Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà. # Amazon SageMaker JumpStart nella versione classica di Studio **Importante** A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’applicazione Studio Classic. Per informazioni sull’utilizzo dell’esperienza Studio aggiornata, consulta [Amazon SageMaker Studio](studio-updated.md). Studio Classic viene ancora mantenuto per i carichi di lavoro esistenti, ma non è più disponibile per l'onboarding. È possibile solo interrompere o eliminare le applicazioni Studio Classic esistenti e non è possibile crearne di nuove. Ti consigliamo di [migrare il tuo carico di lavoro alla nuova esperienza Studio](studio-updated-migrate.md). Le seguenti JumpStart funzionalità sono disponibili solo in Amazon SageMaker Studio Classic. + [Modelli specifici per attività](jumpstart-models.md) + [Modelli e notebook condivisi](jumpstart-content-sharing.md) + [End-to-end JumpStart modelli di soluzioni](jumpstart-solutions.md) + [SageMaker JumpStart Settore Amazon: Finanziario](studio-jumpstart-industry.md) # Modelli specifici per attività JumpStart supporta modelli specifici per attività per quindici dei tipi di problemi più diffusi. Tra i tipi di problemi supportati, quelli relativi a Vision e NLP sono tredici in totale. Esistono otto tipi di problemi che supportano l’addestramento incrementale e la messa a punto. [Per ulteriori informazioni sull'addestramento incrementale e sulla regolazione degli iperparametri, consulta AI Automatic Model Tuning. SageMaker ](https://docs.aws.amazon.com/sagemaker/latest/dg/automatic-model-tuning.html) JumpStart supporta anche quattro algoritmi popolari per la modellazione tabulare dei dati. Puoi cercare e sfogliare i modelli dalla pagina di JumpStart destinazione di Studio o Studio Classic. Quando selezioni un modello, la pagina dei dettagli fornisce informazioni su di esso e puoi poi addestrarlo e implementarlo in poche fasi. La sezione descrittiva descrive cosa è possibile fare con il modello, i tipi di input e output previsti e il tipo di dati necessario per perfezionarlo. [Puoi anche utilizzare a livello di codice i modelli con Python SageMaker SDK.](https://sagemaker.readthedocs.io/en/stable/overview.html#use-prebuilt-models-with-sagemaker-jumpstart) [Per un elenco di tutti i modelli disponibili, consulta la Tabella dei modelli disponibili. JumpStart](https://sagemaker.readthedocs.io/en/v2.132.0/doc_utils/pretrainedmodels.html) L'elenco dei tipi di problemi e i collegamenti ai relativi notebook Jupyter di esempio sono riassunti nella seguente tabella. | Tipi di problema | Supporta l'inferenza con modelli pre-formati | Formabile su un set di dati personalizzato | Framework supportati | Notebook di esempio | | --- | --- | --- | --- | --- | | Classificazione delle immagini | Sì | Sì | PyTorch, TensorFlow | [Introduzione a JumpStart - Classificazione delle immagini](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_image_classification/Amazon_JumpStart_Image_Classification.ipynb) | | Rilevamento di oggetti | Sì | Sì | PyTorch, TensorFlow, MXNet | [Introduzione a JumpStart - Rilevamento di oggetti](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_object_detection/Amazon_JumpStart_Object_Detection.ipynb) | | Segmentazione semantica | Sì | Sì | MXNet | [Introduzione alla JumpStart - Segmentazione semantica](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_semantic_segmentation/Amazon_JumpStart_Semantic_Segmentation.ipynb) | | Segmentazione delle istanze | Sì | Sì | MXNet | [Introduzione alla JumpStart - Segmentazione delle istanze](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_instance_segmentation/Amazon_JumpStart_Instance_Segmentation.ipynb) | | Incorporamento di immagini | Sì | No | TensorFlow, MXNet | [Introduzione a JumpStart - Image Embedding](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_image_embedding/Amazon_JumpStart_Image_Embedding.ipynb) | | Classificazione del testo | Sì | Sì | TensorFlow | [Introduzione a JumpStart - Classificazione del testo](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_text_classification/Amazon_JumpStart_Text_Classification.ipynb) | | Classificazione delle coppie di frasi | Sì | Sì | TensorFlow, Hugging Face | [Introduzione alla JumpStart - Classificazione delle coppie di frasi](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_sentence_pair_classification/Amazon_JumpStart_Sentence_Pair_Classification.ipynb) | | Risposta alle domande | Sì | Sì | PyTorch, Hugging Face | [Introduzione a JumpStart — Risposta alle domande](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_question_answering/Amazon_JumpStart_Question_Answering.ipynb) | | Riconoscimento delle entità nominali | Sì | No | Hugging Face | [Introduzione a JumpStart - Named Entity Recognition](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_named_entity_recognition/Amazon_JumpStart_Named_Entity_Recognition.ipynb) | | Riepilogo del testo | Sì | No | Hugging Face | [Introduzione a JumpStart - Riepilogo del testo](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_text_summarization/Amazon_JumpStart_Text_Summarization.ipynb) | | Generazione di testo | Sì | No | Hugging Face | [Introduzione a JumpStart - Generazione di testo](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_text_generation/Amazon_JumpStart_Text_Generation.ipynb) | | Traduzione automatica | Sì | No | Hugging Face | [Introduzione alla JumpStart traduzione automatica](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_machine_translation/Amazon_JumpStart_Machine_Translation.ipynb) | | Incorporamento di testo | Sì | No | TensorFlow, MXNet | [Introduzione a JumpStart - Incorporamento del testo](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_text_embedding/Amazon_JumpStart_Text_Embedding.ipynb) | | Classificazione tabulare | Sì | Sì | LightGBM,, AutoGluon -Tabular CatBoost XGBoost, Linear Learner TabTransformer | [Introduzione a JumpStart - Classificazione tabulare - LightGBM, CatBoost](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/lightgbm_catboost_tabular/Amazon_Tabular_Classification_LightGBM_CatBoost.ipynb) [Introduzione a JumpStart - Classificazione tabulare -, Linear Learner XGBoost](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/xgboost_linear_learner_tabular/Amazon_Tabular_Classification_XGBoost_LinearLearner.ipynb) [Introduzione a JumpStart - Classificazione tabulare - Studente AutoGluon](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/autogluon_tabular/Amazon_Tabular_Classification_AutoGluon.ipynb) [Introduzione a JumpStart - Classificazione tabulare - Studente TabTransformer](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/tabtransformer_tabular/Amazon_Tabular_Classification_TabTransformer.ipynb) | | Regressione tabulare | Sì | Sì | LightGBM,, AutoGluon -Tabular CatBoost XGBoost, Linear Learner TabTransformer | [Introduzione a JumpStart - Regressione tabulare - LightGBM, CatBoost](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/lightgbm_catboost_tabular/Amazon_Tabular_Regression_LightGBM_CatBoost.ipynb) [Introduzione a JumpStart — Regressione tabulare -, Linear Learner XGBoost](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/xgboost_linear_learner_tabular/Amazon_Tabular_Regression_XGBoost_LinearLearner.ipynb) [Introduzione a JumpStart — Regressione tabulare - Studente AutoGluon ](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/autogluon_tabular/Amazon_Tabular_Regression_AutoGluon.ipynb) [Introduzione a JumpStart — Regressione tabulare - Studente TabTransformer](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/tabtransformer_tabular/Amazon_Tabular_Regression_TabTransformer.ipynb) | # Implementare un modello Quando distribuisci un modello da JumpStart, l' SageMaker IA ospita il modello e distribuisce un endpoint che puoi utilizzare per l'inferenza. JumpStart fornisce anche un notebook di esempio che è possibile utilizzare per accedere al modello dopo la distribuzione. **Importante** A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’applicazione Studio Classic. Per informazioni sull’utilizzo dell’esperienza Studio aggiornata, consulta [Amazon SageMaker Studio](studio-updated.md). Studio Classic viene ancora mantenuto per i carichi di lavoro esistenti, ma non è più disponibile per l'onboarding. È possibile solo interrompere o eliminare le applicazioni Studio Classic esistenti e non è possibile crearne di nuove. Ti consigliamo di [migrare il tuo carico di lavoro alla nuova esperienza Studio](studio-updated-migrate.md). **Nota** Per ulteriori informazioni sulla distribuzione dei JumpStart modelli in Studio, consulta [Implementazione di un modello in Studio](jumpstart-foundation-models-use-studio-updated-deploy.md) ## Configurazione dell'implementazione Dopo aver scelto un modello, si apre la relativa scheda. Nel riquadro **Distribuisci modello**, scegliere **Configurazione implementazione** per configurare l'implementazione del modello. ![\[The Deploy Model pane.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/jumpstart/jumpstart-deploy.png) Il tipo di istanza predefinito per l'implementazione di un modello dipende dal modello. Il tipo di istanza è l'hardware su cui viene eseguito il processo di addestramento. Nell'esempio seguente, l'istanza `ml.p2.xlarge` è quella predefinita per questo particolare modello BERT. Puoi anche modificare il nome dell'endpoint, aggiungere tag di `key;value` risorsa, attivare o disattivare il `jumpstart-` prefisso per qualsiasi JumpStart risorsa correlata al modello e specificare un bucket Amazon S3 per archiviare gli artefatti del modello utilizzati dal tuo endpoint AI. SageMaker ![\[JumpStart Deploy Model pane with Deployment Configuration open to select its settings.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/jumpstart/jumpstart-deploy-config.png) Scegli **Impostazioni di sicurezza** per specificare il ruolo AWS Identity and Access Management (IAM), Amazon Virtual Private Cloud (Amazon VPC) e le chiavi di crittografia per il modello. ![\[JumpStart Deploy Model pane with Security Settings open to select its settings.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/jumpstart/jumpstart-deploy-security.png) ## Sicurezza dell'implementazione del modello Quando distribuisci un modello con JumpStart, puoi specificare un ruolo IAM, Amazon VPC e chiavi di crittografia per il modello. Se non specifichi alcun valore per queste voci: il ruolo IAM predefinito è il ruolo di runtime di Studio Classic, viene utilizzata la crittografia predefinita e non viene utilizzato Amazon VPC. ### Ruolo IAM Puoi selezionare un ruolo IAM da assegnare come parte dei lavori di formazione e dei lavori di hosting. SageMaker L'intelligenza artificiale utilizza questo ruolo per accedere ai dati di formazione e agli artefatti dei modelli. Se non selezioni un ruolo IAM, SageMaker AI distribuisce il modello utilizzando il ruolo di runtime di Studio Classic. Per ulteriori informazioni sui ruoli IAM, consultare [AWS Identity and Access Management per Amazon SageMaker AI](security-iam.md). Il ruolo assegnato deve avere accesso alle risorse necessarie al modello e deve includere tutti i seguenti elementi. + Per i lavori di formazione: [CreateTrainingJob API: Execution Role Permissions](https://docs.aws.amazon.com//sagemaker/latest/dg/sagemaker-roles.html#sagemaker-roles-createtrainingjob-perms). + Per lavori di hosting: [CreateModel API: Execution Role Permissions](https://docs.aws.amazon.com//sagemaker/latest/dg/sagemaker-roles.html#sagemaker-roles-createmodel-perms). **Nota** È possibile definire le autorizzazioni Amazon S3 concesse in ciascuno dei seguenti ruoli. A tale scopo, utilizza l'ARN del bucket Amazon Simple Storage Service (Amazon S3) e del bucket Amazon S3. JumpStart ``` [ { "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": [ "*" ] }, ] } ``` **Trova il ruolo IAM** Se si seleziona questa opzione è necessario selezionare un ruolo IAM esistente dall'elenco a discesa. ![\[JumpStart Security Settings IAM section with Find IAM role selected.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/jumpstart/jumpstart-deploy-security-findiam.png) **Inserisci ruolo IAM** Selezionando questa opzione è necessario inserire manualmente l'ARN per un ruolo IAM esistente. Se il tuo ruolo di runtime Studio Classic o Amazon VPC blocca la chiamata `iam:list* `è necessario scegliere questa opzione per utilizzare un ruolo IAM esistente. ![\[JumpStart Security Settings IAM section with Input IAM role selected.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/jumpstart/jumpstart-deploy-security-inputiam.png) ### Amazon VPC Tutti i JumpStart modelli funzionano in modalità di isolamento della rete. Dopo aver creato il container del modello non è possibile effettuare altre chiamate. Puoi selezionare un Amazon VPC da utilizzare come parte dei lavori di formazione e hosting. SageMaker L'intelligenza artificiale utilizza questo Amazon VPC per inviare ed estrarre risorse dal tuo bucket Amazon S3. Questo Amazon VPC è diverso dall’Amazon VPC che limita l’accesso alla rete Internet pubblica dall’istanza di Studio Classic. Per ulteriori informazioni su Amazon VPC di Studio Classic, consulta [Connessione dei notebook Studio in un VPC a risorse esterne](studio-notebooks-and-internet-access.md). L'Amazon VPC che viene trasmesso non necessita dell'accesso alla rete Internet pubblica, ma richiede l'accesso ad Amazon S3. L'endpoint VPC Amazon VPC per Amazon S3 deve consentire almeno l'accesso alle seguenti risorse necessarie al modello. ``` { "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/*" ] } ``` Se non si seleziona un Amazon VPC, non viene utilizzato alcun Amazon VPC. **Trova VPC** Se si seleziona questa opzione è necessario selezionare un Amazon VPC esistente dall'elenco a discesa. Dopo aver selezionato un Amazon VPC, è necessario selezionare una sottorete e un gruppo di sicurezza per l'Amazon VPC. [Per ulteriori informazioni sulle sottoreti e sui gruppi di sicurezza, consulta Panoramica delle sottoreti e delle sottoreti. VPCs](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/it_it/sagemaker/latest/dg/images/jumpstart/jumpstart-deploy-security-findvpc.png) **VPC di ingresso** Se si seleziona questa opzione è necessario selezionare manualmente la sottorete e il gruppo di sicurezza che compongono l'Amazon VPC. Se il ruolo di runtime di Studio Classic o Amazon VPC blocca la chiamata `ec2:list*`, è necessario utilizzare questa opzione per selezionare la sottorete e il gruppo di sicurezza. ![\[JumpStart Security Settings VPC section with Input VPC selected.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/jumpstart/jumpstart-deploy-security-inputvpc.png) ### Chiavi di crittografia Puoi selezionare una AWS KMS chiave che viene passata come parte dei lavori di formazione e dei lavori di hosting. SageMaker L'intelligenza artificiale utilizza questa chiave per crittografare il volume Amazon EBS per il contenitore e il modello riconfezionato in Amazon S3 per i lavori di hosting e l'output per i lavori di formazione. [Per ulteriori informazioni sulle AWS KMS chiavi, consulta keys.AWS KMS](https://docs.aws.amazon.com//kms/latest/developerguide/concepts.html#kms_keys) La chiave che viene trasmessa deve fidarsi del ruolo IAM trasmesso. Se non specificate un ruolo IAM, la AWS KMS chiave deve considerare attendibile il vostro ruolo di runtime di Studio Classic. Se non selezioni una AWS KMS chiave, SageMaker AI fornisce la crittografia predefinita per i dati nel volume Amazon EBS e gli artefatti Amazon S3. **Trova chiavi di crittografia** Se si seleziona questa opzione, è necessario selezionare AWS KMS le chiavi esistenti dall'elenco a discesa. ![\[JumpStart Security Settings encryption section with Find encryption keys selected.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/jumpstart/jumpstart-deploy-security-findencryption.png) **Chiavi di crittografia di input** Se si seleziona questa opzione, è necessario immettere manualmente le AWS KMS chiavi. Se il ruolo di esecuzione di Studio Classic o Amazon VPC bloccano la `kms:list* ` chiamata, devi utilizzare questa opzione per selezionare le chiavi esistenti AWS KMS . ![\[JumpStart Security Settings encryption section with Input encryption keys selected.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/jumpstart/jumpstart-deploy-security-inputencryption.png) ## Configura i valori predefiniti per i modelli JumpStart Puoi configurare i valori predefiniti per parametri come i ruoli IAM e le chiavi KMS da precompilare per la distribuzione e la formazione dei JumpStart modelli. VPCs Dopo aver configurato i valori predefiniti, l'interfaccia utente di Studio Classic fornisce automaticamente le impostazioni e i tag di sicurezza specificati ai JumpStart modelli per semplificare i flussi di lavoro di implementazione e formazione. Gli amministratori e gli utenti finali possono inizializzare i valori predefiniti specificati in un file di configurazione in formato YAML. Per impostazione predefinita, SageMaker Python SDK utilizza due file di configurazione: uno per l'amministratore e uno per l'utente. Utilizzando il file di configurazione dell'amministratore, gli amministratori possono definire un set di valori predefiniti. Gli utenti finali possono sovrascrivere i valori impostati nel file di configurazione dell'amministratore e impostare valori predefiniti aggiuntivi utilizzando il file di configurazione dell'utente finale. Per ulteriori informazioni, consultare [Configurazione predefinita posizione del file](https://sagemaker.readthedocs.io/en/stable/overview.html#default-configuration-file-location). Il seguente esempio di codice elenca le posizioni predefinite dei file di configurazione quando si utilizza l'SDK SageMaker Python in 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 ``` I valori specificati nel file di configurazione dell'utente sostituiscono i valori impostati nel file di configurazione dell'amministratore. Il file di configurazione è unico per ogni profilo utente all'interno di un dominio Amazon SageMaker AI. L’applicazione Studio Classic del profilo dell’utente è direttamente associata al profilo dell’utente. Per ulteriori informazioni, consulta [Profili utente del dominio](domain-user-profile.md). Gli amministratori possono facoltativamente impostare impostazioni di configurazione predefinite per la formazione e l'implementazione dei JumpStart modelli tramite configurazioni del ciclo di vita. `JupyterServer` Per ulteriori informazioni, consulta [Crea e associa una configurazione del ciclo di vita con Amazon Studio Classic SageMaker](studio-lcc-create.md). ### File YAML di configurazione dei valori predefiniti Il file di configurazione deve aderire alla struttura del file di configurazione di SageMaker Python [SDK](https://sagemaker.readthedocs.io/en/stable/overview.html#configuration-file-structure). Tieni presente che i campi specifici di `TrainingJob``Model`, e le `EndpointConfig` configurazioni si applicano ai valori predefiniti di addestramento e JumpStart distribuzione del modello. ``` 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 ``` # Ottimizzare un modello L'ottimizzazione consente di addestrare un modello pre-addestrato su un nuovo set di dati senza eseguire l’addestramento da zero. Questo processo, noto anche come trasferimento dell'apprendimento, può produrre modelli accurati con set di dati più piccoli e tempi di addestramento ridotti. È possibile ottimizzare un modello se la relativa scheda mostra un attributo **ottimizzabile** impostato su **Sì**. ![\[JumpStart fine-tunable Image Classification - TensorFlow model\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/jumpstart/jumpstart-finetune-model.png) **Importante** A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’applicazione Studio Classic. Per informazioni sull’utilizzo dell’esperienza Studio aggiornata, consulta [Amazon SageMaker Studio](studio-updated.md). Studio Classic viene ancora mantenuto per i carichi di lavoro esistenti, ma non è più disponibile per l'onboarding. È possibile solo interrompere o eliminare le applicazioni Studio Classic esistenti e non è possibile crearne di nuove. Ti consigliamo di [migrare il tuo carico di lavoro alla nuova esperienza Studio](studio-updated-migrate.md). **Nota** Per ulteriori informazioni sulla messa a punto dei JumpStart modelli in Studio, consulta [Fine-tuning di un modello in Studio](jumpstart-foundation-models-use-studio-updated-fine-tune.md) ## Ottimizzazione dell'origine dati Quando si ottimizza un modello, è possibile utilizzare il set di dati predefinito o scegliere i propri dati, che si trovano in un bucket Amazon S3. Per sfogliare i bucket disponibili, scegliere **Trova bucket S3.** Questi bucket sono limitati dalle autorizzazioni utilizzate per configurare l’account Studio Classic. È anche possibile specificare un URI Amazon S3 selezionando **Inserisci posizione del bucket Amazon S3**. ![\[JumpStart data source settings with default dataset selected.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/jumpstart/jumpstart-dataset.png) **Suggerimento** Per scoprire come formattare i dati nel bucket, scegliere **Ulteriori informazioni**. La sezione descrittiva del modello contiene informazioni dettagliate su ingressi e uscite.  Per i modelli di testo: + Il bucket deve avere un file data.csv. + La prima colonna deve essere un numero intero univoco per l'etichetta della classe. Ad esempio: `1`, `2`, `3`, `4`, `n` + La seconda colonna deve contenere una stringa. + La seconda colonna deve contenere il testo corrispondente al tipo e alla lingua del modello.  Per i modelli di visione: + Il bucket deve avere tante sottodirectory quante sono le classi. + Ogni sottodirectory deve contenere immagini che appartengono a quella classe in formato.jpg. **Nota** Il bucket Amazon S3 deve trovarsi nello stesso Regione AWS posto in cui è in esecuzione SageMaker Studio Classic, poiché l' SageMaker intelligenza artificiale non consente richieste interregionali. ## Ottimizzazione della configurazione di implementazione La famiglia p3 è consigliata come la più veloce per l’addestramento sul deep learning e per l'ottimizzazione di un modello. La tabella seguente mostra il numero di GPUs in ogni tipo di istanza. Sono disponibili altre opzioni tra cui scegliere, inclusi i tipi di istanze p2 e g4. | Tipo di istanza | GPUs | | --- | --- | | p3.2xlarge | 1 | | p3.8xlarge | 4 | | p3.16xlarge | 8 | | p3dn.24xlarge | 8 | ## Iperparametri È possibile personalizzare gli iperparametri del processo di addestramento utilizzati per ottimizzare il modello. Gli iperparametri disponibili per ogni modello ottimizzabile variano a seconda del modello. Per informazioni su ogni iperparametro disponibile, consultare la documentazione sugli iperparametri relativa al modello scelto. [Algoritmi integrati e modelli preaddestrati in Amazon SageMaker](algos.md) Ad esempio, [Classificazione delle immagini - TensorFlow Iperparametri](IC-TF-Hyperparameter.md) per ulteriori dettagli, vedere la sezione «Classificazione delle immagini - iperparametri», che può essere regolata con precisione. TensorFlow Se si utilizza il set di dati predefinito per i modelli di testo senza modificare gli iperparametri, si ottiene come risultato un modello quasi identico. Per i modelli di visione, il set di dati predefinito è diverso dal set di dati utilizzato per addestrare i modelli pre-addestrati, quindi il modello è diverso di conseguenza. I seguenti iperparametri sono comuni tra i modelli: + **Epoche**: un'epoca è un ciclo dell'intero set di dati. Intervalli multipli completano un batch e alla fine più batch completano un'epoca. Vengono eseguite più epoche finché la precisione del modello non raggiunge un livello accettabile o quando il tasso di errore scende al di sotto di un livello accettabile. + **Tasso di apprendimento**: la quantità di valori da modificare tra le epoche. Man mano che il modello viene perfezionato, i pesi interni vengono modificati e i tassi di errore vengono controllati per vedere se il modello migliora. Un tasso di apprendimento tipico è di 0,1 o 0,01, dove 0,01 rappresenta un aggiustamento molto inferiore e potrebbe far sì che l'addestramento richieda molto tempo per convergere, mentre 0,1 è molto più elevato e può causare un superamento dell’addestramento. È uno degli iperparametri principali che si possono modificare per addestrare il modello. Notare che, per i modelli testuali, un tasso di apprendimento molto più basso (5e-5 per BERT) può portare a un modello più accurato. + **Dimensione del batch**: il numero di record del set di dati da selezionare per ogni intervallo da inviare al gruppo GPUs per l'addestramento. In un esempio di immagine, si potrebbero inviare 32 immagini per GPU, quindi le dimensioni del batch sarebbero pari a 32. Se si sceglie un tipo di istanza con più di una GPU, il batch viene diviso per il numero di. GPUs Le dimensioni del batch consigliate variano a seconda dei dati e del modello in uso. Ad esempio, il modo in cui si ottimizzano i dati delle immagini differisce dal modo in cui si gestiscono i dati linguistici. Nella tabella dei tipi di istanza nella sezione di configurazione della distribuzione, puoi vedere il numero di tipi di istanza GPUs per tipo. Iniziare con una dimensione batch standard consigliata (ad esempio, 32 per un modello di visione). Quindi, moltiplicalo per il numero del GPUs tipo di istanza selezionato. Ad esempio, se utilizzi un`p3.8xlarge`, questo sarà 32 (dimensione del batch) moltiplicato per 4 (GPUs), per un totale di 128, poiché la dimensione del batch si adatta al numero di. GPUs Per un modello di testo come BERT, provare a iniziare con una dimensione del batch di 64, quindi ridurla, se necessario. ## Output di addestramento Una volta completato il processo di ottimizzazione, JumpStart fornisce informazioni sul modello: modello principale, nome del processo di formazione, ARN del lavoro di formazione, tempo di formazione e percorso di output. Il percorso di output è il percorso in cui è possibile trovare il nuovo modello in un bucket Amazon S3. La struttura delle cartelle utilizza il nome del modello che fornito dall'utente e il file del modello si trova in una sottocartella `/output` ed è sempre denominato `model.tar.gz`.  Ad esempio: `s3://bucket/model-name/output/model.tar.gz` ## Configurazione dei valori predefiniti per l’addestramento dei modelli È possibile configurare valori predefiniti per parametri come i ruoli IAM e le chiavi KMS da precompilare per la distribuzione e la formazione del modello. VPCs JumpStart Per ulteriori informazioni, consultare [Configura i valori predefiniti per i modelli JumpStart](jumpstart-deploy.md#jumpstart-config-defaults). # Condividere modelli **Importante** A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’applicazione Studio Classic. Per informazioni sull’utilizzo dell’esperienza Studio aggiornata, consulta [Amazon SageMaker Studio](studio-updated.md). Studio Classic viene ancora mantenuto per i carichi di lavoro esistenti, ma non è più disponibile per l'onboarding. È possibile solo interrompere o eliminare le applicazioni Studio Classic esistenti e non è possibile crearne di nuove. Ti consigliamo di [migrare il tuo carico di lavoro alla nuova esperienza Studio](studio-updated-migrate.md). Puoi condividere JumpStart i modelli tramite l'interfaccia utente di Studio Classic direttamente dalla pagina delle ** JumpStart risorse lanciate** utilizzando la seguente procedura: 1. Apri Amazon SageMaker Studio Classic e scegli ** JumpStart Risorse lanciate** nella **JumpStart**sezione del riquadro di navigazione a sinistra. 1. Selezionare la scheda **Processi di addestramento** per visualizzare l'elenco dei processi di addestramento dei modelli. 1. Nell'elenco **Processi di addestramento**, selezionare processo di addestramento da condividere. Si apre la pagina dei dettagli del processo di addestramento. Non è possibile condividere più di un processo di addestramento alla volta. 1. Nell’intestazione del job di addestramento, scegli **Condividi** e seleziona **Condividi con la mia organizzazione**. Per ulteriori informazioni sulla condivisione dei modelli con l'organizzazione, consultare [Modelli e notebook condivisi](jumpstart-content-sharing.md). # Modelli e notebook condivisi **Importante** A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’applicazione Studio Classic. Per informazioni sull’utilizzo dell’esperienza Studio aggiornata, consulta [Amazon SageMaker Studio](studio-updated.md). Studio Classic viene ancora mantenuto per i carichi di lavoro esistenti, ma non è più disponibile per l'onboarding. È possibile solo interrompere o eliminare le applicazioni Studio Classic esistenti e non è possibile crearne di nuove. Ti consigliamo di [migrare il tuo carico di lavoro alla nuova esperienza Studio](studio-updated-migrate.md). Condividi modelli e notebook per centralizzare gli elementi dei modelli, facilitarne la reperibilità e aumentare il riutilizzo dei modelli all'interno dell'organizzazione. Quando condividi i tuoi modelli, puoi fornire informazioni sull'ambiente di addestramento e inferenza e consentire ai collaboratori di utilizzare questi ambienti per i propri processi di addestramento e inferenza. Tutti i modelli che condividi e i modelli condivisi con te sono ricercabili in una posizione centralizzata direttamente in Amazon SageMaker Studio Classic. Per informazioni sui passaggi di onboarding per accedere ad Amazon SageMaker Studio Classic, consulta [Onboard to Amazon SageMaker AI Domain](https://docs.aws.amazon.com/sagemaker/latest/dg/gs-studio-onboard.html). **Topics** + [ # Condivisione di modelli e notebook ](jumpstart-content-sharing-access.md) + [ # Accesso ai contenuti condivisi ](jumpstart-content-sharing-access-filter.md) + [ # Aggiunta di un modello ](jumpstart-content-sharing-add-model.md) # Condivisione di modelli e notebook Per condividere modelli e notebook, vai alla sezione **Modelli condivisi** in Amazon SageMaker Studio Classic, scegli **Condivisi dalla mia organizzazione**, quindi seleziona l'elenco a discesa **Aggiungi**. Scegli se aggiungere un modello o un notebook. ![\[Il menu a cui aggiungere modelli o notebook condivisi. JumpStart\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/jumpstart/jumpstart-shared-models.png) # Accesso ai contenuti condivisi Dall'interfaccia utente di Amazon SageMaker Studio Classic, puoi accedere ai contenuti condivisi e filtrare ciò che vedi. Esistono tre opzioni principali per filtrare modelli e notebook condivisi: 1. **Condivisi da me**: modelli e taccuini con cui hai condiviso. JumpStart 1. **Condivisi con me**: modelli e notebook condivisi con te 1. **Condivisi dalla mia organizzazione**: tutti i modelli e i notebook condivisi con tutti i membri dell'organizzazione Puoi anche ordinare i modelli e i notebook in base all'ora in cui sono stati aggiornati l'ultima volta o in ordine alfabetico crescente o decrescente. Scegli l’icona del filtro (![\[Funnel or filter icon representing data filtering or narrowing down options.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/jumpstart/jumpstart-filter-icon.png)) per ordinare ulteriormente le selezioni. # Aggiunta di un modello Per aggiungere un modello, scegli **Condiviso dalla mia organizzazione**, quindi seleziona **Aggiungi modello** dall’elenco a discesa **Aggiungi**. Inserisci le informazioni di base per il tuo modello e aggiungi tutte le informazioni di addestramento o inferenza che desideri condividere con i collaboratori per addestrare o implementare il tuo modello. Dopo aver inserito tutte le informazioni necessarie, scegli **Aggiungi modello** nell’angolo in basso a destra. **Topics** + [ # Aggiunta di informazioni di base ](jumpstart-content-sharing-info.md) + [ # Attivazione dell’addestramento ](jumpstart-content-sharing-training.md) + [ # Abilita l’implementazione ](jumpstart-content-sharing-deployment.md) + [ # Aggiungi un notebook ](jumpstart-content-sharing-notebooks.md) # Aggiunta di informazioni di base L'aggiunta di un modello JumpStart implica la fornitura di alcune informazioni di base sul modello che si desidera addestrare. Queste informazioni aiutano a definire le caratteristiche e le funzionalità del modello, oltre a migliorarne la rilevabilità e la ricercabilità. Per creare un nuovo ruolo del servizio, attieniti alla seguente procedura: 1. Aggiungi un titolo per questo modello. L'aggiunta di un titolo compila automaticamente un identificatore univoco nel campo ID in base al titolo del modello. 1. Aggiungi una descrizione del modello. 1. Seleziona un tipo di dati dalle opzioni: *testo*, *visione*, *tabella* o *audio*. 1. Seleziona un'attività di machine learning dall'elenco delle attività disponibili, come la *classificazione delle immagini* o la *generazione di testo*. 1. Seleziona un framework di machine learning. 1. Aggiungi informazioni sui metadati con parole chiave o frasi da utilizzare durante la ricerca di un modello. Usa le virgole per separare le parole chiave. Tutti gli spazi vengono sostituiti automaticamente con virgole. # Attivazione dell’addestramento Quando aggiungi un modello da condividere, puoi facoltativamente fornire un ambiente di addestramento e consentire ai collaboratori dell'organizzazione di addestrare il modello condiviso. **Nota** Se stai aggiungendo un modello tabulare, devi anche specificare un formato di colonna e una colonna di destinazione per abilitare l’addestramento. Dopo aver fornito i dettagli di base sul modello, sarà necessario configurare le impostazioni per il job di addestramento che verrà utilizzato per addestrare il modello. Ciò prevede la specifica dell’ambiente del container, degli script di codice, dei set di dati, delle posizioni di output e di vari altri parametri per controllare come viene eseguito il job di addestramento. Per configurare le impostazioni del job di addestramento, procedi come segue: 1. Aggiungi un container da utilizzare per l'addestramento dei modelli. Puoi selezionare un contenitore utilizzato per un lavoro di formazione esistente, portare il tuo contenitore in Amazon ECR o utilizzare un Amazon SageMaker Deep Learning Container. 1. Aggiungi variabili di ambiente 1. Fornisci una posizione per lo script di addestramento. 1. Fornisci un punto di ingresso in modalità script. 1. Fornisci un URI Amazon S3 per gli artefatti del modello generati durante l’addestramento. 1. Fornisci l'URI di Amazon S3 al set di dati di addestramento predefinito. 1. Fornisci un percorso di output del modello. Il percorso di output del modello deve essere il percorso URI di Amazon S3 per tutti gli artefatti del modello generati dall'addestramento. SageMaker L'intelligenza artificiale salva gli artefatti del modello come un singolo file TAR compresso in Amazon S3. 1. Fornisci un set di dati di convalida da utilizzare per valutare il modello durante l'addestramento. I set di dati di convalida devono contenere lo stesso numero di colonne e le stesse intestazioni di funzionalità del set di dati di addestramento. 1. Attiva l'isolamento della rete. L'isolamento di rete isola il container del modello in modo che non sia possibile effettuare chiamate di rete in entrata o in uscita da o verso il container del modello. 1. Fornisci canali di formazione attraverso i quali l'IA può accedere SageMaker ai tuoi dati. Ad esempio, puoi specificare canali di input denominati `train` o `test`. Per ogni canale, specifica un nome di canale e un URI per la posizione dei dati. Scegli **Sfoglia** per cercare le sedi Amazon S3. 1. Fornisci iperparametri. Aggiungi eventuali iperparametri con cui i collaboratori dovrebbero sperimentare durante l’addestramento. Fornisci un intervallo di valori validi per questi iperparametri. Questo intervallo viene utilizzato per addestrare la convalida degli iperparametri del processo. È possibile definire intervalli in base al tipo di dati dell'iperparametro. 1. Selezione di un tipo di istanza. Ti consigliamo un’istanza GPU con più memoria per l’addestramento con batch di grandi dimensioni. Per un elenco completo delle istanze di SageMaker formazione AWS nelle diverse regioni, consulta la tabella **dei prezzi on demand** in [Amazon SageMaker ](https://aws.amazon.com/sagemaker/pricing/) Pricing. 1. Fornisci parametri. Definisci i parametri per un processo di addestramento specificando un nome e un'espressione regolare per ogni parametro monitorato dall’addestramento. Progetta le espressioni regolari per acquisire i valori dei parametri emessi dall'algoritmo. Ad esempio, il parametro `loss` potrebbe avere l'espressione regolare `"Loss =(.*?);"`. # Abilita l’implementazione Quando aggiungi un modello da condividere, puoi facoltativamente fornire un ambiente di inferenza in cui i collaboratori dell'organizzazione possano implementare il modello condiviso per l'inferenza. Dopo aver addestrato il tuo modello di machine learning, dovrai distribuirlo su un endpoint Amazon SageMaker AI per l'inferenza. Questo implica la disponibilità di un ambiente del container, uno script di inferenza, gli artefatti del modello generati durante l’addestramento e la selezione di un tipo di istanza di calcolo appropriato. La corretta configurazione di queste impostazioni è fondamentale per garantire che il modello implementato possa effettuare previsioni accurate e gestire le richieste di inferenza in modo efficiente. Per configurare il tuo modello per l’inferenza, procedi come indicato di seguito: 1. Aggiungi un container da utilizzare per l'inferenza. Puoi portare il tuo container in Amazon ECR o utilizzare un Amazon SageMaker Deep Learning Container. 1. Fornisci l'URI di Amazon S3 a uno script di inferenza. Gli script di inferenza personalizzati vengono eseguiti all'interno del container scelto. Lo script di inferenza dovrebbe includere una funzione per il caricamento del modello e, facoltativamente, funzioni per la generazione di previsioni e l'elaborazione di input e output. Per ulteriori informazioni sulla creazione di script di inferenza per il framework di tua scelta, consulta [Frameworks nella](https://sagemaker.readthedocs.io/en/stable/frameworks/index.html) documentazione di Python SageMaker SDK. Ad esempio, per TensorFlow, vedi [Come implementare i gestori di and/or pre-post-elaborazione](https://sagemaker.readthedocs.io/en/stable/frameworks/tensorflow/deploying_tensorflow_serving.html#how-to-implement-the-pre-and-or-post-processing-handler-s). 1. Fornisci un URI Amazon S3 per gli artefatti del modello. Gli artefatti del modello sono l'output che risulta dall'addestramento di un modello e in genere sono costituiti da parametri addestrati, una definizione del modello che descrive come calcolare le inferenze e altri metadati. Se hai addestrato il tuo modello all' SageMaker intelligenza artificiale, gli artefatti del modello vengono salvati come un singolo file TAR compresso in Amazon S3. Se hai addestrato il tuo modello al di fuori dell' SageMaker intelligenza artificiale, devi creare questo singolo file TAR compresso e salvarlo in una posizione Amazon S3. 1. Selezione di un tipo di istanza. Ti consigliamo un’istanza GPU con più memoria per l’addestramento con batch di grandi dimensioni. Per un elenco completo delle istanze di SageMaker formazione AWS nelle diverse regioni, consulta la tabella **dei prezzi on demand** in [Amazon SageMaker ](https://aws.amazon.com/sagemaker/pricing/) Pricing. # Aggiungi un notebook Per aggiungere un notebook, scegli **Condiviso dalla mia organizzazione**, quindi seleziona **Aggiungi notebook** dall’elenco a discesa **Aggiungi**. Inserisci le informazioni di base per il tuo notebook e fornisci un URI Amazon S3 per la posizione di quel notebook. Per prima cosa, aggiungi le informazioni descrittive di base sul tuo notebook. Queste informazioni vengono utilizzate per migliorare la ricercabilità del notebook. 1. Aggiungi un titolo per questo notebook. L'aggiunta di un titolo compila automaticamente un identificatore univoco nel campo ID in base al titolo del notebook. 1. Aggiungi una descrizione del notebook. 1. Seleziona un tipo di dati dalle opzioni: *testo*, *visione*, *tabella* o *audio*. 1. Seleziona un'attività ML dall'elenco delle attività disponibili, come la *classificazione delle immagini* o la *generazione di testo*. 1. Seleziona un framework ML. 1. Aggiungi informazioni sui metadati con parole chiave o frasi da utilizzare durante la ricerca di un notebook. Usa le virgole per separare le parole chiave. Tutti gli spazi vengono sostituiti automaticamente con virgole. Dopo aver specificato le informazioni di base, puoi fornire un URI Amazon S3 per la posizione di quel notebook. Puoi scegliere **Sfoglia** per cercare tra i bucket Amazon S3 la posizione del file del tuo notebook. Dopo aver trovato il notebook, copia l'URI di Amazon S3, scegli **Annulla**, quindi aggiungi l'URI di Amazon S3 al campo **Posizione notebook**. Dopo aver inserito tutte le informazioni necessarie, scegli **Aggiungi notebook** nell'angolo in basso a destra. # End-to-end JumpStart modelli di soluzioni **Importante** A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’applicazione Studio Classic. Per informazioni sull’utilizzo dell’esperienza Studio aggiornata, consulta [Amazon SageMaker Studio](studio-updated.md). Studio Classic viene ancora mantenuto per i carichi di lavoro esistenti, ma non è più disponibile per l'onboarding. È possibile solo interrompere o eliminare le applicazioni Studio Classic esistenti e non è possibile crearne di nuove. Ti consigliamo di [migrare il tuo carico di lavoro alla nuova esperienza Studio](studio-updated-migrate.md). **Nota** JumpStart Le soluzioni sono disponibili solo in Studio Classic. SageMaker JumpStart offre end-to-end soluzioni con un solo clic progettate per affrontare casi d'uso comuni di machine learning. Utilizzano algoritmi collaudati per i propri domini e forniscono un flusso di lavoro completo, che in genere include l’elaborazione dei dati, l’addestramento dei modelli, l’implementazione, l’inferenza e il monitoraggio. Vedere i seguenti casi d'uso per ulteriori informazioni sui modelli di soluzione disponibili. + [Previsione della domanda](#jumpstart-solutions-demand-forecasting) + [Previsione del rating creditizio](#jumpstart-solutions-credit-prediction) + [Rilevamento di attività fraudolente](#jumpstart-solutions-fraud-detection) + [Visione artificiale](#jumpstart-solutions-computer-vision) + [Estrarre e analizzare i dati dai documenti](#jumpstart-solutions-documents) + [Manutenzione predittiva](#jumpstart-solutions-predictive-maintenance) + [Previsione del tasso di abbandono](#jumpstart-solutions-churn-prediction) + [Consigli personalizzati](#jumpstart-solutions-recommendations) + [Apprendimento per rinforzo](#jumpstart-solutions-reinforcement-learning) + [Sanità e scienze biologiche](#jumpstart-solutions-healthcare-life-sciences) + [Prezzi di natura finanziaria](#jumpstart-solutions-financial-pricing) + [Inferenza causale](#jumpstart-solutions-causal-inference) Scegli il modello di soluzione più adatto al tuo caso d'uso dalla pagina di JumpStart destinazione. Quando scegli un modello di soluzione, JumpStart apre una nuova scheda contenente una descrizione della soluzione e un pulsante **Avvia**. Quando selezioni **Launch**, JumpStart crea tutte le risorse necessarie per eseguire la soluzione, incluse le istanze di training e hosting dei modelli. Per ulteriori informazioni sul lancio di una JumpStart soluzione, consulta. [Lanciare una soluzione](jumpstart-solutions-launch.md) Dopo aver avviato la soluzione, è possibile esplorare le funzionalità della soluzione e gli eventuali artefatti generati in. JumpStart Utilizzate il menu **Launched JumpStart assets** per trovare la soluzione che fa per voi. Nella scheda della soluzione, selezionare **Apri notebook** per utilizzare i notebook forniti ed esplorare le funzionalità della soluzione. Quando gli artefatti vengono generati durante l'avvio o dopo l'esecuzione dei notebook forniti, essi sono elencati nella tabella **Artefatti generati**. È possibile eliminare singoli artefatti con l'icona del cestino (![\[The trash icon for JumpStart.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/jumpstart/jumpstart-trash.png)). È possibile eliminare tutte le risorse della soluzione scegliendo **Elimina risorse soluzione**. ## Previsione della domanda La previsione della domanda utilizza dati storici di serie temporali per effettuare stime future in relazione alla domanda dei clienti in un periodo specifico e semplificare il processo decisionale tra domanda e offerta in tutte le aziende. I casi d'uso per la previsione della domanda includono la previsione della vendita dei biglietti nel settore dei trasporti, i prezzi delle azioni, il numero di visite ospedaliere, il numero di rappresentanti dei clienti da assumere per più sedi nel mese successivo, la vendita di prodotti in più aree geografiche nel trimestre successivo, l'utilizzo del server cloud per il giorno successivo per un servizio di streaming video, il consumo di elettricità per più regioni nel corso della settimana successiva, il numero di dispositivi e sensori IoT come il consumo di energia e altro ancora. I dati di serie temporali sono classificati come *univariati* e *multivariati*. Ad esempio, il consumo totale di elettricità per una singola famiglia è una serie temporale univariata su un periodo di tempo. Quando più serie temporali univariate sono impilate l'una sull'altra, si parla di serie temporale multivariata. Ad esempio, il consumo totale di elettricità di 10 famiglie distinte (ma correlate) in un unico quartiere costituisce un set di dati di serie temporali multivariate. | Nome della soluzione | Description | Nozioni di base | | --- | --- | --- | | Previsione della domanda | [https://facebook.github.io/prophet/](https://facebook.github.io/prophet/) | [GitHub »](https://github.com/awslabs/sagemaker-deep-demand-forecast) | ## Previsione del rating creditizio Utilizza le soluzioni JumpStart di previsione del rating del credito per prevedere i rating di credito aziendali o per spiegare le decisioni di previsione del credito prese mediante modelli di apprendimento automatico. Rispetto ai metodi tradizionali di modellazione del rating creditizio, i modelli di machine learning possono automatizzare e migliorare l'accuratezza della previsione del credito. | Nome della soluzione | Description | Nozioni di base | | --- | --- | --- | | Previsione del rating creditizio aziendale | [Apprendimento automatico multimodale (testo lungo e tabulare) per previsioni di credito di qualità con Tabular. AWS AutoGluon ](https://auto.gluon.ai/scoredebugweight/tutorials/tabular_prediction/index.html) | [GitHub »](https://github.com/awslabs/sagemaker-corporate-credit-rating) | | Punteggio creditizio basato su grafici | [Prevedi i rating di credito aziendali utilizzando dati tabulari e una rete aziendale addestrando un modello GraphSage e Tabular di [GraphNeural](https://cs.stanford.edu/people/jure/pubs/graphsage-nips17.pdf) Network. AWS AutoGluon ](https://auto.gluon.ai/scoredebugweight/tutorials/tabular_prediction/index.html) | Trova in Amazon SageMaker Studio Classic. | | Spiegare le decisioni sul credito | Prevedi il default di credito nelle richieste di credito e fornisci spiegazioni utilizzando [LightGBM](https://lightgbm.readthedocs.io/en/latest/) e [SHAP (SHapley](https://shap.readthedocs.io/en/latest/index.html)Additive Explanations). | [GitHub »](https://github.com/awslabs/sagemaker-explaining-credit-decisions) | ## Rilevamento di attività fraudolente Molte aziende perdono miliardi ogni anno a causa delle frodi. I modelli di rilevamento delle frodi basati sul machine learning possono contribuire a identificare sistematicamente le probabili attività fraudolente a partire da un'enorme quantità di dati. Le seguenti soluzioni utilizzano set di dati sulle transazioni e sull'identità degli utenti per identificare le transazioni fraudolente. | Nome della soluzione | Description | Nozioni di base | | --- | --- | --- | | Rilevare utenti e transazioni dannosi | [Rileva automaticamente attività potenzialmente fraudolente nelle transazioni utilizzando l'[SageMaker intelligenza artificiale XGBoost](https://docs.aws.amazon.com/sagemaker/latest/dg/xgboost.html) con la tecnica di oversampling Synthetic Minority Over-sampling (SMOTE).](https://arxiv.org/abs/1106.1813) | [GitHub »](https://github.com/awslabs/fraud-detection-using-machine-learning) | | Rilevamento delle frodi nelle transazioni finanziarie mediante la libreria di grafici profonda | [https://www.dgl.ai/](https://www.dgl.ai/) | [GitHub »](https://github.com/awslabs/sagemaker-graph-fraud-detection) | | Classificazione dei pagamenti di natura finanziaria | [Classificate i pagamenti finanziari in base alle informazioni sulle transazioni utilizzando l'intelligenza artificiale. SageMaker XGBoost](https://docs.aws.amazon.com/sagemaker/latest/dg/xgboost.html) Utilizzare questo modello di soluzione come fase intermedia per il rilevamento delle frodi, la personalizzazione o il rilevamento delle anomalie. | Trova in Amazon SageMaker Studio Classic. | ## Visione artificiale Con l'aumento dei casi d'uso aziendali come i veicoli a guida autonoma, la videosorveglianza intelligente, il monitoraggio sanitario e varie attività di conteggio degli oggetti, la domanda di sistemi di rilevamento di oggetti rapidi e precisi sta aumentando. Questi sistemi implicano non solo il riconoscimento e la classificazione di ogni oggetto in un'immagine, ma anche la localizzazione di ciascuno di essi disegnandoci attorno il riquadro di delimitazione appropriato. Nell'ultimo decennio, i rapidi progressi delle tecniche di deep learning hanno notevolmente accelerato lo slancio del rilevamento di oggetti. | Nome della soluzione | Description | Nozioni di base | | --- | --- | --- | | Rilevamento visivo dei difetti del prodotto | Identifica le aree difettose nelle immagini dei prodotti addestrando un [modello di rilevamento degli oggetti partendo da zero](https://ieeexplore.ieee.org/document/8709818) o perfezionando modelli di intelligenza artificiale preaddestrati. SageMaker | [GitHub »](https://github.com/awslabs/sagemaker-defect-detection) | | Riconoscimento della grafia | È possibile riconoscere il testo scritto a mano nelle immagini formando un [modello di rilevamento di oggetti](https://mxnet.apache.org/versions/1.0.0/api/python/gluon/model_zoo.html#mxnet.gluon.model_zoo.vision.resnet34_v1) e un [modello di riconoscimento della grafia](https://arxiv.org/abs/1910.00663). Etichetta i tuoi dati utilizzando [SageMaker Ground Truth](https://aws.amazon.com/sagemaker/data-labeling/). | [GitHub »](https://github.com/awslabs/sagemaker-handwritten-text-recognition) | | Rilevamento di oggetti per le specie di uccelli | Identifica le specie di uccelli in una scena utilizzando un [modello di rilevamento di oggetti basato sull'SageMaker intelligenza artificiale](https://docs.aws.amazon.com/sagemaker/latest/dg/object-detection.html). | Trova in Amazon SageMaker Studio Classic. | ## Estrarre e analizzare i dati dai documenti JumpStart fornisce soluzioni per scoprire informazioni e connessioni preziose in documenti aziendali critici. I casi d'uso includono la classificazione del testo, il riepilogo dei documenti, il riconoscimento della grafia, l'estrazione delle relazioni, domande e risposte e inserimento dei valori mancanti nei record tabulari. | Nome della soluzione | Description | Nozioni di base | | --- | --- | --- | | Privacy per la classificazione dei sentimenti | È possibile [rendere anonimo il testo](https://www.amazon.science/blog/preserving-privacy-in-analyses-of-textual-data) per preservare meglio la privacy degli utenti nella classificazione dei sentimenti. | [GitHub »](https://github.com/awslabs/sagemaker-privacy-for-nlp) | | Comprensione dei documenti | [Riepilogo dei documenti, estrazione di entità e relazioni utilizzando la libreria Transformers in.](https://huggingface.co/docs/transformers/index) PyTorch | [GitHub »](https://github.com/awslabs/sagemaker-document-understanding) | | Riconoscimento della grafia | È possibile riconoscere il testo scritto a mano nelle immagini formando un [modello di rilevamento di oggetti](https://mxnet.apache.org/versions/1.0.0/api/python/gluon/model_zoo.html#mxnet.gluon.model_zoo.vision.resnet34_v1) e un [modello di riconoscimento della grafia](https://arxiv.org/abs/1910.00663). Etichetta i tuoi dati utilizzando [SageMaker Ground Truth](https://aws.amazon.com/sagemaker/data-labeling/). | [GitHub »](https://github.com/awslabs/sagemaker-handwritten-text-recognition) | | Inserimento dei valori mancanti nei record tabulari | Riempi i valori mancanti nei record tabulari addestrando un modello [SageMaker Autopilot](https://aws.amazon.com/sagemaker/autopilot/). | [GitHub »](https://github.com/awslabs/filling-in-missing-values-in-tabular-records) | ## Manutenzione predittiva La manutenzione predittiva mira a ottimizzare l'equilibrio tra manutenzione correttiva e preventiva facilitando la sostituzione tempestiva dei componenti. Le seguenti soluzioni utilizzano i dati dei sensori provenienti da asset industriali per prevedere guasti delle macchine, fermi macchina non pianificati e costi di riparazione. | Nome della soluzione | Description | Nozioni di base | | --- | --- | --- | | Manutenzione predittiva per flotte di veicoli | È possibile prevedere i guasti delle flotte di veicoli utilizzando i sensori dei veicoli e le informazioni sulla manutenzione con un modello di rete neurale convoluzionale. | [GitHub »](https://github.com/awslabs/aws-fleet-predictive-maintenance/) | | Manutenzione predittiva per la produzione | È possibile prevedere la vita utile residua di ciascun sensore formando un modello di [rete neurale LSTM bidirezionale in pila](https://arxiv.org/pdf/1801.02143.pdf) utilizzando le letture storiche dei sensori. | [GitHub »](https://github.com/awslabs/predictive-maintenance-using-machine-learning) | ## Previsione del tasso di abbandono Il tasso di abbandono dei clienti è un problema costoso che affligge un'ampia gamma di aziende. Nel tentativo di ridurre il tasso di abbandono, le aziende possono identificare i clienti che potrebbero abbandonare il servizio in modo da concentrare i propri sforzi sulla fidelizzazione. Utilizza una soluzione di previsione del JumpStart tasso di abbandono per analizzare fonti di dati come il comportamento degli utenti e i registri delle chat dell'assistenza clienti per identificare i clienti ad alto rischio di annullare un abbonamento o un servizio. | Nome della soluzione | Description | Nozioni di base | | --- | --- | --- | | Previsione del tasso di abbandono con testo | [Prevedi il tasso di abbandono utilizzando funzionalità numeriche, categoriali e testuali con l'encoder BERT e. [RandomForestClassifier](https://scikit-learn.org/stable/modules/generated/sklearn.ensemble.RandomForestClassifier.html)](https://huggingface.co/) | [GitHub »](https://github.com/awslabs/sagemaker-churn-prediction-text) | | Previsione del tasso di abbandono per i clienti della telefonia mobile | [Identifica i clienti di telefonia mobile infelici utilizzando l'intelligenza artificiale. SageMaker XGBoost](https://docs.aws.amazon.com/sagemaker/latest/dg/xgboost.html) | Trova in Amazon SageMaker Studio Classic. | ## Consigli personalizzati Puoi utilizzare JumpStart soluzioni per analizzare i grafici dell'identità dei clienti o le sessioni utente per comprendere e prevedere meglio il comportamento dei clienti. Utilizzare le seguenti soluzioni per ottenere consigli personalizzati, modellare l'identità del cliente su più dispositivi, determinare la probabilità che un cliente effettui un acquisto o creare un programma di video personalizzato basato sul comportamento passato del cliente. | Nome della soluzione | Description | Nozioni di base | | --- | --- | --- | | Risoluzione delle entità nei grafici di identità mediante la libreria di grafici profonda | È possibile eseguire il collegamento di entità tra dispositivi per la pubblicità online formando una [rete convoluzionale di grafici](https://arxiv.org/pdf/1703.06103.pdf) con una [libreria di grafici profonda](https://www.dgl.ai/). | [GitHub »](https://github.com/awslabs/sagemaker-graph-entity-resolution) | | Modellazione degli acquisti | Prevedi se un cliente effettuerà un acquisto addestrando un XGBoost modello di [SageMaker intelligenza artificiale](https://docs.aws.amazon.com/sagemaker/latest/dg/xgboost.html). | [GitHub »](https://github.com/awslabs/sagemaker-purchase-modelling) | | Sistema di raccomandazione personalizzato | Addestra e implementa un sistema di raccomandazione personalizzato che generi suggerimenti cinematografici per un cliente in base al comportamento passato utilizzando il Neural Collaborative Filtering nell'intelligenza artificiale. SageMaker | Trova in Amazon SageMaker Studio Classic. | ## Apprendimento per rinforzo L'apprendimento per rinforzo (RL) è un tipo di apprendimento che si basa sull'interazione con l'ambiente. Questo tipo di apprendimento viene utilizzato da un agente che deve apprendere il comportamento attraverso trial-and-error interazioni con un ambiente dinamico in cui l'obiettivo è massimizzare i premi a lungo termine che l'agente riceve come risultato delle sue azioni. Le ricompense vengono massimizzate scambiando le azioni esplorative che hanno ricompense incerte con lo sfruttamento di azioni che prevedono ricompense note. RL è ideale per risolvere problemi di ampia portata e complessi, come la gestione della catena di approvvigionamento, i sistemi HVAC, la robotica industriale, l'intelligenza artificiale dei giochi, i sistemi di dialogo e i veicoli autonomi. | Nome della soluzione | Description | Nozioni di base | | --- | --- | --- | | Apprendimento di rinforzo per i concorsi di intelligenza artificiale Battlesnake | Fornisci un flusso di lavoro di reinforcement learning per la formazione e l'inferenza con le competizioni di intelligenza artificiale. [BattleSnake](https://play.battlesnake.com/) | [GitHub »](https://github.com/awslabs/sagemaker-battlesnake-ai) | | Apprendimento di rinforzo distribuito per la sfida Procgen | Kit iniziale di apprendimento di rinforzo distribuito per la sfida di apprendimento di rinforzo [NeurIPS 2020 Procgen](https://www.aicrowd.com/challenges/neurips-2020-procgen-competition). | [GitHub »](https://github.com/aws-samples/sagemaker-rl-procgen-ray) | ## Sanità e scienze biologiche I medici e i ricercatori possono utilizzare JumpStart soluzioni per analizzare immagini mediche, informazioni genomiche e cartelle cliniche. | Nome della soluzione | Description | Nozioni di base | | --- | --- | --- | | Previsione della sopravvivenza al carcinoma polmonare | [Prevedi lo stato di sopravvivenza dei pazienti affetti da carcinoma polmonare non a piccole cellule con scansioni di tomografia computerizzata (TC) polmonare tridimensionale, dati genomici e cartelle cliniche utilizzando l'intelligenza artificiale. 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) | ## Prezzi di natura finanziaria Molte aziende modificano dinamicamente e con regolarità i prezzi per massimizzare i rendimenti. Utilizza le seguenti JumpStart soluzioni per casi d'uso di ottimizzazione dei prezzi, prezzi dinamici, prezzi delle opzioni o ottimizzazione del portafoglio. | Nome della soluzione | Description | Nozioni di base | | --- | --- | --- | | Ottimizzazione dei prezzi | È possibile stimare l'elasticità dei prezzi utilizzando Double Machine Learning (ML) per l'inferenza causale e la procedura di previsione [Prophet](https://facebook.github.io/prophet/). Utilizzare queste stime per ottimizzare i prezzi giornalieri. | Trova in Amazon SageMaker Studio Classic. | ## Inferenza causale I ricercatori possono utilizzare modelli di machine learning come le reti bayesiane per rappresentare dipendenze causali e trarre conclusioni causali basate sui dati. Utilizza la seguente JumpStart soluzione per comprendere la relazione causale tra l'applicazione di fertilizzanti a base di azoto e la resa delle colture di mais. | Nome della soluzione | Description | Nozioni di base | | --- | --- | --- | | Controfattuali sulla resa delle colture | È possibile generare un'analisi controfattuale della risposta del mais all'azoto. Questa soluzione apprende il ciclo fenologico delle colture nella sua interezza utilizzando immagini satellitari multispettrali e [osservazioni a livello del suolo.](https://www.sciencedirect.com/science/article/pii/S2352340921010283#tbl0001) | Trova in Amazon SageMaker Studio Classic. | # Lanciare una soluzione **Importante** A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’applicazione Studio Classic. Per informazioni sull’utilizzo dell’esperienza Studio aggiornata, consulta [Amazon SageMaker Studio](studio-updated.md). Studio Classic viene ancora mantenuto per i carichi di lavoro esistenti, ma non è più disponibile per l'onboarding. È possibile solo interrompere o eliminare le applicazioni Studio Classic esistenti e non è possibile crearne di nuove. Ti consigliamo di [migrare il tuo carico di lavoro alla nuova esperienza Studio](studio-updated-migrate.md). **Nota** JumpStart Le soluzioni sono disponibili solo in Studio Classic. Innanzitutto, scegli una soluzione tramite la pagina di SageMaker JumpStart destinazione nell'interfaccia utente di Amazon SageMaker Studio Classic. Per informazioni sui passaggi di onboarding per accedere ad Amazon SageMaker Studio Classic, consulta [Onboard to Amazon SageMaker AI domain](https://docs.aws.amazon.com/sagemaker/latest/dg/gs-studio-onboard.html). Per i dettagli su come accedere alla pagina di SageMaker JumpStart destinazione, consulta. [Apri e usa JumpStart in Studio Classic](studio-jumpstart.md#jumpstart-open-use) Dopo aver scelto una soluzione, si apre la scheda della soluzione con una descrizione della soluzione e il pulsante `Launch`. Per avviare una soluzione, seleziona `Launch` nella sezione **Avvia soluzione**. JumpStart quindi crea tutte le risorse necessarie per eseguire la soluzione. Questo processo include l’addestramento e le istanze di hosting dei modelli. ## Parametri avanzati La soluzione scelta può contenere parametri avanzati selezionabili. Scegliete **Parametri avanzati** per specificare il AWS Identity and Access Management ruolo della soluzione. Le soluzioni sono in grado di avviare risorse su 9 AWS servizi che interagiscono tra loro. Affinché la soluzione funzioni come previsto, i componenti appena creati da un servizio devono essere in grado di agire sui componenti appena creati da un altro servizio. È consigliabile utilizzare il ruolo IAM predefinito per assicurarsi che vengano aggiunte tutte le autorizzazioni necessarie. Per ulteriori informazioni sui ruoli IAM, consultare [AWS Identity and Access Management per Amazon SageMaker AI](security-iam.md). **Ruolo IAM predefinito** Se si seleziona questa opzione vengono utilizzati i ruoli IAM predefiniti richiesti da questa soluzione. Ogni soluzione richiede risorse diverse. L'elenco seguente descrive i ruoli predefiniti utilizzati per le soluzioni basate sul servizio necessario. Per una descrizione delle autorizzazioni richieste per ogni servizio, vedere[AWS Politiche gestite per SageMaker progetti e JumpStart](security-iam-awsmanpol-sc.md). + **Gateway API** — AmazonSageMakerServiceCatalogProductsApiGatewayRole + **CloudFormation** – AmazonSageMakerServiceCatalogProductsCloudformationRole + **CodeBuild** – AmazonSageMakerServiceCatalogProductsCodeBuildRole + **CodePipeline** – AmazonSageMakerServiceCatalogProductsCodePipelineRole + **Eventi** – AmazonSageMakerServiceCatalogProductsEventsRole + **Firehose** — AmazonSageMakerServiceCatalogProductsFirehoseRole + **Glue** — AmazonSageMakerServiceCatalogProductsGlueRole + **Lambda** – AmazonSageMakerServiceCatalogProductsLambdaRole + **SageMaker AI** — AmazonSageMakerServiceCatalogProductsExecutionRole Se utilizzi un nuovo dominio SageMaker AI con i modelli di JumpStart progetto abilitati, questi ruoli vengono creati automaticamente nel tuo account. Se utilizzi un dominio SageMaker AI esistente, questi ruoli potrebbero non esistere nel tuo account. In tal caso, all'avvio della soluzione si riceverà il seguente errore. ``` 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. ``` È comunque possibile avviare una soluzione senza il ruolo necessario, ma il ruolo predefinito legacy `AmazonSageMakerServiceCatalogProductsUseRole` viene utilizzato al posto del ruolo necessario. Il ruolo predefinito precedente intrattiene relazioni di fiducia con tutti i servizi con cui JumpStart le soluzioni devono interagire. Per una maggiore sicurezza, ti consigliamo di aggiornare il dominio in modo da avere i ruoli predefiniti appena creati per ogni AWS servizio. Se hai già effettuato l'onboarding a un dominio SageMaker AI, puoi aggiornare il dominio per generare i ruoli predefiniti utilizzando la seguente procedura. 1. Apri la console Amazon SageMaker AI all'indirizzo [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/). 1. Scegliere **Pannello di controllo** nella parte superiore sinistra della pagina. 1. Nella pagina **Dominio**, scegliere l’icona **Impostazioni** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/icons/Settings_squid.png)) per modificare le impostazioni del dominio. 1. In **Impostazioni generali** scegliere **Avanti**. 1. In **SageMaker Progetti e JumpStart** seleziona **Abilita i modelli di SageMaker progetto Amazon e Amazon SageMaker JumpStart per questo account** e **Abilita i modelli di SageMaker progetto Amazon e gli utenti Amazon SageMaker JumpStart for Studio Classic**, scegli **Avanti**. 1. Selezionare **Invia**. Dovresti essere in grado di vedere i ruoli predefiniti elencati in **Projects - Modelli di SageMaker progetto Amazon abilitati per questo account** nella scheda **Apps - Studio**. **Trova il ruolo IAM** Selezionando questa opzione è necessario selezionare un ruolo IAM esistente dall'elenco a discesa per ciascuno dei servizi richiesti. Il ruolo selezionato deve avere almeno le autorizzazioni minime richieste per il servizio corrispondente. Per una descrizione delle autorizzazioni richieste per ogni servizio, vedere[AWS Politiche gestite per SageMaker progetti e JumpStart](security-iam-awsmanpol-sc.md). **Inserisci ruolo IAM** Selezionando questa opzione è necessario inserire manualmente l'ARN per un ruolo IAM esistente. Il ruolo selezionato deve avere almeno le autorizzazioni minime richieste per il servizio corrispondente. Per una descrizione delle autorizzazioni richieste per ogni servizio, vedere[AWS Politiche gestite per SageMaker progetti e JumpStart](security-iam-awsmanpol-sc.md). # SageMaker JumpStart Settore Amazon: Finanziario Usa SageMaker JumpStart Industry: Financial Solutions, modelli e taccuini di esempio per conoscere le caratteristiche e le capacità dell' SageMaker IA attraverso soluzioni curate in un'unica fase e taccuini di esempio di problemi di machine learning (ML) incentrati sul settore. I taccuini spiegano anche come utilizzare l'Industry SageMaker JumpStart Python SDK per migliorare i dati di testo del settore e ottimizzare i modelli preaddestrati. **Topics** + [ ## SDK Python per Amazon SageMaker JumpStart Industry ](#studio-jumpstart-industry-pysdk) + [ ## Amazon SageMaker JumpStart Industry: soluzione finanziaria ](#studio-jumpstart-industry-solutions) + [ ## Amazon SageMaker JumpStart Industry: modelli finanziari ](#studio-jumpstart-industry-models) + [ ## Amazon SageMaker JumpStart Industry: quaderni di esempio finanziari ](#studio-jumpstart-industry-examples) + [ ## Amazon SageMaker JumpStart Industry: post sui blog finanziari ](#studio-jumpstart-industry-blogs) + [ ## Amazon SageMaker JumpStart Industry: ricerca finanziaria ](#studio-jumpstart-industry-research) + [ ## Amazon SageMaker JumpStart Industry: risorse finanziarie aggiuntive ](#studio-jumpstart-industry-resources) ## SDK Python per Amazon SageMaker JumpStart Industry SageMaker Runtime JumpStart fornisce strumenti di elaborazione per la cura dei set di dati di settore e l'ottimizzazione di modelli preaddestrati tramite la sua libreria client denominata Industry Python SDK. SageMaker JumpStart Per una documentazione dettagliata sull'API dell'SDK e per saperne di più sull'elaborazione e il miglioramento dei set di dati di testo di settore per migliorare le prestazioni dei state-of-the-art modelli su SageMaker JumpStart, consulta la documentazione open source di Industry [SageMaker JumpStartPython SDK](https://sagemaker-jumpstart-industry-pack.readthedocs.io). ## Amazon SageMaker JumpStart Industry: soluzione finanziaria SageMaker JumpStart Settore: Financial fornisce i seguenti notebook con soluzioni: + **Previsione del rating creditizio aziendale** Questa soluzione SageMaker JumpStart Industria: Finanziaria fornisce un modello per un modello di rating del credito aziendale arricchito da testo. Mostra come utilizzare un modello basato su caratteristiche numeriche (in questo caso, i famosi 5 indici finanziari di Altman) combinato con testi tratti dai documenti della SEC per ottenere un miglioramento nella previsione dei rating del credito. Oltre ai 5 rapporti Altman, è possibile aggiungere altre variabili in base alle esigenze o impostare variabili personalizzate. Questo notebook sulla soluzione mostra come SageMaker JumpStart Industry Python SDK aiuta a elaborare il punteggio NLP (Natural Language Processing) dei testi dai file SEC. Inoltre, la soluzione dimostra come addestrare un modello utilizzando il set di dati avanzato per realizzare un modello, implementare il best-in-class modello su un endpoint di SageMaker intelligenza artificiale per la produzione e ricevere previsioni migliorate in tempo reale. + **Punteggio creditizio basato su grafici ** I rating del credito sono tradizionalmente generati utilizzando modelli che utilizzano dati di rendiconto finanziario e dati di mercato, che sono solo tabulari (numerici e categorici). Questa soluzione crea una rete di aziende utilizzando i [documenti SEC](https://www.sec.gov/edgar/searchedgar/companysearch.html) e mostra come utilizzare la rete di relazioni aziendali con dati tabulari per generare previsioni di rating accurate. Questa soluzione illustra una metodologia che utilizza i dati sulle relazioni tra imprese per estendere i modelli di credit scoring tradizionalmente basati su tabelle, utilizzati dal settore del rating da decenni, alla classe dei modelli di machine learning sulle reti. **Nota** I notebook delle soluzioni sono solo a scopo dimostrativo. Non si deve fare affidamento su di essi come consulenza finanziaria o di investimento. Puoi trovare queste soluzioni di servizi finanziari nella pagina di Studio Classic. SageMaker JumpStart **Importante** A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’applicazione Studio Classic. Per informazioni sull’utilizzo dell’esperienza Studio aggiornata, consulta [Amazon SageMaker Studio](studio-updated.md). Studio Classic viene ancora mantenuto per i carichi di lavoro esistenti, ma non è più disponibile per l'onboarding. È possibile solo interrompere o eliminare le applicazioni Studio Classic esistenti e non è possibile crearne di nuove. Ti consigliamo di [migrare il tuo carico di lavoro alla nuova esperienza Studio](studio-updated-migrate.md). **Nota** Il SageMaker JumpStart settore: le soluzioni finanziarie, le schede modello e i notebook di esempio sono ospitati ed eseguibili solo tramite Studio Classic. SageMaker Accedi alla [console SageMaker AI e avvia Studio Classic](https://console.aws.amazon.com/sagemaker). SageMaker Per ulteriori informazioni su come trovare la scheda della soluzione, consulta l'argomento precedente all'indirizzo [SageMaker JumpStart](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-jumpstart.html). ## Amazon SageMaker JumpStart Industry: modelli finanziari SageMaker JumpStart Settore: Financial fornisce i seguenti modelli di [approccio BERT (RoBERTa) preaddestrati e ottimizzati](https://arxiv.org/pdf/1907.11692.pdf): + **Incorporamento di testi finanziari (Ro -sec-Base) BERTa** + **RoBERTa-SEC-WIKI-Base ** + **RoBERTa-SEC-Large ** + **RoBERTa-SEC-WIKI-Large ** RoBERTa-SEC-LargeI modelli RoBERTa-SEC-Base and sono modelli di inserimento del testo basati sul [BERTa modello Ro di GluonNLP e preformati sui report S&P 500 SEC 10-K/10-Q del](https://nlp.gluon.ai/api/model.html#gluonnlp.model.RoBERTaModel) decennio 2010 (dal 2010 al 2019). Oltre a questi, SageMaker AI JumpStart Industry: Financial fornisce altre due BERTa varianti di Ro, che sono preimpostate sui documenti della SEC RoBERTa-SEC-WIKI-Base e sui testi comuni di RoBERTa-SEC-WIKI-Large Wikipedia. **Puoi trovare questi modelli SageMaker JumpStart accedendo al nodo Modelli di **testo, scegliendo Esplora tutti i modelli** **di testo** e quindi filtrando per ML Task Text Embedding.** È possibile accedere a tutti i notebook corrispondenti dopo aver selezionato il modello desiderato. I notebook abbinati ti spiegheranno come ottimizzare i modelli preaddestrati per attività di classificazione specifiche su set di dati multimodali, che sono migliorati dall'Industry Python SDK. SageMaker JumpStart **Nota** I notebook dei modelli sono solo a scopo dimostrativo. Non si deve fare affidamento su di essi come consulenza finanziaria o di investimento. La schermata seguente mostra le schede modello preconfigurate fornite tramite la pagina AI di Studio Classic. SageMaker JumpStart ![\[Le schede modello preaddestrate fornite tramite la JumpStart pagina SageMaker AI di Studio Classic.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/jumpstart/jumpstart-finance-models.png) **Nota** Il SageMaker JumpStart settore: le soluzioni finanziarie, le schede modello e i notebook di esempio sono ospitati ed eseguibili solo tramite Studio Classic. SageMaker Accedi alla [console SageMaker AI e avvia Studio Classic](https://console.aws.amazon.com/sagemaker). SageMaker Per ulteriori informazioni su come trovare i modelli di schede, consulta l'argomento precedente all'indirizzo [SageMaker JumpStart](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-jumpstart.html). ## Amazon SageMaker JumpStart Industry: quaderni di esempio finanziari SageMaker JumpStart Settore: Financial fornisce i seguenti taccuini di esempio per illustrare le soluzioni ai problemi di machine learning incentrati sul settore: + **Financial TabText Data Construction**: questo esempio introduce come utilizzare l' SageMaker JumpStart Industry Python SDK per l'elaborazione dei documenti SEC, come il riepilogo del testo e i testi di punteggio basati sui tipi di punteggio NLP e sugli elenchi di parole corrispondenti. Per visualizzare in anteprima il contenuto di questo notebook, consulta [Simple Construction of a Multimodal Dataset from SEC Filings and NLP Scores](https://sagemaker-jumpstart-industry-pack.readthedocs.io/en/latest/notebooks/finance/notebook1/SEC_Retrieval_Summarizer_Scoring.html). + **ML multimodale sui TabText dati**: questo esempio mostra come unire diversi tipi di set di dati in un unico dataframe chiamato ed eseguire ML multimodale. TabText Per un'anteprima del contenuto di questo taccuino, consulta [Machine Learning on a TabText Dataframe: un esempio basato sul Paycheck](https://sagemaker-jumpstart-industry-pack.readthedocs.io/en/latest/notebooks/finance/notebook2/PPP_TabText_ML.html) Protection Program. + **ML multicategoria sui dati dei documenti SEC**: questo esempio mostra come addestrare un modello AutoGluon NLP sui set di dati multimodali (TabText) selezionati dai documenti SEC per un'attività di classificazione multiclasse. [Classifica i documenti SEC 10K/Q in base ai codici di settore in base alla colonna di testo MDNA](https://sagemaker-jumpstart-industry-pack.readthedocs.io/en/latest/notebooks/finance/notebook3/SEC_MNIST_ML.html). **Nota** I notebook di esempio sono solo a scopo dimostrativo. Non si deve fare affidamento su di essi come consulenza finanziaria o di investimento. **Nota** Il SageMaker JumpStart settore: le soluzioni finanziarie, le schede modello e i notebook di esempio sono ospitati ed eseguibili solo tramite Studio Classic. SageMaker Accedi alla [console SageMaker AI e avvia Studio Classic](https://console.aws.amazon.com/sagemaker). SageMaker Per ulteriori informazioni su come trovare i taccuini di esempio, consulta l'argomento precedente all'indirizzo. [SageMaker JumpStart](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-jumpstart.html) *Per visualizzare in anteprima il contenuto dei taccuini di esempio, consulta la documentazione dell'SDK Python [Tutorials — Finance in](https://sagemaker-jumpstart-industry-pack.readthedocs.io/en/latest/notebooks/index.html) the Industry SageMaker JumpStart Python.* ## Amazon SageMaker JumpStart Industry: post sui blog finanziari Per applicazioni complete sull'utilizzo di SageMaker JumpStart Industry: soluzioni finanziarie, modelli, esempi e SDK, consulta i seguenti post di blog: + [Utilizza modelli linguistici finanziari preformati per trasferire l'apprendimento in Amazon SageMaker JumpStart](https://aws.amazon.com/blogs/machine-learning/use-pre-trained-financial-language-models-for-transfer-learning-in-amazon-sagemaker-jumpstart/) + [Usa il testo SEC per la classificazione delle valutazioni utilizzando il machine learning multimodale in Amazon SageMaker JumpStart](https://aws.amazon.com/blogs/machine-learning/use-sec-text-for-ratings-classification-using-multimodal-ml-in-amazon-sagemaker-jumpstart/) + [Crea una dashboard con testo SEC per la PNL finanziaria in Amazon SageMaker JumpStart](https://aws.amazon.com/blogs/machine-learning/create-a-dashboard-with-sec-text-for-financial-nlp-in-amazon-sagemaker-jumpstart/) + [Crea un classificatore di rating del credito aziendale utilizzando l'apprendimento automatico a grafici in Amazon SageMaker JumpStart](https://aws.amazon.com/blogs/machine-learning/build-a-corporate-credit-ratings-classifier-using-graph-machine-learning-in-amazon-sagemaker-jumpstart/) + [Adattamento al dominio Ottimizzazione dei modelli Foundation in Amazon sui dati finanziari 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: ricerca finanziaria Per ricerche relative a SageMaker JumpStart Industria: soluzioni finanziarie, consulta i seguenti documenti: + [Contesto, modellazione del linguaggio e dati multimodali nel settore finanziario](https://www.pm-research.com/content/iijjfds/3/3/52) + [Machine Learning multimodale per la modellazione del credito](https://www.amazon.science/publications/multimodal-machine-learning-for-credit-modeling) + [Sulla mancanza di una solida interpretabilità dei classificatori di testo neurale](https://www.amazon.science/publications/on-the-lack-of-robust-interpretability-of-neural-text-classifiers) + [FinLex: Un uso efficace degli incorporamenti di testi per la generazione di lessici finanziari](https://www.sciencedirect.com/science/article/pii/S2405918821000131) ## Amazon SageMaker JumpStart Industry: risorse finanziarie aggiuntive Per ulteriori tutorial e documentazione consulta le seguenti risorse: + [Il SageMaker JumpStart settore: Financial Python SDK](https://pypi.org/project/smjsindustry/) + [SageMaker JumpStart Settore: Tutorial sull'SDK in Python finanziario](https://sagemaker-jumpstart-industry-pack.readthedocs.io/en/latest/notebooks/index.html#) + [Il SageMaker JumpStart settore: archivio finanziario GitHub ](https://github.com/aws/sagemaker-jumpstart-industry-pack/) + [Guida introduttiva ad Amazon SageMaker AI - Tutorial di Machine Learning](https://aws.amazon.com/sagemaker/getting-started/)