翻訳は機械翻訳により提供されています。提供された翻訳内容と英語版の間で齟齬、不一致または矛盾がある場合、英語版が優先します。 # エンドツーエンドの JumpStart ソリューションテンプレート **重要** 2023 年 11 月 30 日以降、従来の Amazon SageMaker Studio のエクスペリエンスは Amazon SageMaker Studio Classic と名前が変更されました。以下のセクションは、Studio Classic アプリケーションの使用を前提とした内容です。更新後の Studio エクスペリエンスを使用する場合は、「[Amazon SageMaker Studio](studio-updated.md)」を参照してください。 Studio Classic は既存のワークロードでも維持されていますが、オンボーディングに利用できなくなりました。既存の Studio Classic アプリケーションのみを停止または削除でき、新しいアプリケーションを作成することはできません。[ワークロードを新しい Studio エクスペリエンスに移行](studio-updated-migrate.md)することをお勧めします。 **注記** JumpStart ソリューションは Studio Classic でのみ使用できます。 SageMaker JumpStart は、一般的な機械学習の多くのユースケースに対応する、ワンクリックで利用できるエンドツーエンドのソリューションを提供します。これらは、それぞれの分野に適した実績のあるアルゴリズムを採用し、通常はデータ処理、モデルトレーニング、デプロイ、推論、モニタリングを含む完結したワークフローを提供します。利用可能なソリューションテンプレートの詳細については、以下のユースケースをご覧ください。 + [需要予測](#jumpstart-solutions-demand-forecasting) + [信用格付け予測](#jumpstart-solutions-credit-prediction) + [不正検出](#jumpstart-solutions-fraud-detection) + [コンピュータビジョン](#jumpstart-solutions-computer-vision) + [ドキュメントからデータを抽出して分析する](#jumpstart-solutions-documents) + [予知保全](#jumpstart-solutions-predictive-maintenance) + [チャーン予測](#jumpstart-solutions-churn-prediction) + [パーソナライズしたレコメンデーション](#jumpstart-solutions-recommendations) + [強化学習](#jumpstart-solutions-reinforcement-learning) + [ヘルスケアおよびライフサイエンス](#jumpstart-solutions-healthcare-life-sciences) + [財務価格設定](#jumpstart-solutions-financial-pricing) + [因果推論](#jumpstart-solutions-causal-inference) JumpStart のランディングページから、ユースケースに最適なソリューションテンプレートを選択してください。ソリューションテンプレートを選択すると、ソリューションの説明と **[起動]** ボタンが表示された新しいタブが JumpStart で開きます。**[起動]** を選択すると、トレーニングやモデルホスティングインスタンスなど、ソリューションの実行に必要なすべてのリソースが JumpStart で作成されます。JumpStart ソリューションの起動に関する詳細については、「[ソリューションを起動する](jumpstart-solutions-launch.md)」を参照してください。 ソリューションを起動したら、JumpStart でソリューションの機能や生成されたアーティファクトを確認できます。**[起動済み JumpStart アセット]** メニューを使用してソリューションを検索します。ソリューションのタブで、**[ノートブックを開く]** を選択して提供されたノートブックを使用して、ソリューションの機能を確認します。アーティファクトは、起動中または提供されたノートブックの実行後に生成され、**[生成されたアーティファクト]** テーブルに一覧表示されます。ゴミ箱アイコン (![The trash icon for JumpStart.](http://docs.aws.amazon.com/ja_jp/sagemaker/latest/dg/images/jumpstart/jumpstart-trash.png)) を使用すると、個々のアーティファクトを削除できます。**[Delete solution resources]** (ソリューションリソースを削除) を選択すると、ソリューションのリソースをすべて削除できます。 ## 需要予測 需要予測では、過去の時系列データを使用して、特定の期間における顧客需要に関する将来予測を行い、企業全体の需要と供給の意思決定プロセスを合理化します。 需要予測のユースケースには、運輸業界のチケット販売、株価、通院回数、来月に複数拠点で採用する顧客担当者数、来四半期の複数地域の製品売上、ビデオストリーミングサービスの翌日のクラウドサーバー使用量、来週の複数地域の電力消費量、エネルギー消費量などの IoT デバイスとセンサーの数の予測などがあります。 時系列データは、単変量と多変量に分類されます。****例えば、1 世帯の総電力消費量は、ある期間にわたる単変量の時系列です。複数の単変量時系列が積み重なっていることを多変量時系列と呼びます。例えば、1 つの地域にある 10 世帯の異なる (ただし相関関係がある) 世帯の総電力消費量は、多変量時系列データセットを構成します。 | ソリューション名 | 説明 | はじめに | | --- | --- | --- | | 需要予測 | 3 つの最先端の時系列予測アルゴリズム ([LSTNet](https://ts.gluon.ai/stable/api/gluonts/gluonts.mx.model.lstnet.html)、[Prophet](https://facebook.github.io/prophet/)、[SageMaker AI DeepAR](https://docs.aws.amazon.com/sagemaker/latest/dg/deepar.html)) を使用した多変量時系列データの需要予測。 | [GitHub »](https://github.com/awslabs/sagemaker-deep-demand-forecast) | ## 信用格付け予測 JumpStart の信用格付け予測ソリューションを使用すると、企業の信用格付けを予測したり、機械学習モデルによる信用予測判断を説明したりできます。従来の信用格付けモデリング手法と比較して、機械学習モデルは信用予測を自動化し、精度を向上させることができます。 | ソリューション名 | 説明 | はじめに | | --- | --- | --- | | 企業の信用格付け予測 | AWS [AutoGluon 表形式を使用した質の高いクレジット予測のためのマルチモーダル (ロングテキストと表形式](https://auto.gluon.ai/scoredebugweight/tutorials/tabular_prediction/index.html)) 機械学習。 | [GitHub »](https://github.com/awslabs/sagemaker-corporate-credit-rating) | | グラフベースの信用度採点 | [Graph Neural Network GraphSAGE](https://cs.stanford.edu/people/jure/pubs/graphsage-nips17.pdf) と AWS [AutoGluon の表形式](https://auto.gluon.ai/scoredebugweight/tutorials/tabular_prediction/index.html)モデルをトレーニングして、表形式データと企業ネットワークを使用して企業の信用格付けを予測します。 | Amazon SageMaker Studio Classic で検索します。 | | 与信判断を説明する | 与信取引申請書の信用破綻を予測し、[LightGBM](https://lightgbm.readthedocs.io/en/latest/) と [SHAP (SHapley Additive exPlanations)](https://shap.readthedocs.io/en/latest/index.html) を使用して説明を提供します。 | [GitHub »](https://github.com/awslabs/sagemaker-explaining-credit-decisions) | ## 不正検出 多くの企業が不正行為により年間数十億の損失を被っています。機械学習ベースの不正検出モデルは、膨大な量のデータから不正行為の可能性を体系的に特定するのに役立ちます。以下のソリューションでは、トランザクションとユーザー ID のデータセットを使用して不正取引を特定します。 | ソリューション名 | 説明 | はじめに | | --- | --- | --- | | 悪意のあるユーザーおよびトランザクションを検出する | [SageMaker AI XGBoost](https://docs.aws.amazon.com/sagemaker/latest/dg/xgboost.html) でオーバーサンプリング手法の [Synthetic Minority Over-sampling](https://arxiv.org/abs/1106.1813) (SMOTE) を使用して、トランザクションの不正行為の可能性を自動的に検出します。 | [GitHub »](https://github.com/awslabs/fraud-detection-using-machine-learning) | | Deep Graph Library を使用した、金融取引における不正検出 | [Deep Graph Library](https://www.dgl.ai/) および [SageMaker AI XGBoost](https://docs.aws.amazon.com/sagemaker/latest/dg/xgboost.html) モデルを使用した[グラフ畳み込みネットワーク](https://arxiv.org/pdf/1703.06103.pdf)のトレーニングにより、金融取引における不正を検出します。 | [GitHub »](https://github.com/awslabs/sagemaker-graph-fraud-detection) | | 金融決済の分類 | [SageMaker AI XGBoost](https://docs.aws.amazon.com/sagemaker/latest/dg/xgboost.html) を使用して、トランザクション情報に基づいて金融決済を分類します。このソリューションテンプレートを不正検出、パーソナライズ、異常検出の中間ステップとして使用します。 | Amazon SageMaker Studio Classic で検索します。 | ## コンピュータビジョン 自動運転車、スマートビデオ監視、ヘルスケアモニタリング、さまざまなオブジェクトカウントタスクなどのビジネスユースケースの増加に伴い、高速で正確なオブジェクト検出システムの需要が高まっています。これらのシステムでは、イメージ内のすべてのオブジェクトを認識して分類するだけでなく、その周囲に適切な境界ボックスを描画して各オブジェクトをローカライズします。過去 10 年間で、深層学習手法の急速な進歩により、オブジェクト検出の勢いは大幅に加速しました。 | ソリューション名 | 説明 | はじめに | | --- | --- | --- | | 視覚的な製品欠陥検出 | [オブジェクト検出モデルをゼロからトレーニングする](https://ieeexplore.ieee.org/document/8709818)か、事前トレーニング済みの SageMaker AI モデルをファインチューニングすることで、製品イメージ内の欠陥領域を特定します。 | [GitHub »](https://github.com/awslabs/sagemaker-defect-detection) | | 手書き認識 | [オブジェクト検出モデル](https://mxnet.apache.org/versions/1.0.0/api/python/gluon/model_zoo.html#mxnet.gluon.model_zoo.vision.resnet34_v1)と[手書き認識モデル](https://arxiv.org/abs/1910.00663)のトレーニングにより、イメージ内の手書きテキストを認識します。[SageMaker Ground Truth](https://aws.amazon.com/sagemaker/data-labeling/) を使用して独自のデータにラベルを付けます。 | [GitHub »](https://github.com/awslabs/sagemaker-handwritten-text-recognition) | | 鳥種に対するオブジェクト検出 | [SageMaker AI オブジェクト検出モデル](https://docs.aws.amazon.com/sagemaker/latest/dg/object-detection.html)を使用して、シーン内の鳥種を特定します。 | Amazon SageMaker Studio Classic で検索します。 | ## ドキュメントからデータを抽出して分析する JumpStart は、ビジネスクリティカルなドキュメントから有益なインサイトや関連性を明らかにするためのソリューションを提供します。ユースケースには、テキスト分類、ドキュメントの要約、手書き認識、関係の抽出、質疑応答、不足している値の表形式レコードへの入力などがあります。 | ソリューション名 | 説明 | はじめに | | --- | --- | --- | | センチメント分類のプライバシー | [テキストの匿名化](https://www.amazon.science/blog/preserving-privacy-in-analyses-of-textual-data)により、センチメント分類におけるユーザーのプライバシーをより良く保護します。 | [GitHub »](https://github.com/awslabs/sagemaker-privacy-for-nlp) | | ドキュメントの理解 | PyTorch の [transformers](https://huggingface.co/docs/transformers/index) ライブラリを使用した、ドキュメントの要約、エンティティ、関係の抽出。 | [GitHub »](https://github.com/awslabs/sagemaker-document-understanding) | | 手書き認識 | [オブジェクト検出モデル](https://mxnet.apache.org/versions/1.0.0/api/python/gluon/model_zoo.html#mxnet.gluon.model_zoo.vision.resnet34_v1)と[手書き認識モデル](https://arxiv.org/abs/1910.00663)のトレーニングにより、イメージ内の手書きテキストを認識します。[SageMaker Ground Truth](https://aws.amazon.com/sagemaker/data-labeling/) を使用して独自のデータにラベルを付けます。 | [GitHub »](https://github.com/awslabs/sagemaker-handwritten-text-recognition) | | 不足している値を表形式レコードに入力する | [SageMaker Autopilot](https://aws.amazon.com/sagemaker/autopilot/) モデルのトレーニングにより、不足している値を表形式レコードに入力します。 | [GitHub »](https://github.com/awslabs/filling-in-missing-values-in-tabular-records) | ## 予知保全 予知保全は、部品を適時に交換できるようにすることで、修正メンテナンスと予防的なメンテナンスのバランスを最適化することを目的としています。以下のソリューションは、産業アセットのセンサーデータを使用して、機械の故障、計画外のダウンタイム、修理コストを予測します。 | ソリューション名 | 説明 | はじめに | | --- | --- | --- | | 車両フリートの予知保全 | 畳み込みニューラルネットワークモデルで車両センサーと保全情報を使用して、車両フリートの障害を予測します。 | [GitHub »](https://github.com/awslabs/aws-fleet-predictive-maintenance/) | | 製造の予知保全 | 過去のセンサー読み取り値を使用した[スタック双方向 LSTM ニューラルネットワーク](https://arxiv.org/pdf/1801.02143.pdf)モデルのトレーニングにより、各センサーの残存耐用年数を予測します。 | [GitHub »](https://github.com/awslabs/predictive-maintenance-using-machine-learning) | ## チャーン予測 カスタマーチャーン、つまり減少率は、さまざまな企業が直面するコストのかかる問題です。カスタマーチャーンを減らすために、企業はサービスを離れそうな顧客を特定し、顧客維持に注力できます。JumpStart の顧客離れ予測ソリューションを使用すると、ユーザーの行動やカスタマーサポートのチャットログなどのデータソースを分析して、サブスクリプションやサービスをキャンセルするリスクが高い顧客を特定できます。 | ソリューション名 | 説明 | はじめに | | --- | --- | --- | | テキストによるチャーン予測 | [BERT エンコーダ](https://huggingface.co/)と [RandomForestClassifier](https://scikit-learn.org/stable/modules/generated/sklearn.ensemble.RandomForestClassifier.html) で数値、カテゴリ、テキスト機能を使用してチャーンを予測します。 | [GitHub »](https://github.com/awslabs/sagemaker-churn-prediction-text) | | 携帯電話の顧客のチャーン予測 | [SageMaker AI XGBoost](https://docs.aws.amazon.com/sagemaker/latest/dg/xgboost.html) を使用して、不満を抱いている携帯電話の顧客を特定します。 | Amazon SageMaker Studio Classic で検索します。 | ## パーソナライズしたレコメンデーション JumpStart ソリューションを使用して顧客 ID グラフやユーザーセッションを分析し、顧客の行動をよりよく理解して予測することができます。以下のソリューションをパーソナライズしたレコメンデーションに使用すると、複数のデバイスにわたるカスタマー ID をモデル化したり、顧客が購入する可能性を判断したり、過去の顧客の行動に基づいてカスタムムービーレコメンダーを作成したりできます。 | ソリューション名 | 説明 | はじめに | | --- | --- | --- | | Deep Graph Library を使用したアイデンティティグラフでのエンティティ解決 | [Deep Graph Library](https://www.dgl.ai/) を使用した[グラフ畳み込みネットワーク](https://arxiv.org/pdf/1703.06103.pdf)のトレーニングにより、オンライン広告のクロスデバイスエンティティリンク設定を実行します。 | [GitHub »](https://github.com/awslabs/sagemaker-graph-entity-resolution) | | 購入モデリング | [SageMaker AI XGBoost](https://docs.aws.amazon.com/sagemaker/latest/dg/xgboost.html) モデルのトレーニングにより、顧客が購入するかどうかを予測します。 | [GitHub »](https://github.com/awslabs/sagemaker-purchase-modelling) | | カスタマイズされたレコメンダーシステム | SageMaker AI のニューラルコラボレーティブフィルタリングを使用して、過去の行動に基づいて顧客向けのムービーの提案を生成するカスタムレコメンダーシステムをトレーニングしてデプロイします。 | Amazon SageMaker Studio Classic で検索します。 | ## 強化学習 強化学習 (RL) は、環境との相互作用に基づく学習の一種です。このタイプの学習は動的な環境との試行錯誤を通じて行動を学習する必要があるエージェントによって使用され、エージェントがアクションの結果として受け取る長期的な報酬の最大化を目的としています。報酬は、報酬が不確かな探索アクションを報酬が既知の活用アクションとトレードオフすることで最大化されます。 RL は、サプライチェーン管理、HVAC システム、工業ロボット、ゲーム人工知能、ダイアログシステム、自動運転車など、大規模で複雑な問題の解決に適しています。 | ソリューション名 | 説明 | はじめに | | --- | --- | --- | | Battlesnake AI 競技の強化学習 | [BattleSnake](https://play.battlesnake.com/) AI 競技のトレーニングと推論のための強化学習ワークフローを提供します。 | [GitHub »](https://github.com/awslabs/sagemaker-battlesnake-ai) | | Procgen チャレンジのための分散強化学習 | [NeurIPS 2020 Procgen](https://www.aicrowd.com/challenges/neurips-2020-procgen-competition) 強化学習チャレンジのための分散強化学習スターターキット。 | [GitHub »](https://github.com/aws-samples/sagemaker-rl-procgen-ray) | ## ヘルスケアおよびライフサイエンス 臨床医や研究者は JumpStart ソリューションを使用して、医療画像、ゲノム情報、および臨床医療記録を分析できます。 | ソリューション名 | 説明 | はじめに | | --- | --- | --- | | 肺がんの生存予測 | [SageMaker AI XGBoost](https://docs.aws.amazon.com/sagemaker/latest/dg/xgboost.html) を使用した 3 次元肺コンピュータ断層撮影 (CT) スキャン、ゲノムデータ、および臨床医療記録により、非小細胞肺がん患者の生存状況を予測します。 | [GitHub »](https://github.com/aws-samples/machine-learning-pipelines-for-multimodal-health-data/tree/sagemaker-soln-lcsp) | ## 財務価格設定 多くの企業は、リターンを最大化するために定期的に動的に価格を調整しています。価格最適化、動的な価格設定、オプション価格設定、またはポートフォリオ最適化のユースケースには、次の JumpStart ソリューションを使用します。 | ソリューション名 | 説明 | はじめに | | --- | --- | --- | | 価格最適化 | 因果推論と [Prophet](https://facebook.github.io/prophet/) 予測手順にダブル機械学習 (ML) を用いて、価格の伸縮性を推定します。これらの見積もりを使用して、日次価格を最適化します。 | Amazon SageMaker Studio Classic で検索します。 | ## 因果推論 研究者は、ベイズネットワークなどの機械学習モデルを使用して因果関係を明らかにし、データに基づいて因果関係の結論を導き出すことができます。次の JumpStart ソリューションを使用して、窒素ベースの施肥とトウモロコシの収穫量との因果関係を理解します。 | ソリューション名 | 説明 | はじめに | | --- | --- | --- | | 収穫量の反実仮想 | トウモロコシの窒素に対する反応の反実仮想分析を行います。このソリューションでは、マルチスペクトルの衛星画像と[地上レベルの観測値](https://www.sciencedirect.com/science/article/pii/S2352340921010283#tbl0001)を使用して、作物のフェノロジーサイクル全体を学習します。 | Amazon SageMaker Studio Classic で検索します。 |