWS Kebijakan Terkelola untuk SageMaker Proyek dan JumpStart](security-iam-awsmanpol-sc.md).
+ **API Gateway** — AmazonSageMakerServiceCatalogProductsApiGatewayRole
+ **CloudFormation** – AmazonSageMakerServiceCatalogProductsCloudformationRole
+ **CodeBuild** – AmazonSageMakerServiceCatalogProductsCodeBuildRole
+ **CodePipeline** – AmazonSageMakerServiceCatalogProductsCodePipelineRole
+ **Kejadian** – AmazonSageMakerServiceCatalogProductsEventsRole
+ **Firehose** — AmazonSageMakerServiceCatalogProductsFirehoseRole
+ **Glue** — AmazonSageMakerServiceCatalogProductsGlueRole
+ **Lambda** – AmazonSageMakerServiceCatalogProductsLambdaRole
+ **SageMaker AI** — AmazonSageMakerServiceCatalogProductsExecutionRole
Jika Anda menggunakan domain SageMaker AI baru dengan templat JumpStart proyek diaktifkan, peran ini secara otomatis dibuat di akun Anda.
Jika Anda menggunakan domain SageMaker AI yang ada, peran ini mungkin tidak ada di akun Anda. Jika ini masalahnya, Anda akan menerima kesalahan berikut saat meluncurkan solusi.
```
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.
```
Anda masih dapat meluncurkan solusi tanpa peran yang diperlukan, tetapi peran default lama `AmazonSageMakerServiceCatalogProductsUseRole` digunakan sebagai pengganti peran yang diperlukan. Peran default lama memiliki hubungan kepercayaan dengan semua layanan yang perlu berinteraksi dengan JumpStart solusi. Untuk keamanan terbaik, sebaiknya Anda memperbarui domain agar memiliki peran default yang baru dibuat untuk setiap AWS layanan.
Jika Anda sudah onboard ke domain SageMaker AI, Anda dapat memperbarui domain Anda untuk menghasilkan peran default menggunakan prosedur berikut.
1. Buka konsol Amazon SageMaker AI di [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Pilih **Control Panel** di kiri atas halaman.
1. Dari halaman **domain**, pilih ikon **Pengaturan** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/id_id/sagemaker/latest/dg/images/icons/Settings_squid.png)) untuk mengedit pengaturan domain.
1. Pada **Pengaturan Umum** pilih **Berikutnya**.
1. Di bawah **SageMaker Proyek dan JumpStart**, pilih **Aktifkan templat SageMaker proyek Amazon dan Amazon SageMaker JumpStart untuk akun ini** dan **Aktifkan templat SageMaker proyek Amazon dan Amazon SageMaker JumpStart untuk pengguna Studio Classic**, pilih **Berikutnya**.
1. Pilih **Kirim**.
Anda harus dapat melihat peran default yang tercantum dalam **Proyek - Templat SageMaker proyek Amazon diaktifkan untuk akun ini** di bawah tab **Apps - Studio**.
**Temukan peran IAM**
Jika Anda memilih opsi ini, Anda harus memilih peran IAM yang ada dari daftar tarik-turun untuk setiap layanan yang diperlukan. Peran yang dipilih harus memiliki setidaknya izin minimum yang diperlukan untuk layanan terkait. Untuk deskripsi tentang izin yang diperlukan untuk setiap layanan, lihat[AWS Kebijakan Terkelola untuk SageMaker Proyek dan JumpStart](security-iam-awsmanpol-sc.md).
**Masukan peran IAM**
Jika Anda memilih opsi ini, Anda harus memasukkan ARN secara manual untuk peran IAM yang ada. Peran yang dipilih harus memiliki setidaknya izin minimum yang diperlukan untuk layanan terkait. Untuk deskripsi tentang izin yang diperlukan untuk setiap layanan, lihat[AWS Kebijakan Terkelola untuk SageMaker Proyek dan JumpStart](security-iam-awsmanpol-sc.md).