Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich. # Amazon SageMaker JumpStart im Studio Classic Studio Classic **Wichtig** Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich konkret auf die Verwendung der Studio-Classic-Anwendung. Informationen zur Verwendung der aktualisierten Studio-Konfiguration finden Sie unter [Amazon SageMaker Studio](studio-updated.md). Studio Classic wird weiterhin für bestehende Workloads beibehalten, ist aber nicht mehr für das Onboarding verfügbar. Sie können nur bestehende Studio Classic-Anwendungen beenden oder löschen und keine neuen erstellen. Wir empfehlen Ihnen, [Ihren Workload auf das neue Studio-Erlebnis zu migrieren](studio-updated-migrate.md). Die folgenden JumpStart Funktionen sind nur in Amazon SageMaker Studio Classic verfügbar. + [Aufgabenspezifische Modelle](jumpstart-models.md) + [Gemeinsam genutzte Modelle und Notebooks](jumpstart-content-sharing.md) + [End-to-end JumpStart Lösungsvorlagen](jumpstart-solutions.md) + [SageMaker JumpStart Amazon-Branche: Finanzen](studio-jumpstart-industry.md) # Aufgabenspezifische Modelle JumpStart unterstützt aufgabenspezifische Modelle für fünfzehn der gängigsten Problemtypen. Von den unterstützten Problemtypen sind insgesamt dreizehn Vision- und NLP-bezogen. Es gibt acht Problemtypen, die inkrementelles Training und Feinabstimmung unterstützen. [Weitere Informationen zu inkrementellem Training und Hyperparameter-Tuning finden Sie unter SageMaker AI Automatic Model Tuning.](https://docs.aws.amazon.com/sagemaker/latest/dg/automatic-model-tuning.html) JumpStart unterstützt außerdem vier beliebte Algorithmen für die tabellarische Datenmodellierung. Sie können Modelle von der JumpStart Landingpage in Studio oder Studio Classic aus suchen und durchsuchen. Wenn Sie ein Modell auswählen, enthält die Modelldetailseite Informationen über das Modell. Zudem können Sie Ihr Modell in wenigen Schritten trainieren und bereitstellen. Im Beschreibungsabschnitt wird beschrieben, wie Sie das Modell nutzen können, welche Arten von Eingaben und Ausgaben zu erwarten sind und welcher Datentyp für die Optimierung Ihres Modells benötigt wird. Sie können Modelle auch programmgesteuert mit dem [SageMaker Python-SDK](https://sagemaker.readthedocs.io/en/stable/overview.html#use-prebuilt-models-with-sagemaker-jumpstart) verwenden. Eine Liste aller verfügbaren Modelle finden Sie in der Tabelle mit [JumpStartverfügbaren Modellen.](https://sagemaker.readthedocs.io/en/v2.132.0/doc_utils/pretrainedmodels.html) Die Liste der Problemtypen und Links zu ihren Beispiel-Jupyter-Notebooks sind in der folgenden Tabelle zusammengefasst. | Problemtypen | Unterstützt Inferenz mit vortrainierten Modellen | Mit einem benutzerdefinierten Datensatz trainierbar | Unterstützte Frameworks | Beispiel-Notebooks | | --- | --- | --- | --- | --- | | Bildklassifizierung | Ja | Ja | PyTorch, TensorFlow | [Einführung in die JumpStart Bildklassifizierung](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_image_classification/Amazon_JumpStart_Image_Classification.ipynb) | | Objekterkennung | Ja | Ja | PyTorch, TensorFlow, MXNet | [Einführung in die JumpStart Objekterkennung](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_object_detection/Amazon_JumpStart_Object_Detection.ipynb) | | Semantische Segmentierung | Ja | Ja | MXNet | [Einführung in die JumpStart Semantische Segmentierung](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_semantic_segmentation/Amazon_JumpStart_Semantic_Segmentation.ipynb) | | Instance-Segmentierung | Ja | Ja | MXNet | [Einführung in die JumpStart Instanzsegmentierung](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_instance_segmentation/Amazon_JumpStart_Instance_Segmentation.ipynb) | | Einbettung von Bildern | Ja | Nein | TensorFlow, MXNet | [Einführung in das JumpStart Einbetten von Bildern](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_image_embedding/Amazon_JumpStart_Image_Embedding.ipynb) | | Textklassifizierung | Ja | Ja | TensorFlow | [Einführung in die JumpStart Textklassifikation](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_text_classification/Amazon_JumpStart_Text_Classification.ipynb) | | Klassifizierung von Satzpaaren | Ja | Ja | TensorFlow, Hugging Face | [Einführung in die Klassifikation von JumpStart Satzpaaren](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_sentence_pair_classification/Amazon_JumpStart_Sentence_Pair_Classification.ipynb) | | Beantwortung von Fragen | Ja | Ja | PyTorch, Hugging Face | [Einführung in JumpStart — Beantwortung von Fragen](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_question_answering/Amazon_JumpStart_Question_Answering.ipynb) | | Erkennung benannter Entitäten | Ja | Nein | Hugging Face | [Einführung in JumpStart — Erkennung benannter Entitäten](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_named_entity_recognition/Amazon_JumpStart_Named_Entity_Recognition.ipynb) | | Textzusammenfassung | Ja | Nein | Hugging Face | [Einführung in JumpStart — Textzusammenfassung](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_text_summarization/Amazon_JumpStart_Text_Summarization.ipynb) | | Textgenerierung | Ja | Nein | Hugging Face | [Einführung in JumpStart — Textgenerierung](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_text_generation/Amazon_JumpStart_Text_Generation.ipynb) | | Maschinelle Übersetzung | Ja | Nein | Hugging Face | [Einführung in JumpStart — Maschinelle Übersetzung](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_machine_translation/Amazon_JumpStart_Machine_Translation.ipynb) | | Texteinbettung | Ja | Nein | TensorFlow, MXNet | [Einführung in JumpStart — Texteinbettung](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_text_embedding/Amazon_JumpStart_Text_Embedding.ipynb) | | Tabellarische Klassifikation | Ja | Ja | LightGBM,,, AutoGluon -Tabellarisch CatBoost XGBoost, Linear Learner TabTransformer | [Einführung in - Tabellarische Klassifikation JumpStart - LightGBM, CatBoost](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/lightgbm_catboost_tabular/Amazon_Tabular_Classification_LightGBM_CatBoost.ipynb) [Einführung in JumpStart - Tabellarische Klassifikation -, 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) [Einführung in JumpStart — Tabellarische Klassifikation — Lernende AutoGluon](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/autogluon_tabular/Amazon_Tabular_Classification_AutoGluon.ipynb) [Einführung in JumpStart — Tabellarische Klassifikation — Lernende TabTransformer](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/tabtransformer_tabular/Amazon_Tabular_Classification_TabTransformer.ipynb) | | Tabellarische Regression | Ja | Ja | LightGBM,,, CatBoost -Tabellarisch XGBoost, Linearer AutoGluon Lerner TabTransformer | [Einführung in - Tabellarische Regression JumpStart - LightGBM, CatBoost](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/lightgbm_catboost_tabular/Amazon_Tabular_Regression_LightGBM_CatBoost.ipynb) [Einführung in JumpStart — Tabellarische Regression —, 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) [Einführung in JumpStart — Tabellarische Regression — Lernender AutoGluon ](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/autogluon_tabular/Amazon_Tabular_Regression_AutoGluon.ipynb) [Einführung in JumpStart — Tabellarische Regression — Lernender TabTransformer](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/tabtransformer_tabular/Amazon_Tabular_Regression_TabTransformer.ipynb) | # Bereitstellen eines Modells Wenn Sie ein Modell von bereitstellen JumpStart, hostet SageMaker KI das Modell und stellt einen Endpunkt bereit, den Sie für Inferenzen verwenden können. JumpStart bietet auch ein Beispiel-Notizbuch, mit dem Sie nach der Bereitstellung auf das Modell zugreifen können. **Wichtig** Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich konkret auf die Verwendung der Studio-Classic-Anwendung. Informationen zur Verwendung der aktualisierten Studio-Konfiguration finden Sie unter [Amazon SageMaker Studio](studio-updated.md). Studio Classic wird weiterhin für bestehende Workloads beibehalten, ist aber nicht mehr für das Onboarding verfügbar. Sie können nur bestehende Studio Classic-Anwendungen beenden oder löschen und keine neuen erstellen. Wir empfehlen Ihnen, [Ihren Workload auf das neue Studio-Erlebnis zu migrieren](studio-updated-migrate.md). **Anmerkung** Weitere Informationen zur JumpStart Modellbereitstellung in Studio finden Sie unter [Bereitstellen eines Modells in Studio](jumpstart-foundation-models-use-studio-updated-deploy.md) ## Modell-Bereitstellungskonfiguration Nachdem Sie ein Modell ausgewählt haben, wird die Registerkarte des Modells geöffnet. Wählen Sie im Bereich **Modell bereitstellen** die Option **Bereitstellungskonfiguration** aus, um die Modellbereitstellung zu konfigurieren. ![\[The Deploy Model pane.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/jumpstart/jumpstart-deploy.png) Der Standard-Instance-Typ für die Bereitstellung eines Modells hängt vom Modell ab. Der Instance-Typ ist die Hardware, auf der der Trainingsauftrag ausgeführt wird. Im folgenden Beispiel ist die Instance `ml.p2.xlarge` die Standard-Instance für dieses spezielle BERT-Modell. Sie können auch den Endpunktnamen ändern, `key;value` Ressourcen-Tags hinzufügen, das `jumpstart-` Präfix für alle JumpStart Ressourcen im Zusammenhang mit dem Modell aktivieren oder deaktivieren und einen Amazon S3 S3-Bucket zum Speichern von Modellartefakten angeben, die von Ihrem SageMaker KI-Endpunkt verwendet werden. ![\[JumpStart Deploy Model pane with Deployment Configuration open to select its settings.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/jumpstart/jumpstart-deploy-config.png) Wählen Sie **Sicherheitseinstellungen**, um die AWS Identity and Access Management (IAM) -Rolle, Amazon Virtual Private Cloud (Amazon VPC) und die Verschlüsselungsschlüssel für das Modell anzugeben. ![\[JumpStart Deploy Model pane with Security Settings open to select its settings.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/jumpstart/jumpstart-deploy-security.png) ## Sicherheit bei der Modellbereitstellung Wenn Sie ein Modell mit bereitstellen JumpStart, können Sie eine IAM-Rolle, Amazon VPC und Verschlüsselungsschlüssel für das Modell angeben. Wenn Sie keine Werte für diese Einträge angeben: Die Standard-IAM-Rolle ist Ihre Studio-Classic-Laufzeitrolle; Standardverschlüsselung wird verwendet; es wird keine Amazon VPC verwendet. ### IAM role (IAM-Rolle) Sie können eine IAM-Rolle auswählen, die im Rahmen von Schulungs- und Hosting-Jobs übergeben wird. SageMaker KI verwendet diese Rolle, um auf Trainingsdaten und Modellartefakte zuzugreifen. Wenn Sie keine IAM-Rolle auswählen, stellt SageMaker KI das Modell mithilfe Ihrer Studio Classic-Laufzeitrolle bereit. Weitere Informationen zu IAM-Rollen finden Sie unter [AWS Identity and Access Management für Amazon SageMaker AI](security-iam.md). Die Rolle, die Sie übergeben, muss Zugriff auf die Ressourcen haben, die das Modell benötigt, und muss alle der folgenden Elemente enthalten. + Für Trainingsjobs: [CreateTrainingJob API: Berechtigungen für die Ausführungsrolle](https://docs.aws.amazon.com//sagemaker/latest/dg/sagemaker-roles.html#sagemaker-roles-createtrainingjob-perms). + Für das Hosten von Jobs: [CreateModel API: Berechtigungen für die Ausführungsrolle](https://docs.aws.amazon.com//sagemaker/latest/dg/sagemaker-roles.html#sagemaker-roles-createmodel-perms). **Anmerkung** Sie können die Amazon-S3-Berechtigungen, die in jeder der folgenden Rollen gewährt wurden, eingrenzen. Verwenden Sie dazu den ARN Ihres Amazon Simple Storage Service (Amazon S3) -Buckets und des JumpStart Amazon S3-Buckets. ``` [ { "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": [ "*" ] }, ] } ``` **IAM-Rolle finden** Wenn Sie diese Option auswählen, müssen Sie aus der Dropdown-Liste eine vorhandene IAM-Rolle auswählen. ![\[JumpStart Security Settings IAM section with Find IAM role selected.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/jumpstart/jumpstart-deploy-security-findiam.png) **Eingabe-IAM-Rolle** Wenn Sie diese Option auswählen, müssen Sie den ARN für eine bestehende IAM-Rolle manuell eingeben. Wenn Ihre Studio-Classic-Laufzeitrolle oder Amazon VPC den `iam:list* `-Aufruf blockieren, müssen Sie diese Option verwenden, um eine vorhandene IAM-Rolle zu verwenden. ![\[JumpStart Security Settings IAM section with Input IAM role selected.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/jumpstart/jumpstart-deploy-security-inputiam.png) ### Amazon VPC Alle JumpStart Modelle werden im Netzwerkisolationsmodus ausgeführt. Nachdem der Modellcontainer erstellt wurde, können keine weiteren Aufrufe mehr getätigt werden. Sie können eine Amazon-VPC auswählen, die im Rahmen von Schulungsjobs und Hosting-Jobs bestanden wurde. SageMaker KI verwendet diese Amazon VPC, um Ressourcen aus Ihrem Amazon S3 S3-Bucket zu übertragen und abzurufen. Diese Amazon VPC unterscheidet sich von der Amazon VPC, die den Zugriff auf das öffentliche Internet von Ihrer Studio-Classic-Instance aus einschränkt. Weitere Informationen über die Studio Classic Amazon VPC finden Sie unter [Verbinden von Studio-Notebooks in einer VPC mit externen Ressourcen](studio-notebooks-and-internet-access.md). Die Amazon VPC, die Sie übergeben, benötigt keinen Zugriff auf das öffentliche Internet, aber sie benötigt Zugriff auf Amazon S3. Der Amazon VPC-Endpunkt für Amazon S3 muss mindestens Zugriff auf die folgenden Ressourcen gewähren, die für das Modell benötigt werden. ``` { "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/*" ] } ``` Wenn Sie keine Amazon VPC auswählen, wird keine Amazon VPC verwendet. **VPC suchen** Wenn Sie diese Option auswählen, müssen Sie eine bestehende Amazon VPC aus der Dropdown-Liste auswählen. Nachdem Sie eine Amazon VPC ausgewählt haben, müssen Sie ein Subnetz und eine Sicherheitsgruppe für Ihre Amazon VPC auswählen. Weitere Informationen zu Subnetzen und Sicherheitsgruppen finden Sie unter [Übersicht über Subnetze VPCs und](https://docs.aws.amazon.com//vpc/latest/userguide/VPC_Subnets.html) Sicherheitsgruppen. ![\[JumpStart Security Settings VPC section with Find VPC selected.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/jumpstart/jumpstart-deploy-security-findvpc.png) **VPC eingeben** Wenn Sie diese Option wählen, müssen Sie das Subnetz und die Sicherheitsgruppe, aus denen Ihre Amazon VPC besteht, manuell auswählen. Wenn Ihre Studio-Classic-Laufzeitrolle oder Amazon VPC den `ec2:list*`-Aufruf blockiert, müssen Sie diese Option verwenden, um das Subnetz und die Sicherheitsgruppe auszuwählen. ![\[JumpStart Security Settings VPC section with Input VPC selected.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/jumpstart/jumpstart-deploy-security-inputvpc.png) ### Verschlüsselungsschlüssel Sie können einen AWS KMS Schlüssel auswählen, der im Rahmen von Schulungs- und Hosting-Jobs weitergegeben wird. SageMaker KI verwendet diesen Schlüssel, um das Amazon EBS-Volume für den Container und das neu verpackte Modell in Amazon S3 für das Hosten von Jobs und die Ausgabe für Trainingsjobs zu verschlüsseln. [Weitere Informationen zu AWS KMS Schlüsseln finden Sie unter AWS KMS Schlüssel.](https://docs.aws.amazon.com//kms/latest/developerguide/concepts.html#kms_keys) Der Schlüssel, den Sie übergeben, muss der IAM-Rolle vertrauen, die Sie übergeben. Wenn Sie keine IAM-Rolle angeben, muss der AWS KMS Schlüssel Ihrer Studio Classic-Laufzeitrolle vertrauen. Wenn Sie keinen AWS KMS Schlüssel auswählen, bietet SageMaker AI eine Standardverschlüsselung für die Daten im Amazon EBS-Volume und die Amazon S3 S3-Artefakte. **Verschlüsselungsschlüssel suchen** Wenn Sie diese Option auswählen, müssen Sie vorhandene AWS KMS Schlüssel aus der Drop-down-Liste auswählen. ![\[JumpStart Security Settings encryption section with Find encryption keys selected.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/jumpstart/jumpstart-deploy-security-findencryption.png) **Verschlüsselungsschlüssel eingeben** Wenn Sie diese Option auswählen, müssen Sie die AWS KMS Schlüssel manuell eingeben. Wenn Ihre Studio Classic-Ausführungsrolle oder Amazon VPC den `kms:list* ` Anruf blockieren, müssen Sie diese Option verwenden, um vorhandene AWS KMS Schlüssel auszuwählen. ![\[JumpStart Security Settings encryption section with Input encryption keys selected.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/jumpstart/jumpstart-deploy-security-inputencryption.png) ## Konfigurieren Sie Standardwerte für Modelle JumpStart Sie können Standardwerte für Parameter wie IAM-Rollen und KMS-Schlüssel konfigurieren VPCs, um sie für die JumpStart Modellbereitstellung und das Training vorab auszufüllen. Nach der Konfiguration der Standardwerte stellt die Benutzeroberfläche von Studio Classic automatisch Ihre angegebenen Sicherheitseinstellungen und Tags für JumpStart Modelle bereit, um Bereitstellungs- und Trainingsabläufe zu vereinfachen. Administratoren und Endbenutzer können die in einer Konfigurationsdatei angegebenen Standardwerte im YAML-Format initialisieren. Standardmäßig verwendet das SageMaker Python-SDK zwei Konfigurationsdateien: eine für den Administrator und eine für den Benutzer. Mithilfe der Administrator-Konfigurationsdatei können Administratoren eine Reihe von Standardwerten festlegen. Endbenutzer können die in der Administrator-Konfigurationsdatei festgelegten Werte überschreiben und mithilfe der Endbenutzer-Konfigurationsdatei zusätzliche Standardwerte festlegen. Weitere Informationen finden Sie unter [Standardspeicherort der Konfigurationsdatei](https://sagemaker.readthedocs.io/en/stable/overview.html#default-configuration-file-location). Das folgende Codebeispiel listet die Standardspeicherorte der Konfigurationsdateien auf, wenn Sie das SageMaker Python-SDK in Amazon SageMaker Studio Classic verwenden. ``` # Location of the admin config file /etc/xdg/sagemaker/config.yaml # Location of the user config file /root/.config/sagemaker/config.yaml ``` Die in der Benutzer-Konfigurationsdatei angegebenen Werte überschreiben die in der Administrator-Konfigurationsdatei festgelegten Werte. Die Konfigurationsdatei ist für jedes Benutzerprofil innerhalb einer Amazon SageMaker AI-Domain einzigartig. Die Studio-Classic-Anwendung des Benutzerprofils ist direkt mit dem Benutzerprofil verknüpft. Weitere Informationen finden Sie unter [Domain-Benutzerprofile](domain-user-profile.md). Administratoren können optional über `JupyterServer` Lebenszykluskonfigurationen Konfigurationsstandards für JumpStart Modelltraining und -bereitstellung festlegen. Weitere Informationen finden Sie unter [Eine Lebenszykluskonfiguration erstellen und mit Amazon SageMaker Studio Classic verknüpfen](studio-lcc-create.md). ### YAML-Datei für die Konfiguration von Standardwerten Ihre Konfigurationsdatei sollte der [Struktur der SageMaker Python-SDK-Konfigurationsdatei](https://sagemaker.readthedocs.io/en/stable/overview.html#configuration-file-structure) entsprechen. Beachten Sie, dass bestimmte Felder in den `EndpointConfig` Konfigurationen `TrainingJob``Model`, und für die Standardwerte für JumpStart Modelltraining und -bereitstellung gelten. ``` 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 ``` # Feinabstimmung eines Modells Durch die Feinabstimmung wird ein vortrainiertes Modell anhand eines neuen Datensatzes trainiert, ohne dass ein Training von Grund auf erforderlich ist. Dieser Prozess, der auch als Transferlernen bezeichnet wird, kann genaue Modelle mit kleineren Datensätzen und weniger Trainingszeit erzeugen. **Die Feinabstimmung eines Modells ist möglich, wenn auf seiner Karte ein **optimierbares** Attribut angezeigt wird, das auf Ja** eingestellt ist. ![\[JumpStart fine-tunable Image Classification - TensorFlow model\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/jumpstart/jumpstart-finetune-model.png) **Wichtig** Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich konkret auf die Verwendung der Studio-Classic-Anwendung. Informationen zur Verwendung der aktualisierten Studio-Konfiguration finden Sie unter [Amazon SageMaker Studio](studio-updated.md). Studio Classic wird weiterhin für bestehende Workloads beibehalten, ist aber nicht mehr für das Onboarding verfügbar. Sie können nur bestehende Studio Classic-Anwendungen beenden oder löschen und keine neuen erstellen. Wir empfehlen Ihnen, [Ihren Workload auf das neue Studio-Erlebnis zu migrieren](studio-updated-migrate.md). **Anmerkung** Weitere Informationen zur JumpStart Modellfeinabstimmung in Studio finden Sie unter [Optimieren eines Modells in Studio](jumpstart-foundation-models-use-studio-updated-fine-tune.md) ## Feinabstimmung der Datenquelle Bei der Feinabstimmung eines Modells können Sie den Standarddatensatz verwenden oder eigene Daten auswählen, die sich in einem Amazon-S3-Bucket befinden. Um die Buckets zu durchsuchen, die Ihnen zur Verfügung stehen, wählen Sie **S3-Bucket suchen**. Diese Buckets sind durch die Berechtigungen beschränkt, die Sie bei der Einrichtung Ihres Studio-Classic-Kontos verwendet haben. Sie können auch eine Amazon-S3-URI angeben, indem Sie **Speicherort für Amazon-S3-Bucket eingeben** wählen. ![\[JumpStart data source settings with default dataset selected.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/jumpstart/jumpstart-dataset.png) **Tipp** Um herauszufinden, wie Sie die Daten in Ihrem Bucket formatieren, wählen Sie **Weitere Informationen**. Der Beschreibungsabschnitt für das Modell enthält detaillierte Informationen zu Eingaben und Ausgaben.  Für Textmodelle: + Der Bucket muss eine Datei data.csv haben. + Die erste Spalte muss eine eindeutige ganze Zahl für die Klassenbezeichnung sein. Beispiel: `1`, `2`, `3`, `4`, `n` + Die zweite Spalte muss eine Zeichenfolge enthalten. + Die zweite Spalte sollte den entsprechenden Text enthalten, der dem Typ und der Sprache des Modells entspricht.  Für Vision-Modelle: + Der Bucket muss so viele Unterverzeichnisse wie die Anzahl der Klassen haben. + Jedes Unterverzeichnis sollte Bilder im JPG-Format enthalten, die zu dieser Klasse gehören. **Anmerkung** Der Amazon S3 S3-Bucket muss sich in demselben Ordner befinden, in AWS-Region dem Sie SageMaker Studio Classic ausführen, da SageMaker KI keine regionsübergreifenden Anfragen zulässt. ## Feinabstimmung der Bereitstellungskonfiguration Die p3-Produktfamilie wird als schnellste Variante für Deep-Learning-Training empfohlen und wird auch für die Feinabstimmung eines Modells empfohlen. Das folgende Diagramm zeigt die Anzahl von GPUs in jedem Instance-Typ. Es gibt weitere verfügbare Optionen, aus denen Sie wählen können, darunter die Instance-Typen p2 und g4. | Instance-Typ | GPUs | | --- | --- | | p3.2xgroß | 1 | | p3.8xgroß | 4 | | p3.16xgroß | 8 | | p3dn.24xgroß | 8 | ## Hyperparameter Sie können die Hyperparameter des Trainingsauftrags anpassen, die zur Feinabstimmung des Modells verwendet werden. Die Hyperparameter, die für jedes optimierbare Modell verfügbar sind, unterscheiden sich je nach Modell. Informationen zu den einzelnen verfügbaren Hyperparametern finden Sie in der Hyperparameter-Dokumentation für das Modell Ihrer Wahl unter [Integrierte Algorithmen und vortrainierte Modelle in Amazon SageMaker](algos.md). Einzelheiten [Bildklassifizierung — TensorFlow Hyperparameter](IC-TF-Hyperparameter.md) zur Feinabstimmung der Bildklassifizierung — TensorFlow Hyperparameter finden Sie beispielsweise unter. Wenn Sie den Standarddatensatz für Textmodelle verwenden, ohne die Hyperparameter zu ändern, erhalten Sie als Ergebnis ein nahezu identisches Modell. Bei Vision-Modellen unterscheidet sich der Standarddatensatz von dem Datensatz, der zum Trainieren der vortrainierten Modelle verwendet wurde, sodass Ihr Modell daher anders ist. Die folgenden Hyperparameter sind in Modellen üblich: + **Epochen** – Eine Epoche ist ein Zyklus durch den gesamten Datensatz. Mehrere Intervalle formen einen Batch und mehrere Batches formen eine Epoche. Es werden mehrere Epochen durchgeführt, bis die Genauigkeit des Modells ein akzeptables Niveau erreicht hat oder wenn die Fehlerquote unter ein akzeptables Niveau fällt. + **Lernrate** – Der Umfang, um den Werte zwischen den Epochen geändert werden sollten. Während der Optimierung des Modells werden seine internen Gewichtungen angepasst und die Fehlerquoten überprüft, um festzustellen, ob sich das Modell verbessert. Eine typische Lernrate liegt bei 0,1 oder 0,01, wobei 0,01 eine viel geringere Anpassung darstellt und dazu führen kann, dass das Training lange dauert, bis das Training konvergiert, wohingegen 0,1 viel größer ist und zu einem Überschwingen des Trainings führen kann. Dies ist einer der wichtigsten Hyperparameter, die Sie für das Training Ihres Modells anpassen können. Beachten Sie, dass bei Textmodellen eine viel geringere Lernrate (5e-5 für BERT) zu einem genaueren Modell führen kann. + **Batchgröße** — Die Anzahl der Datensätze aus dem Datensatz, die für jedes Intervall ausgewählt werden sollen, das GPUs zum Training an den gesendet werden soll. Bei einem Bild könnten Sie beispielsweise 32 Bilder pro GPU senden, wobei 32 die Batchgröße wäre. Wenn Sie einen Instanztyp mit mehr als einer GPU wählen, wird der Stapel durch die Anzahl der geteilt GPUs. Die empfohlene Batchgröße variiert je nach den Daten und dem Modell, das Sie verwenden. Beispielsweise unterscheidet sich die Art und Weise, wie Sie für Bilddaten optimieren, von der Art und Weise, wie Sie mit Sprachdaten umgehen. In der Tabelle mit den Instanztypen im Abschnitt zur Bereitstellungskonfiguration können Sie die Anzahl der Instanztypen GPUs pro Instanztyp sehen. Beginnen Sie mit einer empfohlenen Standard-Batchgröße (z. B. 32 für ein Vision-Modell). Multiplizieren Sie diese Zahl dann mit der Anzahl von GPUs in dem Instanztyp, den Sie ausgewählt haben. Wenn Sie beispielsweise a `p3.8xlarge` verwenden, wäre dies 32 (Batchgröße) multipliziert mit 4 (GPUs), also insgesamt 128, da sich Ihre Batchgröße an die Anzahl von anpasst. GPUs Bei einem Textmodell wie BERT können Sie mit einer Batchgröße von 64 beginnen und diese dann nach Bedarf reduzieren. ## Trainingsausgaben Wenn der Feinabstimmungsprozess abgeschlossen ist, werden Informationen zum Modell JumpStart bereitgestellt: übergeordnetes Modell, Name des Schulungsauftrags, ARN des Schulungsauftrags, Trainingszeit und Ausgabepfad. Im Ausgabepfad finden Sie das neue Modell in einem Amazon-S3-Bucket. Die Ordnerstruktur verwendet den Modellnamen, den Sie angegeben haben. Die Modelldatei befindet sich in einem `/output`-Unterordner und heißt immer `model.tar.gz`.  Beispiel: `s3://bucket/model-name/output/model.tar.gz` ## Konfigurieren von Standardwerten für das Modelltraining Sie können Standardwerte für Parameter wie IAM-Rollen und KMS-Schlüssel konfigurieren VPCs, die für die JumpStart Modellbereitstellung und das Training vorab ausgefüllt werden. Weitere Informationen finden Sie unter [Konfigurieren Sie Standardwerte für Modelle JumpStart](jumpstart-deploy.md#jumpstart-config-defaults). # Freigeben von Modellen **Wichtig** Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich konkret auf die Verwendung der Studio-Classic-Anwendung. Informationen zur Verwendung der aktualisierten Studio-Konfiguration finden Sie unter [Amazon SageMaker Studio](studio-updated.md). Studio Classic wird weiterhin für bestehende Workloads beibehalten, ist aber nicht mehr für das Onboarding verfügbar. Sie können nur bestehende Studio Classic-Anwendungen beenden oder löschen und keine neuen erstellen. Wir empfehlen Ihnen, [Ihren Workload auf das neue Studio-Erlebnis zu migrieren](studio-updated-migrate.md). Sie können JumpStart Modelle über die Studio Classic-Benutzeroberfläche direkt von der Seite „**Gestellte JumpStart Assets**“ aus teilen. Gehen Sie dabei wie folgt vor: 1. Öffnen Sie Amazon SageMaker Studio Classic und wählen Sie im **JumpStart**Bereich des linken Navigationsbereichs die Option **Launched JumpStart Assets** aus. 1. Wählen Sie die Registerkarte **Trainingsaufträge** aus, um die Liste Ihrer Modell-Trainingsaufträge anzuzeigen. 1. Wählen Sie in der Liste **Trainingsaufträge** den Trainingsauftrag aus, den Sie teilen möchten. Dadurch wird die Detailseite des Trainingsauftrags geöffnet. Sie können jeweils nur einen Trainingsauftrag gleichzeitig teilen. 1. Wählen Sie in der Kopfzeile des Trainingsjobs die Option **Teilen** und anschließend **In meiner Organisation teilen** aus. Weitere Informationen zum Freigeben von Modellen mit Ihrer Organisation finden Sie unter [Gemeinsam genutzte Modelle und Notebooks](jumpstart-content-sharing.md). # Gemeinsam genutzte Modelle und Notebooks Gemeinsam genutzte Modelle und NotiNotebookszbücher **Wichtig** Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich konkret auf die Verwendung der Studio-Classic-Anwendung. Informationen zur Verwendung der aktualisierten Studio-Konfiguration finden Sie unter [Amazon SageMaker Studio](studio-updated.md). Studio Classic wird weiterhin für bestehende Workloads beibehalten, ist aber nicht mehr für das Onboarding verfügbar. Sie können nur bestehende Studio Classic-Anwendungen beenden oder löschen und keine neuen erstellen. Wir empfehlen Ihnen, [Ihren Workload auf das neue Studio-Erlebnis zu migrieren](studio-updated-migrate.md). Teilen Sie Ihre Modelle und Notebooks, um Modellartefakte zu zentralisieren, die Auffindbarkeit zu erleichtern und die Wiederverwendung von Modellen in Ihrem Unternehmen zu erhöhen. Wenn Sie Ihre Modelle teilen, können Sie Informationen zur Trainings- und Inferenzumgebung bereitstellen und es Auftragnehmern ermöglichen, diese Umgebungen für ihre eigenen Trainings- und Inferenzaufgaben zu verwenden. Alle Modelle, die Sie teilen, und Modelle, die mit Ihnen geteilt werden, können an einem zentralen Ort direkt in Amazon SageMaker Studio Classic durchsucht werden. Informationen zu den Onboarding-Schritten für die Anmeldung bei Amazon SageMaker Studio Classic finden Sie unter [Onboarding to Amazon SageMaker AI Domain](https://docs.aws.amazon.com/sagemaker/latest/dg/gs-studio-onboard.html). **Topics** + [ # Gemeinsame Nutzung von Modellen und Notebooks ](jumpstart-content-sharing-access.md) + [ # Auf geteilte Inhalte zugreifen ](jumpstart-content-sharing-access-filter.md) + [ # Hinzufügen eines Modells ](jumpstart-content-sharing-add-model.md) # Gemeinsame Nutzung von Modellen und Notebooks Um Modelle und Notizbücher zu teilen, navigieren Sie in Amazon SageMaker Studio Classic zum Abschnitt **Geteilte Modelle**, wählen Sie **Von meiner Organisation geteilt** und wählen Sie dann die Dropdownliste **Hinzufügen** aus. Wählen Sie, ob Sie ein Modell oder ein Notebook hinzufügen möchten. ![\[Das Menü, zu dem geteilte Modelle oder Notizbücher hinzugefügt werden sollen JumpStart.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/jumpstart/jumpstart-shared-models.png) # Auf geteilte Inhalte zugreifen Über die Amazon SageMaker Studio Classic-Benutzeroberfläche können Sie auf geteilte Inhalte zugreifen und filtern, was Sie sehen. Es gibt drei Hauptoptionen zum Filtern gemeinsam genutzter Modelle und Notebooks: 1. **Von mir geteilt** — Modelle und Notizbücher, für die Sie Inhalte geteilt haben JumpStart. 1. **Mit mir geteilt** – Modelle und Notebooks, die mit Ihnen geteilt wurden 1. **Von meiner Organisation geteilt** – Alle Modelle und Notebooks, die mit anderen Personen in Ihrer Organisation geteilt werden Sie können Ihre Modelle und Notebooks auch nach dem Zeitpunkt der letzten Aktualisierung oder nach auf- oder absteigender alphabetischer Reihenfolge sortieren. Wählen Sie das Filtersymbol (![\[Funnel or filter icon representing data filtering or narrowing down options.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/jumpstart/jumpstart-filter-icon.png)), um Ihre Auswahl weiter zu sortieren. # Hinzufügen eines Modells Um ein Modell hinzuzufügen, wählen Sie **Von meiner Organisation mitgeteilt** und dann **Modell hinzufügen** aus der Dropdown-Liste **Hinzufügen**. Geben Sie die Basisinformationen für Ihr Modell ein und fügen Sie alle Trainings- oder Inferenzinformationen hinzu, die Sie mit Auftragnehmern teilen möchten, um Ihr Modell zu trainieren oder bereitzustellen. Nachdem Sie alle erforderlichen Informationen eingegeben haben, wählen Sie in der unteren rechten Ecke des Bildschirms die Option **Modell hinzufügen** aus. **Topics** + [ # Grundlegende Informationen hinzufügen ](jumpstart-content-sharing-info.md) + [ # Aktivieren von Trainings ](jumpstart-content-sharing-training.md) + [ # Bereitstellung aktivieren ](jumpstart-content-sharing-deployment.md) + [ # Hinzufügen eines Notebooks ](jumpstart-content-sharing-notebooks.md) # Grundlegende Informationen hinzufügen Um ein Modell hinzuzufügen, JumpStart müssen Sie einige grundlegende Informationen zu dem Modell angeben, das Sie trainieren möchten. Diese Informationen helfen dabei, die Eigenschaften und Funktionen Ihres Modells zu definieren und dessen Auffindbarkeit und Durchsuchbarkeit zu verbessern. Gehen Sie folgendermaßen vor, um ein neues Modell zu erstellen: 1. Fügen Sie einen Titel für dieses Modell hinzu. Beim Hinzufügen eines Titels wird automatisch eine eindeutige Kennung in das ID-Feld eingetragen, die auf dem Modelltitel basiert. 1. Fügen Sie eine Beschreibung des Modells hinzu. 1. Wählen Sie einen Datentyp aus den Optionen aus: *Text*, *Bild*, *Tabelle* oder *Audio*. 1. Wählen Sie eine Aufgabe für Machine Learning aus der Liste der verfügbaren Aufgaben aus, z. B. *Bildklassifizierung* oder *Textgenerierung*. 1. Wählen Sie ein Machine-Learning-Framework. 1. Fügen Sie Metadateninformationen mit Schlüsselwörtern oder Ausdrücken hinzu, die Sie bei der Suche nach einem Modell verwenden können. Verwenden Sie Kommas, um Stichwörter zu trennen. Alle Leerzeichen werden automatisch durch Kommas ersetzt. # Aktivieren von Trainings Wenn Sie ein Modell zur gemeinsamen Nutzung hinzufügen, können Sie optional eine Trainingsumgebung bereitstellen und es Auftragsnehmern in Ihrer Organisation ermöglichen, das gemeinsam genutzte Modell zu trainieren. **Anmerkung** Wenn Sie ein tabellarisches Modell hinzufügen, müssen Sie auch ein Spaltenformat und eine Zielspalte angeben, um das Training zu ermöglichen. Nachdem Sie die grundlegenden Informationen zu Ihrem Modell angegeben haben, müssen Sie die Einstellungen für den Trainingsjob konfigurieren, der zum Trainieren Ihres Modells verwendet werden soll. Dazu müssen Sie die Containerumgebung, Codeskripts, Datensätze, Ausgabespeicherorte und verschiedene andere Parameter angeben, um zu steuern, wie der Trainingsjob ausgeführt wird. Zum Konfigurieren des Trainingsjobs führen Sie die folgenden Schritte aus. 1. Fügen Sie einen Container hinzu, der für das Modelltraining verwendet werden soll. Sie können einen Container auswählen, der für einen bestehenden Schulungsjob verwendet wird, Ihren eigenen Container in Amazon ECR mitbringen oder einen Amazon SageMaker Deep Learning Container verwenden. 1. Hinzufügen von Umgebungsvariablen 1. Geben Sie einen Speicherort für das Trainingsskript an. 1. Geben Sie einen Eintrittspunkt für den Skriptmodus an. 1. Geben Sie eine Amazon-S3-URI für Modellartefakte an, die während des Trainings generiert wurden. 1. Geben Sie den Amazon-S3-URI für den Standard-Trainingsdatensatz an. 1. Geben Sie einen Modellausgabepfad an. Der Modellausgabepfad sollte der Amazon S3 S3-URI-Pfad für alle Modellartefakte sein, die beim Training generiert wurden. SageMaker AI speichert die Modellartefakte als einzelne komprimierte TAR-Datei in Amazon S3. 1. Stellen Sie einen Validierungsdatensatz bereit, den Sie für die Bewertung Ihres Modells während des Trainings verwenden können. Validierungsdatensätze müssen dieselbe Anzahl von Spalten und dieselben Feature-Header wie der Trainingsdatensatz enthalten. 1. Schalten Sie die Netzwerkisolierung ein. Durch die Netzwerkisolierung wird der Modellcontainer isoliert, sodass keine eingehenden oder ausgehenden Netzwerkaufrufe zum oder vom Modellcontainer getätigt werden können. 1. Stellen Sie Trainingskanäle bereit, über die SageMaker KI auf Ihre Daten zugreifen kann. Sie können zum Beispiel Eingangskanäle mit den Namen `train` oder `test` angeben. Geben Sie für jeden Kanal einen Kanalnamen und eine URI zum Speicherort Ihrer Daten an. Wählen Sie **Durchsuchen**, um nach Amazon S3-Standorten zu suchen. 1. Geben Sie Hyperparameter an. Fügen Sie alle Hyperparameter hinzu, mit denen die Auftragnehmer während des Trainings experimentieren sollen. Geben Sie einen Bereich gültiger Werte für diese Hyperparameter an. Dieser Bereich wird für die Hyperparameter-Validierung von Trainingsaufträgen verwendet. Sie können Bereiche auf der Grundlage des Datentyps des Hyperparameters definieren. 1. Auswahl von Instance-Typen Wir empfehlen die Verwendung von GPU-Instances mit mehr Arbeitsspeicher zum Training mit großen Stapelgrößen. Eine umfassende Liste der SageMaker Schulungsinstanzen in den verschiedenen AWS Regionen finden Sie in der Tabelle mit den **On-Demand-Preisen** unter [Amazon SageMaker Pricing.](https://aws.amazon.com/sagemaker/pricing/) 1. Stellen Sie Kennzahlen bereit. Sie definieren Metriken für einen Optimierungsauftrag, indem Sie für jede Metrik, die Ihr Optimierungsauftrag überwacht, einen Namen und einen regulären Ausdruck angeben. Entwerfen Sie die regulären Ausdrücke so, dass sie die Werte von Metriken erfassen, die der Algorithmus ausgibt. Beispielsweise `loss` könnte die Metrik den regulären Ausdruck `"Loss =(.*?);"` haben. # Bereitstellung aktivieren Wenn Sie ein Modell zur gemeinsamen Nutzung hinzufügen, können Sie optional eine Inferenzumgebung bereitstellen, in der Auftragnehmer in Ihrer Organisation das gemeinsam genutzte Modell für Inferenzen einsetzen können. Nachdem Sie Ihr Machine-Learning-Modell trainiert haben, müssen Sie es zur Inferenz auf einem Amazon SageMaker AI-Endpunkt bereitstellen. Dazu gehören die Bereitstellung einer Container-Umgebung, ein Inferenzskript, die während des Trainings generierten Modellartefakte und die Auswahl eines geeigneten Compute-Instance-Typs. Die korrekte Konfiguration dieser Einstellungen ist entscheidend, um sicherzustellen, dass Ihr bereitgestelltes Modell genaue Vorhersagen treffen und Inferenzanfragen effizient bearbeiten kann. Gehen Sie folgendermaßen vor, um Ihr Modell für die Inferenz einzurichten: 1. Fügen Sie einen Container hinzu, der für Inferenzen verwendet werden soll. Sie können Ihren eigenen Container in Amazon ECR mitbringen oder einen Amazon SageMaker Deep Learning Container verwenden. 1. Geben Sie den Amazon-S3-URI für ein Inferenzskript an. Benutzerdefinierte Inferenzskripten werden in dem von Ihnen ausgewählten Container ausgeführt. Ihr Inferenzskript sollte eine Funktion zum Laden von Modellen und optional Funktionen zur Generierung von Vorhersagen sowie zur Eingabe- und Ausgabeverarbeitung enthalten. Weitere Informationen zum Erstellen von Inferenzskripten für das Framework Ihrer Wahl finden Sie unter [Frameworks](https://sagemaker.readthedocs.io/en/stable/frameworks/index.html) in der SageMaker Python SDK-Dokumentation. Informationen finden Sie TensorFlow beispielsweise unter [So implementieren Sie die Handler für die Vor- und and/or Nachbearbeitung.](https://sagemaker.readthedocs.io/en/stable/frameworks/tensorflow/deploying_tensorflow_serving.html#how-to-implement-the-pre-and-or-post-processing-handler-s) 1. Geben Sie einen Amazon-S3-URI für Modellartefakte an. Modellartefakte sind das Ergebnis des Trainings eines Modells und bestehen in der Regel aus trainierten Parametern, einer Modelldefinition, die beschreibt, wie Schlussfolgerungen berechnet werden, und anderen Metadaten. Wenn Sie Ihr Modell in SageMaker KI trainiert haben, werden die Modellartefakte als eine einzige komprimierte TAR-Datei in Amazon S3 gespeichert. Wenn Sie Ihr Modell außerhalb von SageMaker KI trainiert haben, müssen Sie diese einzelne komprimierte TAR-Datei erstellen und an einem Amazon S3 S3-Speicherort speichern. 1. Auswahl von Instance-Typen Wir empfehlen die Verwendung von GPU-Instances mit mehr Arbeitsspeicher zum Training mit großen Stapelgrößen. Eine umfassende Liste der SageMaker Schulungsinstanzen in den verschiedenen AWS Regionen finden Sie in der Tabelle mit den **On-Demand-Preisen** unter [Amazon SageMaker Pricing](https://aws.amazon.com/sagemaker/pricing/). # Hinzufügen eines Notebooks Um ein Notebook hinzuzufügen, wählen Sie **Von meiner Organisation geteilt** und wählen Sie dann in der Dropdown-Liste **Hinzufügen die Option Notebook** **Hinzufügen** aus. Geben Sie die Basisinformationen für Ihr Notebook ein und geben Sie eine Amazon-S3-URI für den Standort dieses Notebooks an. Fügen Sie zunächst die grundlegenden beschreibenden Informationen zu Ihrem Notebook hinzu. Diese Informationen werden verwendet, um die Durchsuchbarkeit Ihres Notizbooks zu verbessern. 1. Fügen Sie einen Titel für dieses Notebook hinzu. Beim Hinzufügen eines Titels wird automatisch eine eindeutige Kennung in das ID-Feld eingetragen, die auf dem Notebook-Titel basiert. 1. Fügen Sie eine Beschreibung des Notebooks hinzu. 1. Wählen Sie einen Datentyp aus den Optionen aus: *Text*, *Bild*, *Tabelle* oder *Audio*. 1. Wählen Sie eine ML-Aufgabe aus der Liste der verfügbaren Aufgaben aus, z. B. *Bildklassifizierung* oder *Textgenerierung*. 1. Wählen Sie ein ML-Framework aus. 1. Fügen Sie Metadateninformationen mit Schlüsselwörtern oder Ausdrücken hinzu, die Sie bei der Suche nach einem Notebook verwenden können. Verwenden Sie Kommas, um Stichwörter voneinander zu trennen. Alle Leerzeichen werden automatisch durch Kommas ersetzt. Nachdem Sie die grundlegenden Informationen angegeben haben, können Sie eine Amazon-S3-URI für den Speicherort des Notebooks bereitstellen. Sie können **Durchsuchen** wählen, um Ihre Amazon-S3-Buckets nach dem Speicherort Ihrer Notebookdatei zu durchsuchen. Nachdem Sie Ihr Notebook gefunden haben, kopieren Sie den Amazon-S3-URI, wählen Sie **Stornieren** und fügen Sie dann den Amazon S3-URI zum Feld **Notebook-Standort** hinzu. Nachdem Sie alle erforderlichen Informationen eingegeben haben, wählen Sie in der unteren rechten Ecke **Notebook hinzufügen** aus. # End-to-end JumpStart Lösungsvorlagen Lösungsvorlagen **Wichtig** Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich konkret auf die Verwendung der Studio-Classic-Anwendung. Informationen zur Verwendung der aktualisierten Studio-Konfiguration finden Sie unter [Amazon SageMaker Studio](studio-updated.md). Studio Classic wird weiterhin für bestehende Workloads beibehalten, ist aber nicht mehr für das Onboarding verfügbar. Sie können nur bestehende Studio Classic-Anwendungen beenden oder löschen und keine neuen erstellen. Wir empfehlen Ihnen, [Ihren Workload auf das neue Studio-Erlebnis zu migrieren](studio-updated-migrate.md). **Anmerkung** JumpStart Lösungen sind nur in Studio Classic verfügbar. SageMaker JumpStart bietet end-to-end Lösungen mit nur einem Klick, die für gängige Anwendungsfälle des maschinellen Lernens konzipiert sind. Sie verwenden bewährte Algorithmen für ihre Domains und bieten einen vollständigen Workflow, der in der Regel Datenverarbeitung, Modelltraining, Bereitstellung, Inferenz und Überwachung umfasst. In den folgenden Anwendungsfällen finden Sie weitere Informationen zu verfügbaren Lösungsvorlagen. + [Nachfrageprognosen](#jumpstart-solutions-demand-forecasting) + [Bonitätsprognose](#jumpstart-solutions-credit-prediction) + [Betrugserkennung](#jumpstart-solutions-fraud-detection) + [Computervision](#jumpstart-solutions-computer-vision) + [Extrahieren und Analysieren von Daten aus Dokumenten](#jumpstart-solutions-documents) + [Prädiktive Wartung](#jumpstart-solutions-predictive-maintenance) + [Prognose der Kundenabwanderung](#jumpstart-solutions-churn-prediction) + [Personalisierte Empfehlungen](#jumpstart-solutions-recommendations) + [Bestärkendes Lernen](#jumpstart-solutions-reinforcement-learning) + [Gesundheitswesen und Biowissenschaften](#jumpstart-solutions-healthcare-life-sciences) + [Preisgestaltung](#jumpstart-solutions-financial-pricing) + [Kausale Inferenz](#jumpstart-solutions-causal-inference) Wählen Sie auf der JumpStart Landingpage die Lösungsvorlage aus, die am besten zu Ihrem Anwendungsfall passt. Wenn Sie eine Lösungsvorlage auswählen, JumpStart wird eine neue Registerkarte mit einer Beschreibung der Lösung und einer Schaltfläche „**Starten**“ geöffnet. Wenn Sie **Launch** auswählen, werden alle Ressourcen JumpStart erstellt, die Sie für die Ausführung der Lösung benötigen, einschließlich Trainings- und Modellhosting-Instances. Weitere Informationen zur Einführung einer JumpStart Lösung finden Sie unter[Starten einer Lösung](jumpstart-solutions-launch.md). Nach dem Start der Lösung können Sie die Funktionen der Lösung und alle generierten Artefakte in untersuchen JumpStart. Verwenden Sie das Menü ** JumpStart Launched Assets**, um Ihre Lösung zu finden. Wählen Sie auf der Registerkarte Ihrer Lösung die Option **Notebook öffnen** aus, um bereitgestellte Notebooks zu verwenden und die Funktionen der Lösung zu untersuchen. Wenn Artefakte beim Start oder nach der Ausführung der bereitgestellten Notebooks generiert werden, werden sie in der Tabelle **Generierte Artefakte** aufgeführt. Sie können einzelne Artefakte mit dem Papierkorbsymbol (![\[The trash icon for JumpStart.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/jumpstart/jumpstart-trash.png)) löschen. Sie können alle Ressourcen der Lösung löschen, indem Sie **Lösungsressourcen löschen** wählen. ## Nachfrageprognosen Nachfrageprognosen verwenden historische Zeitreihendaten, um zukünftige Schätzungen in Bezug auf die Kundennachfrage über einen bestimmten Zeitraum vorzunehmen und den Entscheidungsprozess für Angebot und Nachfrage in allen Unternehmen zu rationalisieren. Zu den Anwendungsfällen für Nachfrageprognosen gehören die Vorhersage von Ticketverkäufen in der Transportbranche, Aktienkurse, Anzahl der Krankenhausbesuche, Anzahl der Kundenvertreter, die im nächsten Monat für mehrere Standorte eingestellt werden müssen, Produktabsatz in mehreren Regionen im nächsten Quartal, Cloud-Servernutzung für den nächsten Tag für einen Video-Streaming-Dienst, Stromverbrauch für mehrere Regionen in der nächsten Woche, Anzahl der IoT-Geräte und Sensoren wie Energieverbrauch und mehr. Zeitreihendaten werden in *univariate* und *multivariate* Daten unterteilt. Beispielsweise handelt es sich beim Gesamtstromverbrauch eines einzelnen Haushalts um eine univariate Zeitreihe über einen bestimmten Zeitraum. Wenn mehrere univariate Zeitreihen aufeinander gestapelt werden, spricht man von einer multivariaten Zeitreihe. Beispielsweise bildet der Gesamtstromverbrauch von 10 verschiedenen (aber korrelierten) Haushalten in einer einzigen Nachbarschaft einen multivariaten Zeitreihendatensatz. | Solution name (Name der Lösung) | Description | Erste Schritte | | --- | --- | --- | | Nachfrageprognosen | [Bedarfsprognose für multivariate Zeitreihendaten unter Verwendung von drei state-of-the-art Zeitreihenprognosealgorithmen: [Prophet](https://facebook.github.io/prophet/) und AI [LSTNet](https://ts.gluon.ai/stable/api/gluonts/gluonts.mx.model.lstnet.html)DeepAR. SageMaker ](https://docs.aws.amazon.com/sagemaker/latest/dg/deepar.html) | [GitHub »](https://github.com/awslabs/sagemaker-deep-demand-forecast) | ## Bonitätsprognose Nutzen Sie JumpStart die Lösungen zur Bonitätsprognose, um die Bonität von Unternehmen vorherzusagen oder um anhand von Modellen des maschinellen Lernens getroffene Entscheidungen zur Kreditprognose zu erklären. Im Vergleich zu herkömmlichen Methoden zur Bonitätsmodellierung können Modelle für Machine Learning die Genauigkeit von Kreditprognosen automatisieren und verbessern. | Solution name (Name der Lösung) | Description | Erste Schritte | | --- | --- | --- | | Vorhersage der Bonität von Unternehmen | [Multimodales maschinelles Lernen (Langtext und tabellarisches) für qualitativ hochwertige Kreditprognosen mit AWS AutoGluon Tabular.](https://auto.gluon.ai/scoredebugweight/tutorials/tabular_prediction/index.html) | [GitHub »](https://github.com/awslabs/sagemaker-corporate-credit-rating) | | Graphbasiertes Kreditscoring | [Prognostizieren Sie die Kreditwürdigkeit von Unternehmen mithilfe von Tabellendaten und einem Unternehmensnetzwerk, indem Sie ein [GraphSage- und ein Tabularmodell mit Graph Neural Network](https://cs.stanford.edu/people/jure/pubs/graphsage-nips17.pdf) trainieren. AWS AutoGluon ](https://auto.gluon.ai/scoredebugweight/tutorials/tabular_prediction/index.html) | Finden Sie in Amazon SageMaker Studio Classic. | | Erläutern von Kreditentscheidungen | Prognostizieren Sie Kreditausfälle bei Kreditanträgen und geben Sie Erläuterungen mithilfe von [LightGBM](https://lightgbm.readthedocs.io/en/latest/) und [SHAP (SHapleyAdditive](https://shap.readthedocs.io/en/latest/index.html) Explanations). | [GitHub »](https://github.com/awslabs/sagemaker-explaining-credit-decisions) | ## Betrugserkennung Viele Unternehmen verlieren jährlich Milliarden durch Betrug. Modelle zur Betrugserkennung, die auf Machine Learning basieren, können dabei helfen, anhand einer riesigen Datenmenge systematisch mögliche betrügerische Aktivitäten zu identifizieren. Die folgenden Lösungen verwenden Transaktions- und Benutzeridentitätsdatensätze, um betrügerische Transaktionen zu erkenne. | Solution name (Name der Lösung) | Description | Erste Schritte | | --- | --- | --- | | Erkennen böswilliger Benutzer und Transaktionen | Erkennen Sie mithilfe von [SageMaker KI XGBoost](https://docs.aws.amazon.com/sagemaker/latest/dg/xgboost.html) mithilfe der Oversampling-Technik [Synthetic Minority Oversampling](https://arxiv.org/abs/1106.1813) (SMOTE) automatisch potenziell betrügerische Aktivitäten bei Transaktionen. | [GitHub »](https://github.com/awslabs/fraud-detection-using-machine-learning) | | Betrugserkennung bei Finanztransaktionen mit Deep Graph Library | [Erkennen Sie Betrug bei Finanztransaktionen, indem Sie ein [Graph Convolutional Network](https://arxiv.org/pdf/1703.06103.pdf) mit der [Deep Graph](https://www.dgl.ai/) Library und einem KI-Modell trainieren. SageMaker XGBoost](https://docs.aws.amazon.com/sagemaker/latest/dg/xgboost.html) | [GitHub »](https://github.com/awslabs/sagemaker-graph-fraud-detection) | | Klassifizierung von finanziellen Leistungen | [Klassifizieren Sie Finanzzahlungen auf der Grundlage von Transaktionsinformationen mithilfe von KI. SageMaker XGBoost](https://docs.aws.amazon.com/sagemaker/latest/dg/xgboost.html) Verwenden Sie diese Lösungsvorlage als Zwischenschritt bei der Betrugserkennung, Personalisierung oder Erkennung von Anomalien. | Finden Sie in Amazon SageMaker Studio Classic. | ## Computervision Mit der Zunahme von geschäftlichen Anwendungsfällen wie autonomen Fahrzeugen, intelligenter Videoüberwachung, Gesundheitsüberwachung und verschiedenen Aufgaben zur Objektzählung steigt die Nachfrage nach schnellen und genauen Objekterkennungssystemen. Bei diesen Systemen wird nicht nur jedes Objekt in einem Bild erkannt und klassifiziert, sondern auch jedes Objekt lokalisiert, indem der entsprechende Begrenzungsrahmen um das Bild gezogen wird. In den letzten zehn Jahren haben die rasanten Fortschritte bei Deep-Learning-Techniken die Dynamik der Objekterkennung erheblich beschleunigt. | Solution name (Name der Lösung) | Description | Erste Schritte | | --- | --- | --- | | Visuelle Erkennung von Produktfehlern | Identifizieren Sie fehlerhafte Bereiche in Produktbildern, indem Sie entweder ein [Objekterkennungsmodell von Grund auf](https://ieeexplore.ieee.org/document/8709818) trainieren oder vortrainierte SageMaker KI-Modelle verfeinern. | [GitHub »](https://github.com/awslabs/sagemaker-defect-detection) | | Handschrifterkennung | Erkennen Sie handgeschriebenen Text in Bildern, indem Sie ein [Objekterkennungsmodell](https://mxnet.apache.org/versions/1.0.0/api/python/gluon/model_zoo.html#mxnet.gluon.model_zoo.vision.resnet34_v1) und ein [Handschrifterkennungsmodell](https://arxiv.org/abs/1910.00663) trainieren. Kennzeichnen Sie Ihre eigenen Daten mit [SageMaker Ground Truth](https://aws.amazon.com/sagemaker/data-labeling/). | [GitHub »](https://github.com/awslabs/sagemaker-handwritten-text-recognition) | | Objekterkennung für Vogelarten | Identifizieren Sie Vogelarten in einer Szene mithilfe eines [SageMaker KI-Objekterkennungsmodells](https://docs.aws.amazon.com/sagemaker/latest/dg/object-detection.html). | Finden Sie in Amazon SageMaker Studio Classic. | ## Extrahieren und Analysieren von Daten aus Dokumenten JumpStart bietet Lösungen, mit denen Sie wertvolle Erkenntnisse und Zusammenhänge in geschäftskritischen Dokumenten aufdecken können. Zu den Anwendungsfällen gehören Textklassifizierung, Zusammenfassung von Dokumenten, Handschrifterkennung, Relationsextraktion, Fragen und Antworten sowie das Ausfüllen fehlender Werte in tabellarischen Datensätzen. | Solution name (Name der Lösung) | Description | Erste Schritte | | --- | --- | --- | | Schutz der Privatsphäre bei der Sentiment-Klassifikation | [Anonymisieren Sie Text](https://www.amazon.science/blog/preserving-privacy-in-analyses-of-textual-data), um die Privatsphäre von Benutzern bei der Sentiment-Klassifikation besser zu schützen. | [GitHub »](https://github.com/awslabs/sagemaker-privacy-for-nlp) | | Verstehen von Dokumenten | [Zusammenfassung von Dokumenten, Extraktion von Entitäten und Beziehungen mithilfe der Transformers-Bibliothek in.](https://huggingface.co/docs/transformers/index) PyTorch | [GitHub »](https://github.com/awslabs/sagemaker-document-understanding) | | Handschrifterkennung | Erkennen Sie handgeschriebenen Text in Bildern, indem Sie ein [Objekterkennungsmodell](https://mxnet.apache.org/versions/1.0.0/api/python/gluon/model_zoo.html#mxnet.gluon.model_zoo.vision.resnet34_v1) und ein [Handschrifterkennungsmodell](https://arxiv.org/abs/1910.00663) trainieren. Kennzeichnen Sie Ihre eigenen Daten mit [SageMaker Ground Truth](https://aws.amazon.com/sagemaker/data-labeling/). | [GitHub »](https://github.com/awslabs/sagemaker-handwritten-text-recognition) | | Ausfüllen fehlender Werte in tabellarischen Datensätzen | Füllen Sie fehlende Werte in tabellarischen Datensätzen aus, indem Sie ein [SageMaker Autopilot-Modell](https://aws.amazon.com/sagemaker/autopilot/) trainieren. | [GitHub »](https://github.com/awslabs/filling-in-missing-values-in-tabular-records) | ## Prädiktive Wartung Prädiktive Wartung zielt darauf ab, das Gleichgewicht zwischen korrektiver und präventiver Wartung zu optimieren, indem der rechtzeitige Austausch von Komponenten erleichtert wird. Die folgenden Lösungen verwenden Sensordaten von Industrieanlagen, um Maschinenausfälle, ungeplante Ausfallzeiten und Reparaturkosten vorherzusagen. | Solution name (Name der Lösung) | Description | Erste Schritte | | --- | --- | --- | | Prädiktive Wartung für Fahrzeugflotten | Prognostizieren Sie Ausfälle von Fahrzeugflotten mithilfe von Fahrzeugsensor- und Wartungsinformationen mit einem konvolutionalen neuronalen Netzwerkmodell. | [GitHub »](https://github.com/awslabs/aws-fleet-predictive-maintenance/) | | Prädiktive Wartung für die Fertigung | Prognostizieren Sie die verbleibende Nutzungsdauer für jeden Sensor, indem Sie ein [gestapeltes bidirektionales neuronales LSTM-Netzwerkmodell](https://arxiv.org/pdf/1801.02143.pdf) anhand historischer Sensormesswerte trainieren. | [GitHub »](https://github.com/awslabs/predictive-maintenance-using-machine-learning) | ## Prognose der Kundenabwanderung Die Kundenabwanderung oder Fluktuationsrate ist ein kostspieliges Problem, mit dem eine Vielzahl von Unternehmen konfrontiert ist. Um die Kundenabwanderung zu reduzieren, können Unternehmen Kunden identifizieren, bei denen es wahrscheinlich ist, dass sie ihren Service verlassen werden, um sich auf die Kundenbindung zu konzentrieren. Verwenden Sie eine Lösung zur Vorhersage der JumpStart Kundenabwanderung, um Datenquellen wie Benutzerverhalten und Chat-Protokolle des Kundensupports zu analysieren, um Kunden zu identifizieren, bei denen ein hohes Risiko besteht, ein Abonnement oder einen Dienst zu kündigen. | Solution name (Name der Lösung) | Description | Erste Schritte | | --- | --- | --- | | Prognose der Kundenabwanderung mit Text | [Prognostizieren Sie die Kundenabwanderung mithilfe numerischer, kategorialer und textueller Merkmale mit dem BERT-Encoder und. [RandomForestClassifier](https://scikit-learn.org/stable/modules/generated/sklearn.ensemble.RandomForestClassifier.html)](https://huggingface.co/) | [GitHub »](https://github.com/awslabs/sagemaker-churn-prediction-text) | | Vorhersage der Kundenabwanderung bei Mobilfunkkunden | [Identifizieren Sie unzufriedene Handykunden mithilfe von KI. SageMaker XGBoost](https://docs.aws.amazon.com/sagemaker/latest/dg/xgboost.html) | Finden Sie in Amazon SageMaker Studio Classic. | ## Personalisierte Empfehlungen Sie können JumpStart Lösungen zur Analyse von Kundenidentitätsdiagrammen oder Benutzersitzungen verwenden, um das Kundenverhalten besser zu verstehen und vorherzusagen. Verwenden Sie die folgenden Lösungen für personalisierte Empfehlungen, um die Kundenidentität auf mehreren Geräten zu modellieren, die Wahrscheinlichkeit zu ermitteln, dass ein Kunde einen Kauf tätigt, oder eine benutzerdefinierte Filmempfehlung zu erstellen, die auf dem bisherigen Kundenverhalten basiert. | Solution name (Name der Lösung) | Description | Erste Schritte | | --- | --- | --- | | Entität-Auflösung in Identitätsdiagrammen mit Deep Graph Library | Führen Sie eine geräteübergreifende Entität-Verknüpfung für Online-Werbung durch, indem Sie ein [Graph Convolutional Network](https://arxiv.org/pdf/1703.06103.pdf) mit einer [Deep Graph Library trainieren](https://www.dgl.ai/). | [GitHub »](https://github.com/awslabs/sagemaker-graph-entity-resolution) | | Kaufmodelle | Prognostizieren Sie, ob ein Kunde einen Kauf tätigen wird, indem Sie ein [SageMaker XGBoostKI-Modell](https://docs.aws.amazon.com/sagemaker/latest/dg/xgboost.html) trainieren. | [GitHub »](https://github.com/awslabs/sagemaker-purchase-modelling) | | Benutzerdefiniertes Empfehlungssystem | Trainieren und implementieren Sie mithilfe von neuronaler kollaborativer Filterung in SageMaker KI ein benutzerdefiniertes Empfehlungssystem, das anhand von vergangenem Verhalten Filmvorschläge für einen Kunden generiert. | Finden Sie in Amazon SageMaker Studio Classic. | ## Bestärkendes Lernen Reinforcement Learning (RL) ist eine Art des Lernens, das auf der Interaktion mit der Umgebung basiert. Diese Art des Lernens wird von einem Agenten verwendet, der Verhalten durch trial-and-error Interaktionen mit einer dynamischen Umgebung erlernen muss, in der das Ziel darin besteht, die langfristigen Vorteile zu maximieren, die der Agent als Ergebnis seiner Aktionen erhält. Die Belohnungen werden maximiert, indem das Erkunden von Aktionen mit ungewissen Belohnungen und das Ausnutzen von Aktionen mit bekannten Belohnungen gegeneinander abgewogen wird. RL eignet sich hervorragend für die Lösung großer, komplexer Probleme wie Lieferkettenmanagement, HLK-Systeme, Industrierobotik, künstliche Intelligenz in Spielen, Dialogsysteme und autonome Fahrzeuge. | Solution name (Name der Lösung) | Description | Erste Schritte | | --- | --- | --- | | Reinforcement Learning für BattleSnake-KI-Wettbewerbe | Stellen Sie im Rahmen der [BattleSnake](https://play.battlesnake.com/)KI-Wettbewerbe einen Arbeitsablauf für verstärktes Lernen für Training und Inferenz bereit. | [GitHub »](https://github.com/awslabs/sagemaker-battlesnake-ai) | | Verteiltes Reinforcement Learning für die Procgen-Herausforderung | Starterkit für verteiltes Reinforcement Learning für die [NeuroIPS 2020 Procgen](https://www.aicrowd.com/challenges/neurips-2020-procgen-competition) Reinforcement-Learning-Herausforderung. | [GitHub »](https://github.com/aws-samples/sagemaker-rl-procgen-ray) | ## Gesundheitswesen und Biowissenschaften Kliniker und Forscher können JumpStart Lösungen verwenden, um medizinische Bilder, genomische Informationen und klinische Patientenakten zu analysieren. | Solution name (Name der Lösung) | Description | Erste Schritte | | --- | --- | --- | | Überlebensprognose bei Lungenkrebs | [Prognostizieren Sie mithilfe von KI den Überlebensstatus von Patienten mit nichtkleinzelligem Lungenkrebs mithilfe von dreidimensionaler Lungencomputertomographie (CT), genomischen Daten und klinischen Patientenakten. 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) | ## Preisgestaltung Viele Unternehmen passen die Preise regelmäßig dynamisch an, um ihre Rendite zu maximieren. Verwenden Sie die folgenden JumpStart Lösungen für Anwendungsfälle wie Preisoptimierung, dynamische Preisgestaltung, Optionspreisgestaltung oder Portfoliooptimierung. | Solution name (Name der Lösung) | Description | Erste Schritte | | --- | --- | --- | | Preisoptimierung | Schätzen Sie die Preiselastizität mithilfe von Double Machine Learning (ML) für kausale Inferenz und [Prophet](https://facebook.github.io/prophet/)-Prognoseverfahren ein. Optimieren Sie anhand dieser Schätzungen die Tagespreise. | Finden Sie in Amazon SageMaker Studio Classic. | ## Kausale Inferenz Forscher können Machine-Learning-Modelle wie Bayessche Netze verwenden, um kausale Abhängigkeiten darzustellen und auf der Grundlage von Daten kausale Schlüsse zu ziehen. Verwenden Sie die folgende JumpStart Lösung, um den kausalen Zusammenhang zwischen der Ausbringung von Düngemitteln auf Stickstoffbasis und den Maiserträgen zu verstehen. | Solution name (Name der Lösung) | Description | Erste Schritte | | --- | --- | --- | | Kontrafaktische Szenarien für Ernteerträge | Erstellen Sie eine kontrafaktische Analyse der Reaktion von Mais auf Stickstoff. Diese Lösung erfasst anhand multispektraler Satellitenbilder und [bodennaher Beobachtungen](https://www.sciencedirect.com/science/article/pii/S2352340921010283#tbl0001) den phänologischen Zyklus der Nutzpflanzen in seiner Gesamtheit. | Finden Sie in Amazon SageMaker Studio Classic. | # Starten einer Lösung **Wichtig** Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich konkret auf die Verwendung der Studio-Classic-Anwendung. Informationen zur Verwendung der aktualisierten Studio-Konfiguration finden Sie unter [Amazon SageMaker Studio](studio-updated.md). Studio Classic wird weiterhin für bestehende Workloads beibehalten, ist aber nicht mehr für das Onboarding verfügbar. Sie können nur bestehende Studio Classic-Anwendungen beenden oder löschen und keine neuen erstellen. Wir empfehlen Ihnen, [Ihren Workload auf das neue Studio-Erlebnis zu migrieren](studio-updated-migrate.md). **Anmerkung** JumpStart Lösungen sind nur in Studio Classic verfügbar. Wählen Sie zunächst auf der SageMaker JumpStart Landingpage in der Amazon SageMaker Studio Classic-Benutzeroberfläche eine Lösung aus. Informationen zu den Onboarding-Schritten für die Anmeldung bei Amazon SageMaker Studio Classic finden Sie unter [Onboarding to Amazon SageMaker AI domain](https://docs.aws.amazon.com/sagemaker/latest/dg/gs-studio-onboard.html). Einzelheiten zum Aufrufen der SageMaker JumpStart Landingpage finden Sie unter[JumpStart In Studio Classic öffnen und verwenden](studio-jumpstart.md#jumpstart-open-use). Nachdem Sie eine Lösung ausgewählt haben, wird eine Registerkarte mit einer Beschreibung der Lösung und einer `Launch`-Schaltfläche geöffnet. Um eine Lösung zu starten, wählen Sie `Launch` im Abschnitt **Lösung starten** aus. JumpStart erstellt dann alle Ressourcen, die für die Ausführung der Lösung erforderlich sind. Dazu gehören Trainings- und Modellhosting-Instances. ## Erweiterte Parameter Die von Ihnen gewählte Lösung verfügt möglicherweise über erweiterte Parameter, die Sie auswählen können. Wählen Sie **Erweiterte Parameter**, um die AWS Identity and Access Management Rolle für die Lösung anzugeben. Lösungen sind in der Lage, Ressourcen für 9 AWS Dienste bereitzustellen, die miteinander interagieren. Damit die Lösung wie erwartet funktioniert, müssen neu erstellte Komponenten aus einem Service in der Lage sein, auf neu erstellte Komponenten eines anderen Services zu reagieren. Wir empfehlen, die Standard-IAM-Rolle zu verwenden, um sicherzustellen, dass alle erforderlichen Berechtigungen hinzugefügt werden. Weitere Informationen zu IAM-Rollen finden Sie unter [AWS Identity and Access Management für Amazon SageMaker AI](security-iam.md). **Default IAM role** (Standard-IAM-Rolle) Wenn Sie diese Option auswählen, werden die Standard-IAM-Rollen verwendet, die für diese Lösung erforderlich sind. Jede Lösung benötigt unterschiedliche Ressourcen. In der folgenden Liste sind die Standardrollen beschrieben, die je nach benötigtem Service für die Lösungen verwendet werden. Eine Beschreibung der für jeden Service erforderlichen Berechtigungen finden Sie unter [AWS Verwaltete Richtlinien für SageMaker Projekte und JumpStart](security-iam-awsmanpol-sc.md). + **API Gateway** — AmazonSageMakerServiceCatalogProductsApiGatewayRole + **CloudFormation** – AmazonSageMakerServiceCatalogProductsCloudformationRole + **CodeBuild** – AmazonSageMakerServiceCatalogProductsCodeBuildRole + **CodePipeline** – AmazonSageMakerServiceCatalogProductsCodePipelineRole + **Ereignisse** – AmazonSageMakerServiceCatalogProductsEventsRole + **Firehose** — AmazonSageMakerServiceCatalogProductsFirehoseRole + **Glue** — AmazonSageMakerServiceCatalogProductsGlueRole + **Lambda** – AmazonSageMakerServiceCatalogProductsLambdaRole + **SageMaker KI** — AmazonSageMakerServiceCatalogProductsExecutionRole Wenn Sie eine neue SageMaker AI-Domain mit aktivierten JumpStart Projektvorlagen verwenden, werden diese Rollen automatisch in Ihrem Konto erstellt. Wenn Sie eine bestehende SageMaker AI-Domain verwenden, sind diese Rollen möglicherweise nicht in Ihrem Konto vorhanden. In diesem Fall erhalten Sie beim Starten der Lösung die folgende Fehlermeldung. ``` 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. ``` Sie können eine Lösung immer noch ohne die benötigte Rolle starten, aber die alte Standardrolle `AmazonSageMakerServiceCatalogProductsUseRole` wird anstelle der benötigten Rolle verwendet. Die alte Standardrolle unterhält Vertrauensbeziehungen zu allen Diensten, mit denen JumpStart Lösungen interagieren müssen. Aus Sicherheitsgründen empfehlen wir Ihnen, Ihre Domain so zu aktualisieren, dass sie über die neu erstellten Standardrollen für jeden AWS Dienst verfügt. Wenn Sie bereits Mitglied einer SageMaker AI-Domain sind, können Sie Ihre Domain aktualisieren, um die Standardrollen mithilfe des folgenden Verfahrens zu generieren. 1. Öffnen Sie die Amazon SageMaker AI-Konsole unter [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/). 1. Wählen Sie oben links auf der Seite ** Systemsteuerung ** aus. 1. Wählen Sie auf der Seite **Domain** das Symbol **Einstellungen** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/icons/Settings_squid.png)), um die Domain-Einstellungen zu bearbeiten. 1. Wählen Sie unter **Allgemeine Einstellungen** die Option **Weiter**. 1. Wählen Sie unter **SageMaker Projekte und JumpStart** die Option ** SageMaker Amazon-Projektvorlagen und Amazon SageMaker JumpStart für dieses Konto** **aktivieren und SageMaker Amazon-Projektvorlagen und Amazon SageMaker JumpStart für Studio Classic-Benutzer** aktivieren aus. Wählen Sie **Weiter** aus. 1. Wählen Sie **Absenden** aus. Sie sollten in der Lage sein, die Standardrollen unter **Projekte — SageMaker Amazon-Projektvorlagen, die für dieses Konto aktiviert** sind, auf der Registerkarte **Apps — Studio** aufgeführt zu sehen. **IAM-Rolle finden** Wenn Sie diese Option auswählen, müssen Sie für jeden der erforderlichen Services eine vorhandene IAM-Rolle aus der Dropdown-Liste auswählen. Die ausgewählte Rolle muss mindestens über die für den entsprechenden Service erforderlichen Mindestberechtigungen verfügen. Eine Beschreibung der für jeden Service erforderlichen Berechtigungen finden Sie unter [AWS Verwaltete Richtlinien für SageMaker Projekte und JumpStart](security-iam-awsmanpol-sc.md). **Eingabe-IAM-Rolle** Wenn Sie diese Option auswählen, müssen Sie den ARN für eine bestehende IAM-Rolle manuell eingeben. Die ausgewählte Rolle muss mindestens über die für den entsprechenden Service erforderlichen Mindestberechtigungen verfügen. Eine Beschreibung der für jeden Service erforderlichen Berechtigungen finden Sie unter [AWS Verwaltete Richtlinien für SageMaker Projekte und JumpStart](security-iam-awsmanpol-sc.md). # SageMaker JumpStart Amazon-Branche: Finanzen SageMaker JumpStart Branche: Finanzbranche Nutzen Sie SageMaker JumpStart Industry: Financial Solutions, Models und Beispiel-Notizbücher, um anhand von kuratierten One-Step-Lösungen und Beispielnotizbüchern zu branchenspezifischen Problemen im Bereich maschinelles Lernen (ML) mehr über SageMaker KI-Funktionen und -Fähigkeiten zu erfahren. In den Notebooks wird auch beschrieben, wie das SageMaker JumpStart Industry Python SDK verwendet werden kann, um Industrietextdaten zu verbessern und vortrainierte Modelle zu optimieren. **Topics** + [ ## Python-SDK für die SageMaker JumpStart Industrie von Amazon ](#studio-jumpstart-industry-pysdk) + [ ## Amazon SageMaker JumpStart Industry: Finanzielle Lösung ](#studio-jumpstart-industry-solutions) + [ ## SageMaker JumpStart Amazon-Branche: Finanzmodelle ](#studio-jumpstart-industry-models) + [ ## SageMaker JumpStart Amazon-Branche: Notizbücher mit finanziellem Beispiel ](#studio-jumpstart-industry-examples) + [ ## SageMaker JumpStart Amazon-Branche: Blogbeiträge zum Thema Finanzen ](#studio-jumpstart-industry-blogs) + [ ## SageMaker JumpStart Amazon-Branche: Finanzbezogene Forschung ](#studio-jumpstart-industry-research) + [ ## Amazon SageMaker JumpStart Industry: Zusätzliche finanzielle Ressourcen ](#studio-jumpstart-industry-resources) ## Python-SDK für die SageMaker JumpStart Industrie von Amazon SageMaker JumpStart Python-SDK für die Industrie SageMaker Runtime JumpStart bietet über seine Clientbibliothek namens SageMaker JumpStart Industry Python SDK Verarbeitungstools für die Kuratierung von Branchendatensätzen und die Feinabstimmung vortrainierter Modelle. Eine ausführliche API-Dokumentation des SDK und weitere Informationen zur Verarbeitung und Verbesserung von Industrietextdatensätzen zur Verbesserung der Leistung von state-of-the-art Modellen finden Sie in der [Open-Source-Dokumentation zum SageMaker JumpStart SageMaker JumpStart Industry Python SDK](https://sagemaker-jumpstart-industry-pack.readthedocs.io). ## Amazon SageMaker JumpStart Industry: Finanzielle Lösung SageMaker JumpStart Branche: Finanzlösungen SageMaker JumpStart Branche: Financial bietet die folgenden Lösungs-Notebooks an: + **Prognose der Kreditwürdigkeit von Unternehmen** Diese SageMaker JumpStart Branche: Die Finanzlösung bietet eine Vorlage für ein textgestütztes Kreditratingmodell für Unternehmen. Sie zeigt, wie ein auf numerischen Merkmalen basierendes Modell (in diesem Fall die berühmten 5 Finanzkennzahlen von Altman) mit Texten aus Unterlagen der Börsenaufsicht kombiniert werden kann, um die Vorhersage von Kreditratings zu verbessern. Zusätzlich zu den 5 Altman-Verhältnissen können Sie bei Bedarf weitere Variablen hinzufügen oder benutzerdefinierte Variablen festlegen. Dieses Lösungsnotizbuch zeigt, wie das SageMaker JumpStart Industry Python SDK bei der Verarbeitung natürlicher Sprachverarbeitung (NLP) von Texten aus SEC-Einreichungen hilft. Darüber hinaus zeigt die Lösung, wie ein Modell mithilfe des erweiterten Datensatzes trainiert werden kann, um ein best-in-class Modell zu erstellen, das Modell auf einem SageMaker KI-Endpunkt für die Produktion bereitzustellen und verbesserte Vorhersagen in Echtzeit zu erhalten. + **Auf Grafiken basierende Kreditwürdigkeitsprüfung** Kreditratings werden traditionell anhand von Modellen generiert, die Jahresabschlussdaten und Marktdaten verwenden, die nur tabellarisch (numerisch und kategorisch) sind. Diese Lösung baut anhand von [Unterlagen der SEC](https://www.sec.gov/edgar/searchedgar/companysearch.html) ein Netzwerk von Unternehmen auf und zeigt, wie das Netzwerk von Unternehmensbeziehungen mit tabellarischen Daten genutzt werden kann, um genaue Ratingprognosen zu erstellen. Diese Lösung demonstriert eine Methode zur Nutzung von Daten über Unternehmensverflechtungen, um die traditionell tabellarischen Kreditbewertungsmodelle, die von der Ratingbranche seit Jahrzehnten verwendet werden, auf Modelle für Machine Learning in Netzwerken auszudehnen. **Anmerkung** Die Lösungs-Notebooks dienen nur zu Demonstrationszwecken. Sie sollten sich nicht als Finanz- oder Anlageberatung heranziehen. Sie finden diese Finanzdienstleistungslösungen auf der SageMaker JumpStart Seite in Studio Classic. **Wichtig** Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich konkret auf die Verwendung der Studio-Classic-Anwendung. Informationen zur Verwendung der aktualisierten Studio-Konfiguration finden Sie unter [Amazon SageMaker Studio](studio-updated.md). Studio Classic wird weiterhin für bestehende Workloads beibehalten, ist aber nicht mehr für das Onboarding verfügbar. Sie können nur bestehende Studio Classic-Anwendungen beenden oder löschen und keine neuen erstellen. Wir empfehlen Ihnen, [Ihren Workload auf das neue Studio-Erlebnis zu migrieren](studio-updated-migrate.md). **Anmerkung** Die SageMaker JumpStart Branche: Finanzlösungen, Modellkarten und Beispiel-Notebooks werden nur über SageMaker Studio Classic gehostet und ausgeführt. Melden Sie sich bei der [SageMaker AI-Konsole](https://console.aws.amazon.com/sagemaker) an und starten Sie SageMaker Studio Classic. Weitere Informationen zum Auffinden der Lösungskarte finden Sie im vorherigen Thema unter [SageMaker JumpStart](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-jumpstart.html). ## SageMaker JumpStart Amazon-Branche: Finanzmodelle SageMaker JumpStart Branche: Finanzmodelle SageMaker JumpStart Branche: Financial bietet die folgenden vortrainierten Modelle mit [robust-optimiertem BERT-Ansatz (RoBERTa)](https://arxiv.org/pdf/1907.11692.pdf) an: + **Einbettung von Finanztexten (Ro-Sec-Base) BERTa** + **RoBERTa-SEC-WIKI-Base ** + **RoBERTa-SEC-Large ** + **RoBERTa-SEC-WIKI-Large ** Bei den RoBERTa-SEC-Large Modellen RoBERTa-SEC-Base und handelt es sich um Modelle zur Texteinbettung, die auf dem [BERTa Ro-Modell von GluonNLP](https://nlp.gluon.ai/api/model.html#gluonnlp.model.RoBERTaModel) basieren und anhand von S&P 500 SEC 10-K/10-Q-Berichten aus dem Jahrzehnt der 2010er Jahre (von 2010 bis 2019) vorab trainiert wurden. Darüber hinaus bietet SageMaker AI JumpStart Industry: Financial zwei weitere BERTa Ro-Varianten an, RoBERTa-SEC-WIKI-Base und RoBERTa-SEC-WIKI-Large, die anhand der SEC-Unterlagen und allgemeinen Texte von Wikipedia vorab trainiert wurden. **Sie finden diese Modelle in, SageMaker JumpStart indem Sie zum Knoten **Textmodelle** navigieren, **Alle Textmodelle durchsuchen** auswählen und dann nach der ML-Aufgabe Text Embedding filtern.** Sie können auf alle entsprechenden Notebooks zugreifen, nachdem Sie das Modell Ihrer Wahl ausgewählt haben. In den beiden Notizbüchern erfahren Sie, wie die vortrainierten Modelle für spezifische Klassifizierungsaufgaben in multimodalen Datensätzen, die durch das Industry Python SDK erweitert wurden, optimiert werden können. SageMaker JumpStart **Anmerkung** Die Modell-Notebooks dienen nur zu Demonstrationszwecken. Sie sollten sich nicht als Finanz- oder Anlageberatung heranziehen. Der folgende Screenshot zeigt die vortrainierten Modellkarten, die auf der SageMaker JumpStart KI-Seite von Studio Classic bereitgestellt werden. ![\[Die vortrainierten Modellkarten, die auf der SageMaker JumpStart AI-Seite in Studio Classic bereitgestellt werden.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/jumpstart/jumpstart-finance-models.png) **Anmerkung** Die SageMaker JumpStart Branche: Finanzlösungen, Modellkarten und Beispiel-Notebooks werden nur über SageMaker Studio Classic gehostet und ausgeführt. Melden Sie sich bei der [SageMaker AI-Konsole](https://console.aws.amazon.com/sagemaker) an und starten Sie SageMaker Studio Classic. Weitere Informationen zum Auffinden der Modellkarten finden Sie im vorherigen Thema unter [SageMaker JumpStart](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-jumpstart.html). ## SageMaker JumpStart Amazon-Branche: Notizbücher mit finanziellem Beispiel SageMaker JumpStart Branche: Finanzielles Beispiel Notizbücher SageMaker JumpStart Branche: Financial stellt die folgenden Beispiel-Notebooks zur Verfügung, um Lösungen für branchenspezifische ML-Probleme zu demonstrieren: + **Konstruktion von TabText Finanzdaten** — In diesem Beispiel wird vorgestellt, wie das SageMaker JumpStart Industry Python SDK für die Verarbeitung der SEC-Unterlagen verwendet wird, z. B. für Textzusammenfassungs- und Bewertungstexte auf der Grundlage von NLP-Scoretypen und den entsprechenden Wortlisten. Eine Vorschau des Inhalts dieses Notebooks finden Sie unter [Einfache Erstellung eines multimodalen Datensatzes aus SEC-Unterlagenund NLP-Ergebnissen](https://sagemaker-jumpstart-industry-pack.readthedocs.io/en/latest/notebooks/finance/notebook1/SEC_Retrieval_Summarizer_Scoring.html) . + **Multimodales ML für TabText Daten** — Dieses Beispiel zeigt, wie verschiedene Arten von Datensätzen zu einem einzigen Datenrahmen zusammengeführt werden, der als multimodales ML bezeichnet wird, und wie multimodales ML ausgeführt wird. TabText Eine Vorschau des Inhalts dieses Notizbuchs finden Sie unter [Machine Learning auf einem TabText Datenrahmen — Ein Beispiel, das auf dem Paycheck Protection Program basiert](https://sagemaker-jumpstart-industry-pack.readthedocs.io/en/latest/notebooks/finance/notebook2/PPP_TabText_ML.html). + **Mehrkategorisches ML anhand von SEC-Anmeldedaten — Dieses Beispiel zeigt, wie ein AutoGluon NLP-Modell anhand von multimodalen (TabText) Datensätzen trainiert wird, die aus SEC-Einreichungen** für eine Klassifizierungsaufgabe mit mehreren Klassen zusammengestellt wurden. [Klassifizieren Sie SEC 10K/Q-Einreichungen anhand der MDNA-Textspalte nach Branchencodes](https://sagemaker-jumpstart-industry-pack.readthedocs.io/en/latest/notebooks/finance/notebook3/SEC_MNIST_ML.html). **Anmerkung** Die Beispiel-Notebooks dienen nur zu Demonstrationszwecken. Sie sollten sich nicht als Finanz- oder Anlageberatung heranziehen. **Anmerkung** Die SageMaker JumpStart Branche: Finanzlösungen, Modellkarten und Beispiel-Notebooks werden nur über Studio Classic gehostet und ausgeführt. SageMaker Melden Sie sich bei der [SageMaker AI-Konsole](https://console.aws.amazon.com/sagemaker) an und starten Sie SageMaker Studio Classic. Weitere Informationen zum Auffinden der Beispiel-Notizbücher finden Sie im vorherigen Thema unter [SageMaker JumpStart](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-jumpstart.html). Eine Vorschau des Inhalts der Beispiel-Notebooks finden Sie in der *Python-SDK-Dokumentation [Tutorials — Finance](https://sagemaker-jumpstart-industry-pack.readthedocs.io/en/latest/notebooks/index.html) in the SageMaker JumpStart Industry*. ## SageMaker JumpStart Amazon-Branche: Blogbeiträge zum Thema Finanzen Blog-Posts Ausführliche Anwendungsmöglichkeiten zur Nutzung von SageMaker JumpStart Industry: Financial Solutions, Models, Examples und dem SDK finden Sie in den folgenden Blogbeiträgen: + [Verwenden Sie vortrainierte Finanzsprachenmodelle für das Transferlernen in Amazon SageMaker JumpStart](https://aws.amazon.com/blogs/machine-learning/use-pre-trained-financial-language-models-for-transfer-learning-in-amazon-sagemaker-jumpstart/) + [Verwenden Sie SEC-Text für die Klassifizierung von Bewertungen mithilfe von multimodalem ML in Amazon SageMaker JumpStart](https://aws.amazon.com/blogs/machine-learning/use-sec-text-for-ratings-classification-using-multimodal-ml-in-amazon-sagemaker-jumpstart/) + [Erstellen Sie ein Dashboard mit SEC-Text für Finanz-NLP in Amazon SageMaker JumpStart](https://aws.amazon.com/blogs/machine-learning/create-a-dashboard-with-sec-text-for-financial-nlp-in-amazon-sagemaker-jumpstart/) + [Erstellen Sie mithilfe von Graph Machine Learning in Amazon einen Klassifikator für Unternehmensratings SageMaker JumpStart](https://aws.amazon.com/blogs/machine-learning/build-a-corporate-credit-ratings-classifier-using-graph-machine-learning-in-amazon-sagemaker-jumpstart/) + [Domainanpassung — Feinabstimmung von Foundation-Modellen in Amazon SageMaker JumpStart anhand von Finanzdaten](https://aws.amazon.com/blogs/machine-learning/domain-adaptation-fine-tuning-of-foundation-models-in-amazon-sagemaker-jumpstart-on-financial-data/) ## SageMaker JumpStart Amazon-Branche: Finanzbezogene Forschung Verbundene Forschung Recherchen zum Thema SageMaker JumpStart Industrie: Finanzlösungen finden Sie in den folgenden Veröffentlichungen: + [Kontext, Sprachmodellierung und multimodale Daten im Finanzwesen](https://www.pm-research.com/content/iijjfds/3/3/52) + [Multimodales Machine Learning für die Kreditmodellierung](https://www.amazon.science/publications/multimodal-machine-learning-for-credit-modeling) + [Zum Mangel an robuster Interpretierbarkeit neuronaler Textklassifikatoren](https://www.amazon.science/publications/on-the-lack-of-robust-interpretability-of-neural-text-classifiers) + [FinLex: Effektiver Einsatz von Worteinbettungen für die Generierung von Finanzlexikonen](https://www.sciencedirect.com/science/article/pii/S2405918821000131) ## Amazon SageMaker JumpStart Industry: Zusätzliche finanzielle Ressourcen Weitere Ressourcen Weitere Dokumentation und Tutorials finden Sie in den folgenden Ressourcen: + [Die SageMaker JumpStart Branche: Financial Python SDK](https://pypi.org/project/smjsindustry/) + [SageMaker JumpStart Branche: Python-SDK-Tutorials für Finanzen](https://sagemaker-jumpstart-industry-pack.readthedocs.io/en/latest/notebooks/index.html#) + [Die SageMaker JumpStart Branche: GitHub Finanzdepot](https://github.com/aws/sagemaker-jumpstart-industry-pack/) + [Erste Schritte mit Amazon SageMaker AI — Tutorials zum Machine Learning](https://aws.amazon.com/sagemaker/getting-started/)