As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.
# Amazon SageMaker JumpStart no Studio Classic
**Importante**
Em 30 de novembro de 2023, a experiência anterior do Amazon SageMaker Studio agora se chama Amazon SageMaker Studio Classic. A seção a seguir é específica ao uso da aplicação Studio Classic. Para obter informações sobre como usar a experiência atualizada do Studio, consulte [SageMaker Estúdio Amazon](studio-updated.md).
O Studio Classic ainda é mantido para cargas de trabalho existentes, mas não está mais disponível para integração. Você só pode parar ou excluir aplicativos do Studio Classic existentes e não pode criar novos. Recomendamos que você [migre sua carga de trabalho para a nova experiência do Studio](studio-updated-migrate.md).
Os seguintes JumpStart recursos estão disponíveis somente no Amazon SageMaker Studio Classic.
+ [Modelos específicos de tarefas](jumpstart-models.md)
+ [Modelos e cadernos compartilhados](jumpstart-content-sharing.md)
+ [End-to-end JumpStart modelos de solução](jumpstart-solutions.md)
+ [SageMaker JumpStart Indústria da Amazon: Financeira](studio-jumpstart-industry.md)
# Modelos específicos de tarefas
JumpStart oferece suporte a modelos específicos de tarefas em quinze dos tipos de problemas mais populares. Dos tipos de problemas compatíveis, os tipos relacionados à Visão e à PNL totalizam treze. Há oito tipos de problemas que oferecem apoio ao treinamento incremental e ao ajuste fino. Para obter mais informações sobre treinamento incremental e ajuste de hiperparâmetros, consulte Ajuste [automático de modelos com SageMaker IA](https://docs.aws.amazon.com/sagemaker/latest/dg/automatic-model-tuning.html). JumpStart também oferece suporte a quatro algoritmos populares para modelagem de dados tabulares.
Você pode pesquisar e procurar modelos na página JumpStart inicial no Studio ou no Studio Classic. Quando você seleciona um modelo, a página de detalhes do modelo fornece informações sobre o modelo e você pode treinar e implantar seu modelo em algumas etapas. A seção de descrição descreve o que você pode fazer com o modelo, os tipos esperados de entradas e saídas e o tipo de dados necessário para ajustar seu modelo.
[Você também pode utilizar modelos de forma programática com o SDK do PythonSageMaker .](https://sagemaker.readthedocs.io/en/stable/overview.html#use-prebuilt-models-with-sagemaker-jumpstart) Para obter uma lista de todos os modelos disponíveis, consulte a [Tabela de modelos JumpStart disponíveis](https://sagemaker.readthedocs.io/en/v2.132.0/doc_utils/pretrainedmodels.html).
A lista de tipos de problemas e links para seus exemplos de cadernos Jupyter está resumida na tabela a seguir.
| Tipos de problema | Compatível com inferência com modelos pré-treinados | Treinável em um conjunto de dados personalizado | Estruturas compatíveis | Cadernos de exemplo |
| --- | --- | --- | --- | --- |
| Classificação de imagens | Sim | Sim | PyTorch, TensorFlow | [Introdução à JumpStart - Classificação de imagens](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_image_classification/Amazon_JumpStart_Image_Classification.ipynb) |
| Detecção de objetos | Sim | Sim | PyTorch, TensorFlow, MXNet | [Introdução à JumpStart - Detecção de objetos](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_object_detection/Amazon_JumpStart_Object_Detection.ipynb) |
| Segmentação semântica | Sim | Sim | MXNet | [Introdução à JumpStart - Segmentação semântica](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_semantic_segmentation/Amazon_JumpStart_Semantic_Segmentation.ipynb) |
| Segmentação de instância | Sim | Sim | MXNet | [Introdução à JumpStart segmentação de instâncias](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_instance_segmentation/Amazon_JumpStart_Instance_Segmentation.ipynb) |
| Incorporação de imagens | Sim | Não | TensorFlow, MXNet | [Introdução à JumpStart - Incorporação de imagens](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_image_embedding/Amazon_JumpStart_Image_Embedding.ipynb) |
| Classificação de texto | Sim | Sim | TensorFlow | [Introdução à JumpStart - Classificação de texto](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_text_classification/Amazon_JumpStart_Text_Classification.ipynb) |
| Classificação de pares de frases | Sim | Sim | TensorFlow, Hugging Face | [Introdução à JumpStart - Classificação de pares de frases](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_sentence_pair_classification/Amazon_JumpStart_Sentence_Pair_Classification.ipynb) |
| Perguntas e respostas | Sim | Sim | PyTorch, Hugging Face | [Introdução à JumpStart — Resposta a perguntas](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_question_answering/Amazon_JumpStart_Question_Answering.ipynb) |
| Reconhecimento de entidades nomeadas | Sim | Não | Hugging Face | [Introdução ao JumpStart - Reconhecimento de entidades nomeadas](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_named_entity_recognition/Amazon_JumpStart_Named_Entity_Recognition.ipynb) |
| Resumo de texto | Sim | Não | Hugging Face | [Introdução à JumpStart - Sumarização de texto](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_text_summarization/Amazon_JumpStart_Text_Summarization.ipynb) |
| Geração de texto | Sim | Não | Hugging Face | [Introdução à JumpStart - Geração de texto](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_text_generation/Amazon_JumpStart_Text_Generation.ipynb) |
| Tradução de máquina | Sim | Não | Hugging Face | [Introdução à JumpStart - Tradução automática](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_machine_translation/Amazon_JumpStart_Machine_Translation.ipynb) |
| Incorporação de texto | Sim | Não | TensorFlow, MXNet | [Introdução à JumpStart - Incorporação de texto](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_text_embedding/Amazon_JumpStart_Text_Embedding.ipynb) |
| Classificação tabular | Sim | Sim | LightGBM,,, AutoGluon -Tabular CatBoost, XGBoost, Linear Learner TabTransformer | [Introdução à JumpStart - Classificação tabular - LightGBM, CatBoost](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/lightgbm_catboost_tabular/Amazon_Tabular_Classification_LightGBM_CatBoost.ipynb) [Introdução à JumpStart - Classificação tabular - XGBoost, Linear Learner](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/xgboost_linear_learner_tabular/Amazon_Tabular_Classification_XGBoost_LinearLearner.ipynb) [Introdução à JumpStart - Classificação tabular - AutoGluon Aluno](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/autogluon_tabular/Amazon_Tabular_Classification_AutoGluon.ipynb) [Introdução à JumpStart - Classificação tabular - TabTransformer Aluno](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/tabtransformer_tabular/Amazon_Tabular_Classification_TabTransformer.ipynb) |
| Regressão tabular | Sim | Sim | LightGBM,,, AutoGluon -Tabular CatBoost, XGBoost, Linear Learner TabTransformer | [Introdução à JumpStart - Regressão tabular - LightGBM, CatBoost](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/lightgbm_catboost_tabular/Amazon_Tabular_Regression_LightGBM_CatBoost.ipynb) [Introdução à JumpStart — Regressão tabular — XGBoost, Linear Learner](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/xgboost_linear_learner_tabular/Amazon_Tabular_Regression_XGBoost_LinearLearner.ipynb) [Introdução à JumpStart — Regressão tabular - Aluno AutoGluon ](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/autogluon_tabular/Amazon_Tabular_Regression_AutoGluon.ipynb) [Introdução à JumpStart — Regressão tabular - Aluno TabTransformer](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/tabtransformer_tabular/Amazon_Tabular_Regression_TabTransformer.ipynb) |
# Implantar um modelo
Quando você implanta um modelo a partir de JumpStart, a SageMaker IA hospeda o modelo e implanta um endpoint que você pode usar para inferência. JumpStart também fornece um exemplo de notebook que você pode usar para acessar o modelo após a implantação.
**Importante**
Em 30 de novembro de 2023, a experiência anterior do Amazon SageMaker Studio agora se chama Amazon SageMaker Studio Classic. A seção a seguir é específica ao uso da aplicação Studio Classic. Para obter informações sobre como usar a experiência atualizada do Studio, consulte [SageMaker Estúdio Amazon](studio-updated.md).
O Studio Classic ainda é mantido para cargas de trabalho existentes, mas não está mais disponível para integração. Você só pode parar ou excluir aplicativos do Studio Classic existentes e não pode criar novos. Recomendamos que você [migre sua carga de trabalho para a nova experiência do Studio](studio-updated-migrate.md).
**nota**
Para obter mais informações sobre a implantação do JumpStart modelo no Studio, consulte [Implantar um modelo no Studio](jumpstart-foundation-models-use-studio-updated-deploy.md)
## Configuração de implantação do modelo
Depois de escolher um modelo, a guia do modelo é aberta. No painel **Implantar modelo**, escolha **Configuração de implantação** para configurar a implantação do modelo.
![\[The Deploy Model pane.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/jumpstart/jumpstart-deploy.png)
O tipo de instância padrão para implantar um modelo depende do modelo. O tipo de instância é o hardware no qual o trabalho de treinamento é executado. No exemplo a seguir, a instância `ml.p2.xlarge` é o padrão para esse modelo BERT específico.
Você também pode alterar o nome do endpoint, adicionar tags de `key;value` recursos, ativar ou desativar o `jumpstart-` prefixo de qualquer JumpStart recurso relacionado ao modelo e especificar um bucket do Amazon S3 para armazenar artefatos do modelo usados pelo seu endpoint de IA. SageMaker
![\[JumpStart Deploy Model pane with Deployment Configuration open to select its settings.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/jumpstart/jumpstart-deploy-config.png)
Escolha **Configurações de segurança** para especificar a função AWS Identity and Access Management (IAM), a Amazon Virtual Private Cloud (Amazon VPC) e as chaves de criptografia para o modelo.
![\[JumpStart Deploy Model pane with Security Settings open to select its settings.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/jumpstart/jumpstart-deploy-security.png)
## Segurança de implantação de modelos
Ao implantar um modelo com JumpStart, você pode especificar uma função do IAM, Amazon VPC e chaves de criptografia para o modelo. Se você não especificar nenhum valor para essas entradas: o perfil do IAM padrão é seu perfil de runtime do Studio Classic; a criptografia padrão é usada; nenhuma Amazon VPC é usada.
### perfil do IAM
Você pode selecionar uma função do IAM que seja aprovada como parte dos trabalhos de treinamento e hospedagem. SageMaker A IA usa essa função para acessar dados de treinamento e modelar artefatos. Se você não selecionar uma função do IAM, a SageMaker IA implanta o modelo usando sua função de tempo de execução do Studio Classic. Para obter mais informações sobre perfis do IAM, consulte [AWS Identity and Access Management para Amazon SageMaker AI](security-iam.md).
A função que você passa deve ter acesso aos recursos de que o modelo precisa e deve incluir todos os itens a seguir.
+ Para trabalhos de treinamento: [CreateTrainingJob API: Permissões da função de execução](https://docs.aws.amazon.com//sagemaker/latest/dg/sagemaker-roles.html#sagemaker-roles-createtrainingjob-perms).
+ Para hospedagem de trabalhos: [CreateModel API: Permissões da função de execução](https://docs.aws.amazon.com//sagemaker/latest/dg/sagemaker-roles.html#sagemaker-roles-createmodel-perms).
**nota**
Você pode definir o escopo das permissões do Amazon S3 concedidas em cada uma das seguintes funções: Faça isso usando o ARN do seu bucket do Amazon Simple Storage Service (Amazon S3) e do bucket do Amazon S3. JumpStart
```
[
{
"Effect": "Allow",
"Action": [
"s3:GetObject",
"s3:ListBucket"
],
"Resource": [
"arn:aws:s3:::jumpstart-cache-prod-/*",
"arn:aws:s3:::jumpstart-cache-prod-",
"arn:aws:s3:::/*"
]
},
{
"Effect": "Allow",
"Action": [
"cloudwatch:PutMetricData",
"logs:CreateLogStream",
"logs:PutLogEvents",
"logs:CreateLogGroup",
"logs:DescribeLogStreams",
"ecr:GetAuthorizationToken"
],
"Resource": [
"*"
]
},
{
"Effect": "Allow",
"Action": [
"ecr:BatchGetImage",
"ecr:BatchCheckLayerAvailability",
"ecr:GetDownloadUrlForLayer"
],
"Resource": [
"*"
]
},
]
}
```
**Encontre o perfil do IAM**
Se selecionar essa opção, é necessário selecionar uma função existente do IAM na lista suspensa.
![\[JumpStart Security Settings IAM section with Find IAM role selected.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/jumpstart/jumpstart-deploy-security-findiam.png)
**Perfil do IAM de entrada**
Se você selecionar essa opção, deverá inserir manualmente o ARN de uma função existente do IAM. Se seu perfil de runtime do Studio Classic ou da Amazon VPC bloquear a chamada `iam:list* `, você deverá usar essa opção para usar um perfil do IAM existente.
![\[JumpStart Security Settings IAM section with Input IAM role selected.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/jumpstart/jumpstart-deploy-security-inputiam.png)
### Amazon VPC
Todos os JumpStart modelos são executados no modo de isolamento de rede. Depois que o contêiner do modelo é criado, não é possível fazer mais chamadas. Você pode selecionar uma Amazon VPC aprovada como parte de trabalhos de treinamento e hospedagem. SageMaker A IA usa essa Amazon VPC para enviar e extrair recursos do seu bucket do Amazon S3. Essa Amazon VPC é diferente da Amazon VPC, que limita o acesso à internet pública a partir da sua instância do Studio Classic. Para obter mais informações sobre o Studio Classic Amazon VPC, consulte [Conectar os cadernos do Studio em uma VPC para recursos externos](studio-notebooks-and-internet-access.md).
O Amazon VPC que você passa não precisa acessar a Internet pública, mas precisa acessar o Amazon S3. O endpoint da Amazon VPC do Amazon S3 deve permitir acesso ao menos aos seguintes recursos de que o modelo precisa:
```
{
"Effect": "Allow",
"Action": [
"s3:GetObject",
"s3:PutObject",
"s3:ListMultipartUploadParts",
"s3:ListBucket"
],
"Resources": [
"arn:aws:s3:::jumpstart-cache-prod-/*",
"arn:aws:s3:::jumpstart-cache-prod-",
"arn:aws:s3:::bucket/*"
]
}
```
Se você não selecionar uma Amazon VPC, nenhuma Amazon VPC será usada.
**Encontrar uma VPC**
Se você selecionar essa opção, deverá selecionar uma Amazon VPC existente na lista suspensa. Depois de selecionar uma Amazon VPC, você deve selecionar uma sub-rede e um grupo de segurança para sua Amazon VPC. Para obter mais informações sobre sub-redes e grupos de segurança, consulte [Visão geral das sub-redes VPCs e](https://docs.aws.amazon.com//vpc/latest/userguide/VPC_Subnets.html) sub-redes.
![\[JumpStart Security Settings VPC section with Find VPC selected.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/jumpstart/jumpstart-deploy-security-findvpc.png)
**Inserir VPC**
Se você selecionar essa opção, deverá selecionar manualmente a sub-rede e o grupo de segurança que compõem sua Amazon VPC. Se seu perfil de runtime do Studio Classic ou a Amazon VPC bloquear a chamada `ec2:list*`, você deverá usar essa opção para selecionar a sub-rede e o grupo de segurança.
![\[JumpStart Security Settings VPC section with Input VPC selected.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/jumpstart/jumpstart-deploy-security-inputvpc.png)
### Chaves de criptografia
Você pode selecionar uma AWS KMS chave que seja passada como parte dos trabalhos de treinamento e hospedagem. SageMaker A IA usa essa chave para criptografar o volume do Amazon EBS para o contêiner e o modelo reempacotado no Amazon S3 para hospedar trabalhos e a saída para trabalhos de treinamento. Para obter mais informações sobre AWS KMS chaves, consulte [AWS KMS chaves](https://docs.aws.amazon.com//kms/latest/developerguide/concepts.html#kms_keys).
A chave que você transmitir deve confiar no perfil do IAM que você transmitir ao. Se você não especificar uma função do IAM, a AWS KMS chave deve confiar na sua função de tempo de execução do Studio Classic.
Se você não selecionar uma AWS KMS chave, a SageMaker IA fornece criptografia padrão para os dados no volume do Amazon EBS e nos artefatos do Amazon S3.
**Encontrar chaves de criptografia**
Se você selecionar essa opção, deverá selecionar AWS KMS as chaves existentes na lista suspensa.
![\[JumpStart Security Settings encryption section with Find encryption keys selected.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/jumpstart/jumpstart-deploy-security-findencryption.png)
**Inserir Chaves de criptografia**
Se você selecionar essa opção, deverá inserir manualmente as AWS KMS chaves. Se sua função de execução do Studio Classic ou a Amazon VPC bloquearem a `kms:list* ` chamada, você deverá usar essa opção para selecionar as chaves existentes AWS KMS .
![\[JumpStart Security Settings encryption section with Input encryption keys selected.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/jumpstart/jumpstart-deploy-security-inputencryption.png)
## Configurar valores padrão para JumpStart modelos
Você pode configurar valores padrão para parâmetros como funções do IAM e chaves KMS a serem pré-preenchidos para implantação e treinamento JumpStart do modelo. VPCs Depois de definir os valores padrão, a interface do usuário do Studio Classic fornece automaticamente as configurações e tags de segurança especificadas aos JumpStart modelos para simplificar os fluxos de trabalho de implantação e treinamento. Administradores e usuários finais podem inicializar os valores padrão especificados em um arquivo de configuração no formato YAML.
Por padrão, o SDK do SageMaker Python usa dois arquivos de configuração: um para o administrador e outro para o usuário. Usando o arquivo de configuração do administrador, os administradores podem definir um conjunto de valores padrão. Os usuários finais podem substituir os valores definidos no arquivo de configuração do administrador e definir valores padrão adicionais usando o arquivo de configuração do usuário final. Para obter mais informações, consulte [Configuração padrão de local do arquivo](https://sagemaker.readthedocs.io/en/stable/overview.html#default-configuration-file-location).
O exemplo de código a seguir lista os locais padrão dos arquivos de configuração ao usar o SDK do SageMaker Python no Amazon SageMaker Studio Classic.
```
# Location of the admin config file
/etc/xdg/sagemaker/config.yaml
# Location of the user config file
/root/.config/sagemaker/config.yaml
```
Os valores especificados no arquivo de configuração do usuário substituem os valores definidos no arquivo de configuração do administrador. O arquivo de configuração é exclusivo para cada perfil de usuário em um domínio do Amazon SageMaker AI. A aplicação Studio Classic do perfil do usuário está diretamente associado ao perfil do usuário. Para obter mais informações, consulte [Perfis de usuário do domínio](domain-user-profile.md).
Opcionalmente, os administradores podem definir padrões de configuração para treinamento e implantação de JumpStart modelos por meio de configurações de ciclo de vida. `JupyterServer` Para obter mais informações, consulte [Crie e associe uma configuração de ciclo de vida ao Amazon Studio Classic SageMaker](studio-lcc-create.md).
### Arquivo YAML de configuração de valor padrão
Seu arquivo de configuração deve seguir a estrutura do arquivo de [configuração](https://sagemaker.readthedocs.io/en/stable/overview.html#configuration-file-structure) do SDK do SageMaker Python. Observe que campos específicos nas `EndpointConfig` configurações`TrainingJob`,`Model`, e se aplicam aos valores padrão de treinamento e implantação do JumpStart modelo.
```
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
```
# Ajuste um modelo
O ajuste fino treina um modelo pré-treinado em um novo conjunto de dados sem precisar ser treinado do zero. Esse processo, também conhecido como aprendizado por transferência, pode produzir modelos precisos com conjuntos de dados menores e menos tempo de treinamento. Você pode ajustar um modelo se seu cartão mostrar um atributo **ajustável definido** como **Sim**.
![\[JumpStart fine-tunable Image Classification - TensorFlow model\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/jumpstart/jumpstart-finetune-model.png)
**Importante**
Em 30 de novembro de 2023, a experiência anterior do Amazon SageMaker Studio agora se chama Amazon SageMaker Studio Classic. A seção a seguir é específica ao uso da aplicação Studio Classic. Para obter informações sobre como usar a experiência atualizada do Studio, consulte [SageMaker Estúdio Amazon](studio-updated.md).
O Studio Classic ainda é mantido para cargas de trabalho existentes, mas não está mais disponível para integração. Você só pode parar ou excluir aplicativos do Studio Classic existentes e não pode criar novos. Recomendamos que você [migre sua carga de trabalho para a nova experiência do Studio](studio-updated-migrate.md).
**nota**
Para obter mais informações sobre o ajuste fino do JumpStart modelo no Studio, consulte [Ajustar um modelo no Studio](jumpstart-foundation-models-use-studio-updated-fine-tune.md)
## Fonte de dados de ajuste fino
Ao ajustar um modelo, você pode usar o conjunto de dados padrão ou escolher seus próprios dados, que estão localizados em um bucket do Amazon S3.
Para pesquisar os buckets disponíveis para você, escolha **Encontre o bucket S3**. Esses buckets são limitados pelas permissões usadas para configurar sua conta do Studio Classic. Você também pode especificar um URI do Amazon S3 escolhendo **Inserir localização do bucket do Amazon S3**.
![\[JumpStart data source settings with default dataset selected.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/jumpstart/jumpstart-dataset.png)
**dica**
Para descobrir como formatar os dados em seu bucket, escolha **Saiba mais**. A seção de descrição do modelo tem informações detalhadas sobre entradas e saídas.
Para modelos de texto:
+ O bucket deve ter um arquivo data.csv.
+ A primeira coluna deve ser um inteiro exclusivo para o rótulo da classe. Por exemplo: `1`, `2`, `3`, `4`, `n`
+ A segunda coluna deve conter uma string.
+ A segunda coluna deve ter o texto correspondente que corresponda ao tipo e ao idioma do modelo.
Para modelos de visão:
+ O bucket deve ter tantos subdiretórios quanto o número de classes.
+ Cada subdiretório deve conter imagens que pertençam a essa classe no formato.jpg.
**nota**
O bucket do Amazon S3 deve estar no mesmo Região da AWS local em que você está executando o SageMaker Studio Classic porque a SageMaker IA não permite solicitações entre regiões.
## Ajuste fino da configuração de implantação
A família p3 é recomendada como a mais rápida para treinamento em aprendizado profundo, e isso é recomendado para ajustar um modelo. O gráfico a seguir mostra o número de GPUs em cada tipo de instância. Há outras opções disponíveis que você pode escolher, incluindo os tipos de instância p2 e g4.
| Tipo de instância | GPUs |
| --- | --- |
| p3.2xlarge | 1 |
| p3.8xlarge | 4 |
| p3.16xlarge | 8 |
| p3dn.24xlarge | 8 |
## Hiperparâmetros
Você pode personalizar os hiperparâmetros do trabalho de treinamento que são usados para ajustar o modelo. Os hiperparâmetros disponíveis para cada modelo ajustável diferem dependendo do modelo. Para obter informações sobre cada hiperparâmetro disponível, consulte a documentação de hiperparâmetros do modelo de sua escolha [Algoritmos integrados e modelos pré-treinados na Amazon SageMaker](algos.md). Por exemplo, consulte [Classificação de imagens - TensorFlow Hiperparâmetros](IC-TF-Hyperparameter.md) para obter detalhes sobre a classificação de imagens ajustável - hiperparâmetros. TensorFlow
Se você usar o conjunto de dados padrão para modelos de texto sem alterar os hiperparâmetros, obterá um modelo quase idêntico como resultado. Para modelos de visão, o conjunto de dados padrão é diferente do conjunto de dados usado para treinar os modelos pré-treinados, portanto, seu modelo é diferente como resultado.
Os seguintes hiperparâmetros são comuns entre os modelos:
+ **Épocas**: Uma época é um ciclo em todo o conjunto de dados. Vários intervalos completam um lote, e vários lotes eventualmente completam uma época. Várias épocas são executadas até que a precisão do modelo atinja um nível aceitável ou quando a taxa de erro caia abaixo de um nível aceitável.
+ **Taxa de aprendizado**: A quantidade em que os valores devem ser alterados entre as épocas. À medida que o modelo é refinado, seus pesos internos são ajustados e as taxas de erro são verificadas para ver se o modelo melhora. Uma taxa de aprendizado típica é 0,1 ou 0,01, em que 0,01 é um ajuste muito menor e pode fazer com que o treinamento leve muito tempo para convergir, enquanto 0,1 é muito maior e pode fazer com que o treinamento ultrapasse. É um dos principais hiperparâmetros que você pode ajustar para treinar seu modelo. Observe que, para modelos de texto, uma taxa de aprendizado muito menor (5e-5 para BERT) pode resultar em um modelo mais preciso.
+ **Tamanho do lote** — O número de registros do conjunto de dados que devem ser selecionados para cada intervalo a serem enviados ao GPUs para treinamento.
Em um exemplo de imagem, você pode enviar 32 imagens por GPU, então 32 seria o tamanho do seu lote. Se você escolher um tipo de instância com mais de uma GPU, o lote será dividido pelo número de GPUs. O tamanho do lote sugerido varia de acordo com os dados e o modelo que você está usando. Por exemplo, a forma como você otimiza os dados de imagem difere da forma como você lida com os dados de idioma.
No gráfico do tipo de instância na seção de configuração de implantação, você pode ver o número de GPUs por tipo de instância. Comece com um tamanho de lote padrão recomendado (por exemplo, 32 para um modelo de visão). Em seguida, multiplique isso pelo número de GPUs no tipo de instância que você selecionou. Por exemplo, se você estiver usando um`p3.8xlarge`, isso seria 32 (tamanho do lote) multiplicado por 4 (GPUs), totalizando 128, conforme o tamanho do lote se ajusta ao número de. GPUs Para um modelo de texto como o BERT, tente começar com um tamanho de lote de 64 e depois reduzir conforme necessário.
## Resultado de treinamento
Quando o processo de ajuste fino é concluído, JumpStart fornece informações sobre o modelo: modelo principal, nome do trabalho de treinamento, ARN do trabalho de treinamento, tempo de treinamento e caminho de saída. O caminho de saída é onde você pode encontrar o novo modelo em um bucket do Amazon S3. A estrutura de pastas usa o nome do modelo que você forneceu e o arquivo do modelo está em uma subpasta `/output` e é sempre nomeado `model.tar.gz`.
Exemplo: `s3://bucket/model-name/output/model.tar.gz`
## Configurar valores padrão para treinamento de modelos
Você pode configurar valores padrão para parâmetros como funções do IAM e chaves KMS a serem pré-preenchidos para implantação e treinamento JumpStart do modelo. VPCs Para obter mais informações, consulte, [Configurar valores padrão para JumpStart modelos](jumpstart-deploy.md#jumpstart-config-defaults).
# Compartilhe modelos
**Importante**
Em 30 de novembro de 2023, a experiência anterior do Amazon SageMaker Studio agora se chama Amazon SageMaker Studio Classic. A seção a seguir é específica ao uso da aplicação Studio Classic. Para obter informações sobre como usar a experiência atualizada do Studio, consulte [SageMaker Estúdio Amazon](studio-updated.md).
O Studio Classic ainda é mantido para cargas de trabalho existentes, mas não está mais disponível para integração. Você só pode parar ou excluir aplicativos do Studio Classic existentes e não pode criar novos. Recomendamos que você [migre sua carga de trabalho para a nova experiência do Studio](studio-updated-migrate.md).
Você pode compartilhar JumpStart modelos por meio da interface do usuário do Studio Classic diretamente da página de ** JumpStart ativos lançados** usando o procedimento a seguir:
1. Abra o Amazon SageMaker Studio Classic e escolha ** JumpStart Ativos lançados** na **JumpStart**seção do painel de navegação esquerdo.
1. Selecione a guia **Trabalhos de treinamento** para ver a lista de seus modelos de trabalhos de treinamento.
1. Na lista de **trabalhos de treinamento**, selecione o trabalho de treinamento que você deseja compartilhar. Isso abre a página de detalhes do trabalho de treinamento. Não compartilhar mais de um trabalho de treinamento por vez.
1. No cabeçalho da tarefa de treinamento, escolha **Compartilhar** e selecione **Compartilhar com minha organização**.
Para obter mais informações sobre como compartilhar modelos com sua organização, consulte [Modelos e cadernos compartilhados](jumpstart-content-sharing.md).
# Modelos e cadernos compartilhados
**Importante**
Em 30 de novembro de 2023, a experiência anterior do Amazon SageMaker Studio agora se chama Amazon SageMaker Studio Classic. A seção a seguir é específica ao uso da aplicação Studio Classic. Para obter informações sobre como usar a experiência atualizada do Studio, consulte [SageMaker Estúdio Amazon](studio-updated.md).
O Studio Classic ainda é mantido para cargas de trabalho existentes, mas não está mais disponível para integração. Você só pode parar ou excluir aplicativos do Studio Classic existentes e não pode criar novos. Recomendamos que você [migre sua carga de trabalho para a nova experiência do Studio](studio-updated-migrate.md).
Compartilhe seus modelos e cadernos para centralizar artefatos de modelos, facilitar a descoberta e aumentar a reutilização de modelos em sua organização. Quando compartilhar seus modelos, você pode fornecer informações sobre o ambiente de treinamento e inferência e permitir que os colaboradores usem esses ambientes nos seus próprios trabalhos de treinamento e inferência.
Todos os modelos que você compartilha e os modelos que são compartilhados com você podem ser pesquisados em um local centralizado diretamente no Amazon SageMaker Studio Classic. Para obter informações sobre as etapas de integração para fazer login no Amazon SageMaker Studio Classic, consulte [Onboard to Amazon SageMaker AI](https://docs.aws.amazon.com/sagemaker/latest/dg/gs-studio-onboard.html) Domain.
**Topics**
+ [Compartilhamento de modelos e cadernos](jumpstart-content-sharing-access.md)
+ [Acesse o conteúdo compartilhado](jumpstart-content-sharing-access-filter.md)
+ [Adicionar um modelo](jumpstart-content-sharing-add-model.md)
# Compartilhamento de modelos e cadernos
Para compartilhar modelos e cadernos, navegue até a seção **Modelos compartilhados** no Amazon SageMaker Studio Classic, escolha **Compartilhado pela minha organização** e selecione a lista suspensa **Adicionar**. Escolha adicionar um modelo ou adicionar um caderno.
![\[O menu ao qual adicionar modelos ou cadernos compartilhados JumpStart.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/jumpstart/jumpstart-shared-models.png)
# Acesse o conteúdo compartilhado
Na interface do usuário do Amazon SageMaker Studio Classic, você pode acessar o conteúdo compartilhado e filtrar o que você vê.
Há três opções principais para filtrar modelos e cadernos compartilhados:
1. **Compartilhado por mim** — Modelos e cadernos com os quais você compartilhou. JumpStart
1. **Compartilhado comigo**: Modelos e cadernos compartilhados com você
1. **Compartilhado pela minha organização**: Todos os modelos e cadernos compartilhados com qualquer pessoa em sua organização
Você também pode classificar seus modelos e cadernos com base na hora em que foram atualizados pela última vez ou por ordem alfabética crescente ou decrescente. Escolha o ícone de filtro (![\[Funnel or filter icon representing data filtering or narrowing down options.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/jumpstart/jumpstart-filter-icon.png)) para ordenar ainda melhor suas seleções.
# Adicionar um modelo
Para adicionar um modelo, escolha **Compartilhado pela minha organização** e em seguida selecione **Adicionar modelo** na lista suspensa **Adicionar**. Insira as informações básicas do seu modelo e adicione qualquer informação de treinamento ou inferência que você queira compartilhar com os colaboradores para treinar ou implantar seu modelo. Depois de inserir todas as informações necessárias, escolha **Adicionar modelo** no canto inferior direito da tela.
**Topics**
+ [Adicione informações básicas](jumpstart-content-sharing-info.md)
+ [Habilitar treinamento](jumpstart-content-sharing-training.md)
+ [Habilitar a implantação](jumpstart-content-sharing-deployment.md)
+ [Adicionar um caderno](jumpstart-content-sharing-notebooks.md)
# Adicione informações básicas
Adicionar um modelo JumpStart envolve fornecer algumas informações básicas sobre o modelo que você deseja treinar. Essas informações ajudam a definir as características e os recursos do seu modelo, além de melhorar sua capacidade de descoberta e pesquisa. Para criar um novo modelo, siga estas etapas:
1. Adicione um título para esse modelo. Adicionar um título preenche automaticamente um identificador exclusivo no campo ID com base no título do modelo.
1. Adicione uma descrição do modelo.
1. Selecione um tipo de dados entre as opções: *texto*, *visão*, *tabular* ou *áudio*.
1. Selecione uma tarefa de machine learning na lista de tarefas disponíveis, como *classificação de imagens* ou *geração de texto*.
1. Selecione uma estrutura de machine learning.
1. Adicione informações de metadados com palavras-chave ou frases para usar ao pesquisar um modelo. Use vírgulas para separar as palavras-chave. Todos os espaços são automaticamente substituídos por vírgulas.
# Habilitar treinamento
Quando adicionar um modelo para compartilhar, você pode, opcionalmente, fornecer um ambiente de treinamento e permitir que os colaboradores da sua organização treinem o modelo compartilhado.
**nota**
Se você estiver adicionando um modelo tabular, também precisará especificar um formato de coluna e uma coluna de destino para permitir o treinamento.
Após o fornecimento das informações básicas sobre seu modelo, você precisará definir as configurações do trabalho de treinamento que será usado para treinar seu modelo. Isso inclui especificar o ambiente do contêiner, scripts de código, conjuntos de dados, locais de saída e vários outros parâmetros para controlar como é executado o trabalho de treinamento. Para definir as configurações do trabalho de treinamento, siga estas etapas:
1. Adicione um contêiner para usar no treinamento de modelos. Você pode selecionar um contêiner usado para um trabalho de treinamento existente, trazer seu próprio contêiner no Amazon ECR ou usar um contêiner do Amazon SageMaker Deep Learning.
1. Adicionar variáveis de ambiente
1. Forneça um local para o script de treinamento.
1. Forneça um ponto de entrada no modo script.
1. Forneça um URI do Amazon S3 para artefatos de modelo gerados durante o treinamento.
1. Forneça o URI do Amazon S3 para o conjunto de dados de treinamento padrão.
1. Forneça um caminho de saída do modelo. O caminho de saída do modelo deve ser o caminho URI do Amazon S3 para qualquer artefato de modelo gerado a partir do treinamento. SageMaker A IA salva os artefatos do modelo como um único arquivo TAR compactado no Amazon S3.
1. Forneça um conjunto de dados de validação para usar na avaliação do seu modelo durante o treinamento. Os conjuntos de dados de validação devem conter o mesmo número de colunas e os mesmos cabeçalhos de atributos do conjunto de dados de treinamento.
1. Ative o isolamento da rede. O isolamento de rede isola o contêiner do modelo para que nenhuma chamada de rede de entrada ou saída possa ser feita de ou para o contêiner do modelo.
1. Forneça canais de treinamento por meio dos quais a SageMaker IA possa acessar seus dados. Por exemplo, você pode especificar canais de entrada chamados `train` ou `test`. Para cada canal, especifique um nome de canal e um URI para a localização dos seus dados. Escolha **Navegar** para pesquisar locais do Amazon S3.
1. Forneça hiperparâmetros. Adicione todos os hiperparâmetros que os colaboradores devem experimentar durante o treinamento. Forneça uma faixa de valores válidos para esses hiperparâmetros. Esse intervalo é usado para a validação de hiperparâmetros do trabalho de treinamento. Você pode definir intervalos com base no tipo de dados do hiperparâmetro.
1. Selecione um tipo de instância. Recomendamos o uso de uma instância de GPU com mais memória para treinamento com grandes tamanhos de lote. Para obter uma lista abrangente de instâncias de SageMaker treinamento em todas AWS as regiões, consulte a tabela de **preços sob demanda** no [Amazon SageMaker Pricing](https://aws.amazon.com/sagemaker/pricing/).
1. Forneça métricas. Defina métricas para um trabalho de treinamento especificando um nome e uma expressão regular para cada métrica que o seu treinamento monitora. Crie as expressões regulares para capturar os valores das métricas emitidas por seu algoritmo. Por exemplo, a métrica `loss` pode ter a expressão regular `"Loss =(.*?);"`.
# Habilitar a implantação
Quando adicionar um modelo para compartilhar, você pode, opcionalmente, fornecer um ambiente de inferência no qual os colaboradores da sua organização podem implantar o modelo para inferência.
Depois de treinar seu modelo de aprendizado de máquina, você precisará implantá-lo em um endpoint de SageMaker IA da Amazon para inferência. Isso inclui fornecer um ambiente de contêiner, um script de inferência, os artefatos do modelo gerados durante o treinamento e a escolha de um tipo adequado de instância de computação. Definir essas configurações adequadamente é indispensável para garantir que seu modelo implantado possa fazer predições precisas e lidar com solicitações de inferência de forma eficiente. Para configurar seu modelo para inferência, siga estas etapas:
1. Adicione um contêiner a usar para inferência. Você pode trazer seu próprio contêiner no Amazon ECR ou usar um contêiner do Amazon SageMaker Deep Learning.
1. Forneça o URI do Amazon S3 para um script de inferência. Os scripts de inferência personalizados são executados dentro do contêiner escolhido. Seu script de inferência deve incluir uma função para carregamento do modelo e, opcionalmente, funções de geração de predições e processamento de entrada e saída. Para obter mais informações sobre a criação de scripts de inferência para a estrutura de sua escolha, consulte [Frameworks](https://sagemaker.readthedocs.io/en/stable/frameworks/index.html) na documentação do SDK para SageMaker Python. Por exemplo, para TensorFlow, consulte [Como implementar o (s) manipulador (es) de and/or pré-pós-processamento](https://sagemaker.readthedocs.io/en/stable/frameworks/tensorflow/deploying_tensorflow_serving.html#how-to-implement-the-pre-and-or-post-processing-handler-s).
1. Forneça um URI do Amazon S3 para artefatos de modelos. Os artefatos do modelo são a saída resultante do treinamento de um modelo e geralmente consistem em parâmetros treinados, uma definição de modelo que descreve como calcular inferências e outros metadados. Se você treinou seu modelo em SageMaker IA, os artefatos do modelo são salvos como um único arquivo TAR compactado no Amazon S3. Se você treinou seu modelo fora da SageMaker IA, precisará criar esse único arquivo TAR compactado e salvá-lo em um local do Amazon S3.
1. Selecione um tipo de instância. Recomendamos o uso de uma instância de GPU com mais memória para treinamento com grandes tamanhos de lote. Para obter uma lista abrangente de instâncias de SageMaker treinamento em todas AWS as regiões, consulte a tabela de **preços sob demanda** no [Amazon SageMaker Pricing](https://aws.amazon.com/sagemaker/pricing/).
# Adicionar um caderno
Para adicionar um caderno, escolha **Compartilhado pela minha organização** e em seguida selecione **Adicionar caderno**, na lista suspensa **Adicionar**. Insira as informações básicas do seu caderno e forneça um URI do Amazon S3 para a localização desse caderno.
Primeiro, adicione as informações descritivas básicas sobre o seu caderno. Essas informações são usadas para melhorar a capacidade de pesquisa do seu caderno.
1. Adicione um título para este caderno. Adicionar um título preenche automaticamente um identificador exclusivo no campo ID com base no título do caderno.
1. Adicione uma descrição caderno.
1. Selecione um tipo de dados entre as opções: *texto*, *visão*, *tabular* ou *áudio*.
1. Selecione uma tarefa de machine learning na lista de tarefas disponíveis, como *classificação de imagens* ou *geração de texto*.
1. Selecione uma estrutura de ML.
1. Adicione informações de metadados com palavras-chave ou frases para usar ao pesquisar um caderno. Use vírgulas para separar as palavras-chave. Todos os espaços são automaticamente substituídos por vírgulas.
Após especificar as informações básicas, você pode fornecer um URI do Amazon S3 para a localização do caderno. Você pode escolher **Navegar** para pesquisar em seus buckets do Amazon S3 a localização do arquivo do seu caderno. Depois de encontrar seu caderno, copie o URI do Amazon S3, escolha **Cancelar** e, em seguida, adicione o URI do Amazon S3 ao campo **Localização do caderno**.
Depois de inserir todas as informações necessárias, escolha **Adicionar caderno** no canto inferior direito.
# End-to-end JumpStart modelos de solução
**Importante**
Em 30 de novembro de 2023, a experiência anterior do Amazon SageMaker Studio agora se chama Amazon SageMaker Studio Classic. A seção a seguir é específica ao uso da aplicação Studio Classic. Para obter informações sobre como usar a experiência atualizada do Studio, consulte [SageMaker Estúdio Amazon](studio-updated.md).
O Studio Classic ainda é mantido para cargas de trabalho existentes, mas não está mais disponível para integração. Você só pode parar ou excluir aplicativos do Studio Classic existentes e não pode criar novos. Recomendamos que você [migre sua carga de trabalho para a nova experiência do Studio](studio-updated-migrate.md).
**nota**
JumpStart As soluções só estão disponíveis no Studio Classic.
SageMaker JumpStart fornece end-to-end soluções com um clique projetadas para lidar com casos de uso comuns de aprendizado de máquina. Elas usam algoritmos comprovados para seus domínios e fornecem um fluxo de trabalho completo que normalmente inclui processamento de dados, treinamento de modelos, implantação, inferência e monitoramento. Explore os seguintes casos de uso para obter mais informações sobre os modelos de solução disponíveis:
+ [Previsão de demanda](#jumpstart-solutions-demand-forecasting)
+ [Previsão de classificação de crédito](#jumpstart-solutions-credit-prediction)
+ [Detecção de fraudes](#jumpstart-solutions-fraud-detection)
+ [Visão computacional](#jumpstart-solutions-computer-vision)
+ [Extraia e analise dados de documentos](#jumpstart-solutions-documents)
+ [Manutenção preditiva](#jumpstart-solutions-predictive-maintenance)
+ [Prever a rotatividade](#jumpstart-solutions-churn-prediction)
+ [Recomendações personalizadas](#jumpstart-solutions-recommendations)
+ [Aprendizado por reforço](#jumpstart-solutions-reinforcement-learning)
+ [Saúde e ciências biológicas](#jumpstart-solutions-healthcare-life-sciences)
+ [Preços financeiros](#jumpstart-solutions-financial-pricing)
+ [Inferência causal](#jumpstart-solutions-causal-inference)
Escolha o modelo de solução mais adequado ao seu caso de uso na JumpStart página inicial. Quando você escolhe um modelo de solução, JumpStart abre uma nova guia mostrando uma descrição da solução e um botão **Iniciar**. Quando você seleciona **Launch**, JumpStart cria todos os recursos necessários para executar a solução, incluindo treinamento e modelar instâncias de hospedagem. Para obter mais informações sobre o lançamento de uma JumpStart solução, consulte[Lance uma solução](jumpstart-solutions-launch.md).
Depois de lançar a solução, você pode explorar os recursos da solução e quaisquer artefatos gerados em JumpStart. Use o menu ** JumpStart Ativos lançados** para encontrar sua solução. Na guia da sua solução, selecione **Abrir Caderno** para usar os cadernos fornecidos e explorar os atributos da solução. Quando os artefatos são gerados durante o lançamento ou após a execução dos cadernos fornecidos, eles são listados na tabela **Artefatos gerados**. Você pode excluir artefatos individuais com o ícone da lixeira (![\[The trash icon for JumpStart.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/jumpstart/jumpstart-trash.png)). Você pode excluir todos os recursos da solução escolhendo **Excluir recursos da solução**.
## Previsão de demanda
A previsão de demanda usa dados históricos de séries temporais para fazer estimativas futuras em relação à demanda do cliente em um período específico e agilizar o processo de tomada de decisão de oferta e demanda em todas as empresas.
Os casos de uso da previsão de demanda incluem previsão de vendas de ingressos no setor de transporte, preços de ações, número de visitas a hospitais, número de representantes de clientes a serem contratados para vários locais no próximo mês, vendas de produtos em várias regiões no próximo trimestre, uso de servidores em nuvem no dia seguinte para um serviço de streaming de vídeo, consumo de eletricidade em várias regiões na próxima semana, número de dispositivos e sensores de IoT, como consumo de energia e muito mais:
Os dados da série temporal são categorizados como *univariados* e *multivariados*. Por exemplo, o consumo total de eletricidade de uma única residência é uma série temporal univariada durante um período de tempo. Quando várias séries temporais univariadas são empilhadas umas sobre as outras, ela é chamada de série temporal multivariada. Por exemplo, o consumo total de eletricidade de 10 residências diferentes (mas correlacionadas) em um único bairro compõe um conjunto de dados de séries temporais multivariadas.
| Nome da solução | Description | Conceitos básicos |
| --- | --- | --- |
| Previsão de demanda | [https://facebook.github.io/prophet/](https://facebook.github.io/prophet/) | [GitHub »](https://github.com/awslabs/sagemaker-deep-demand-forecast) |
## Previsão de classificação de crédito
Use as soluções JumpStart de previsão de classificação de crédito para prever classificações de crédito corporativas ou para explicar as decisões de previsão de crédito tomadas por modelos de aprendizado de máquina. Em comparação com os métodos tradicionais de modelagem de classificação de crédito, os modelos de machine learning podem automatizar e melhorar a precisão da predição de crédito.
| Nome da solução | Description | Conceitos básicos |
| --- | --- | --- |
| Previsão de classificação de crédito corporativo | [Aprendizado de máquina multimodal (texto longo e tabular) para previsões de crédito de qualidade usando o Tabular. AWS AutoGluon ](https://auto.gluon.ai/scoredebugweight/tutorials/tabular_prediction/index.html) | [GitHub »](https://github.com/awslabs/sagemaker-corporate-credit-rating) |
| Pontuação de crédito baseada em gráficos | [Preveja classificações de crédito corporativas usando dados tabulares e uma rede corporativa treinando um modelo [GraphSage e AWS AutoGluon Tabular de Rede Neural GraphSage](https://cs.stanford.edu/people/jure/pubs/graphsage-nips17.pdf).](https://auto.gluon.ai/scoredebugweight/tutorials/tabular_prediction/index.html) | Encontre no Amazon SageMaker Studio Classic. |
| Explique as decisões de crédito | Preveja a inadimplência de crédito em solicitações de crédito e forneça explicações usando [LightGBM](https://lightgbm.readthedocs.io/en/latest/) e [SHAP (SHapley](https://shap.readthedocs.io/en/latest/index.html)Additive Explanations). | [GitHub »](https://github.com/awslabs/sagemaker-explaining-credit-decisions) |
## Detecção de fraudes
Muitas empresas perdem bilhões anualmente com fraudes. Modelos de detecção de fraudes baseados em machine learning podem ajudar a identificar sistematicamente possíveis atividades fraudulentas a partir de uma enorme quantidade de dados. As soluções a seguir usam conjuntos de dados de transações e de identidade do usuário para identificar transações fraudulentas.
| Nome da solução | Description | Conceitos básicos |
| --- | --- | --- |
| Detecção de usuários e transações mal-intencionados | Detecte automaticamente atividades potencialmente fraudulentas em transações usando [SageMaker IA XGBoost](https://docs.aws.amazon.com/sagemaker/latest/dg/xgboost.html) com a técnica de sobreamostragem [Synthetic Minority Oversampling (SMOTE](https://arxiv.org/abs/1106.1813)). | [GitHub »](https://github.com/awslabs/fraud-detection-using-machine-learning) |
| Detecção de fraudes em transações financeiras usando uma biblioteca gráfica profunda | [Detecte fraudes em transações financeiras treinando uma [rede convolucional gráfica](https://arxiv.org/pdf/1703.06103.pdf) com a [biblioteca de gráficos profunda](https://www.dgl.ai/) e um SageMaker modelo de IA. XGBoost](https://docs.aws.amazon.com/sagemaker/latest/dg/xgboost.html) | [GitHub »](https://github.com/awslabs/sagemaker-graph-fraud-detection) |
| Classificação de pagamento financeiro | Classifique os pagamentos financeiros com base nas informações da transação usando a [SageMaker IA XGBoost](https://docs.aws.amazon.com/sagemaker/latest/dg/xgboost.html). Use esse modelo de solução como uma etapa intermediária na detecção de fraudes, personalização ou detecção de anomalias. | Encontre no Amazon SageMaker Studio Classic. |
## Visão computacional
Com o aumento de casos de uso comercial, como veículos autônomos, vigilância por vídeo inteligente, monitoramento de saúde e várias tarefas de contagem de objetos, a demanda por sistemas de detecção de objetos rápidos e precisos está aumentando. Esses sistemas envolvem não apenas reconhecer e classificar cada objeto em uma imagem, mas localizar cada um desenhando a caixa delimitadora apropriada ao redor dele. Na última década, os rápidos avanços das técnicas de aprendizado profundo aceleraram muito o ímpeto da detecção de objetos.
| Nome da solução | Description | Conceitos básicos |
| --- | --- | --- |
| Detecção visual de defeitos do produto | Identifique regiões defeituosas nas imagens do produto treinando um [modelo de detecção de objetos do zero](https://ieeexplore.ieee.org/document/8709818) ou ajustando modelos de IA SageMaker pré-treinados. | [GitHub »](https://github.com/awslabs/sagemaker-defect-detection) |
| Reconhecimento de caligrafia | Reconheça texto manuscrito em imagens treinando um modelo de [detecção de objetos e um modelo](https://mxnet.apache.org/versions/1.0.0/api/python/gluon/model_zoo.html#mxnet.gluon.model_zoo.vision.resnet34_v1) de [reconhecimento de manuscrito](https://arxiv.org/abs/1910.00663). Identifique seus próprios dados usando [SageMaker Ground Truth](https://aws.amazon.com/sagemaker/data-labeling/). | [GitHub »](https://github.com/awslabs/sagemaker-handwritten-text-recognition) |
| Detecção de objetos para espécies de pássaros | Identifique espécies de pássaros em uma cena usando um [modelo de detecção de objetos de SageMaker IA](https://docs.aws.amazon.com/sagemaker/latest/dg/object-detection.html). | Encontre no Amazon SageMaker Studio Classic. |
## Extraia e analise dados de documentos
JumpStart fornece soluções para você descobrir informações e conexões valiosas em documentos essenciais para os negócios. Os casos de uso incluem classificação de texto, resumo de documentos, reconhecimento de caligrafia, extração de relacionamentos, perguntas e respostas e preenchimento de valores faltantes em registros tabulares.
| Nome da solução | Description | Conceitos básicos |
| --- | --- | --- |
| Privacidade para classificação de sentimentos | [Torne o texto anônimo](https://www.amazon.science/blog/preserving-privacy-in-analyses-of-textual-data) para preservar melhor a privacidade do usuário na classificação de sentimentos. | [GitHub »](https://github.com/awslabs/sagemaker-privacy-for-nlp) |
| Compreensão do documento | Resumo de documentos, extração de entidades e relacionamentos usando a biblioteca de [transformadores](https://huggingface.co/docs/transformers/index) em. PyTorch | [GitHub »](https://github.com/awslabs/sagemaker-document-understanding) |
| Reconhecimento de caligrafia | Reconheça texto manuscrito em imagens treinando um modelo de [detecção de objetos e um modelo](https://mxnet.apache.org/versions/1.0.0/api/python/gluon/model_zoo.html#mxnet.gluon.model_zoo.vision.resnet34_v1) de [reconhecimento de manuscrito](https://arxiv.org/abs/1910.00663). Identifique seus próprios dados usando [SageMaker Ground Truth](https://aws.amazon.com/sagemaker/data-labeling/). | [GitHub »](https://github.com/awslabs/sagemaker-handwritten-text-recognition) |
| Preenchendo valores faltantes em registros tabulares | Preencha os valores ausentes nos registros tabulares treinando um modelo de [SageMaker piloto automático](https://aws.amazon.com/sagemaker/autopilot/). | [GitHub »](https://github.com/awslabs/filling-in-missing-values-in-tabular-records) |
## Manutenção preditiva
A manutenção preditiva visa otimizar o equilíbrio entre manutenção corretiva e preventiva, facilitando a substituição oportuna dos componentes. As soluções a seguir usam dados de sensores de ativos industriais para prever falhas na máquina, tempo de inatividade não planejado e custos de reparo.
| Nome da solução | Description | Conceitos básicos |
| --- | --- | --- |
| Manutenção preditiva para frotas de veículos | Preveja falhas na frota de veículos usando sensores de veículos e informações de manutenção com um modelo de rede neural convolucional. | [GitHub »](https://github.com/awslabs/aws-fleet-predictive-maintenance/) |
| Manutenção preditiva para manufatura | Preveja a vida útil restante de cada sensor treinando um modelo de [rede neural LSTM bidirecional empilhado usando](https://arxiv.org/pdf/1801.02143.pdf) leituras históricas do sensor. | [GitHub »](https://github.com/awslabs/predictive-maintenance-using-machine-learning) |
## Prever a rotatividade
A rotatividade de clientes, ou taxa de desgaste, é um problema caro enfrentado por uma grande variedade de empresas. Em um esforço para reduzir a rotatividade, as empresas podem identificar clientes que provavelmente deixarão seus serviços para concentrar seus esforços na retenção de clientes. Use uma solução de previsão de JumpStart rotatividade para analisar fontes de dados, como comportamento do usuário e registros de bate-papo do suporte ao cliente, para identificar clientes com alto risco de cancelar uma assinatura ou serviço.
| Nome da solução | Description | Conceitos básicos |
| --- | --- | --- |
| Previsão de rotatividade com texto | [Preveja a rotatividade usando recursos numéricos, categóricos e textuais com o codificador BERT e. [RandomForestClassifier](https://scikit-learn.org/stable/modules/generated/sklearn.ensemble.RandomForestClassifier.html)](https://huggingface.co/) | [GitHub »](https://github.com/awslabs/sagemaker-churn-prediction-text) |
| Previsão de rotatividade para clientes de telefonia móvel | Identifique clientes insatisfeitos de telefonia móvel usando [SageMaker IA XGBoost](https://docs.aws.amazon.com/sagemaker/latest/dg/xgboost.html). | Encontre no Amazon SageMaker Studio Classic. |
## Recomendações personalizadas
Você pode usar JumpStart soluções para analisar gráficos de identidade do cliente ou sessões de usuários para entender e prever melhor o comportamento do cliente. Use as soluções a seguir para obter recomendações personalizadas para modelar a identidade do cliente em vários dispositivos, determinar a probabilidade de um cliente fazer uma compra ou criar um recomendador de filmes personalizado com base no comportamento anterior do cliente.
| Nome da solução | Description | Conceitos básicos |
| --- | --- | --- |
| Resolução de entidades em gráficos de identidade com biblioteca de gráficos profunda | Execute a vinculação de entidades entre dispositivos para publicidade online treinando uma [rede convolucional gráfica](https://arxiv.org/pdf/1703.06103.pdf) com uma [biblioteca gráfica profunda](https://www.dgl.ai/). | [GitHub »](https://github.com/awslabs/sagemaker-graph-entity-resolution) |
| Modelagem de compra | Preveja se um cliente fará uma compra treinando um XGBoost modelo de [SageMaker IA](https://docs.aws.amazon.com/sagemaker/latest/dg/xgboost.html). | [GitHub »](https://github.com/awslabs/sagemaker-purchase-modelling) |
| Sistema de recomendação personalizado | Treine e implante um sistema de recomendação personalizado que gera sugestões de filmes para um cliente com base no comportamento anterior usando a Filtragem Colaborativa Neural em IA. SageMaker | Encontre no Amazon SageMaker Studio Classic. |
## Aprendizado por reforço
O aprendizado por reforço (RL) é um tipo de aprendizado baseado na interação com o ambiente. Esse tipo de aprendizado é usado por um agente que deve aprender o comportamento por meio de trial-and-error interações com um ambiente dinâmico no qual o objetivo é maximizar as recompensas de longo prazo que o agente recebe como resultado de suas ações. As recompensas são maximizadas trocando ações de exploração que têm recompensas incertas por ações de exploração que têm recompensas conhecidas.
O RL é adequado para resolver problemas grandes e complexos, como gerenciamento da cadeia de suprimentos, sistemas HVAC, robótica industrial, inteligência artificial de jogos, sistemas de diálogo e veículos autônomos.
| Nome da solução | Description | Conceitos básicos |
| --- | --- | --- |
| Aprendizado por reforço para competições de IA do Battlesnake | Forneça um fluxo de trabalho de aprendizado por reforço para treinamento e inferência com as competições de [BattleSnake](https://play.battlesnake.com/)IA. | [GitHub »](https://github.com/awslabs/sagemaker-battlesnake-ai) |
| Aprendizado por reforço distribuído para o desafio Procgen | Kit inicial de aprendizado por reforço distribuído para o desafio de aprendizado por reforço [Procgen NeurIPS 2020](https://www.aicrowd.com/challenges/neurips-2020-procgen-competition). | [GitHub »](https://github.com/aws-samples/sagemaker-rl-procgen-ray) |
## Saúde e ciências biológicas
Médicos e pesquisadores podem usar JumpStart soluções para analisar imagens médicas, informações genômicas e registros clínicos de saúde.
| Nome da solução | Description | Conceitos básicos |
| --- | --- | --- |
| Previsão de sobrevivência ao câncer de pulmão | [Preveja o status de sobrevivência de pacientes com câncer de pulmão de células não pequenas com tomografia computadorizada (TC) pulmonar tridimensional, dados genômicos e registros clínicos de saúde usando IA. SageMaker XGBoost](https://docs.aws.amazon.com/sagemaker/latest/dg/xgboost.html) | [GitHub »](https://github.com/aws-samples/machine-learning-pipelines-for-multimodal-health-data/tree/sagemaker-soln-lcsp) |
## Preços financeiros
Muitas empresas ajustam dinamicamente os preços regularmente para maximizar seus retornos. Use as JumpStart soluções a seguir para casos de uso de otimização de preços, preços dinâmicos, preços de opções ou otimização de portfólio.
| Nome da solução | Description | Conceitos básicos |
| --- | --- | --- |
| Otimização de tabelas | Estime a elasticidade do preço usando o Double Machine Learning (ML) para inferência causal e o procedimento de previsão do [Prophet](https://facebook.github.io/prophet/). Use essas estimativas para otimizar os preços diários. | Encontre no Amazon SageMaker Studio Classic. |
## Inferência causal
Os pesquisadores podem usar modelos de machine learning, como redes bayesianas, para representar dependências causais e tirar conclusões causais com base em dados. Use a JumpStart solução a seguir para entender a relação causal entre a aplicação de fertilizantes à base de nitrogênio e a produtividade da safra de milho.
| Nome da solução | Description | Conceitos básicos |
| --- | --- | --- |
| Contrafactuais do rendimento da safra | Gere uma análise contrafactual da resposta do milho ao nitrogênio. Essa solução aprende o ciclo da fenologia da cultura em sua totalidade usando imagens de satélite multiespectrais e [observações no nível do solo](https://www.sciencedirect.com/science/article/pii/S2352340921010283#tbl0001). | Encontre no Amazon SageMaker Studio Classic. |
# Lance uma solução
**Importante**
Em 30 de novembro de 2023, a experiência anterior do Amazon SageMaker Studio agora se chama Amazon SageMaker Studio Classic. A seção a seguir é específica ao uso da aplicação Studio Classic. Para obter informações sobre como usar a experiência atualizada do Studio, consulte [SageMaker Estúdio Amazon](studio-updated.md).
O Studio Classic ainda é mantido para cargas de trabalho existentes, mas não está mais disponível para integração. Você só pode parar ou excluir aplicativos do Studio Classic existentes e não pode criar novos. Recomendamos que você [migre sua carga de trabalho para a nova experiência do Studio](studio-updated-migrate.md).
**nota**
JumpStart As soluções só estão disponíveis no Studio Classic.
Primeiro, escolha uma solução por meio da página SageMaker JumpStart inicial na interface do usuário do Amazon SageMaker Studio Classic. Para obter informações sobre as etapas de integração para fazer login no Amazon SageMaker Studio Classic, consulte Integração [ao domínio Amazon SageMaker AI](https://docs.aws.amazon.com/sagemaker/latest/dg/gs-studio-onboard.html). Para obter detalhes sobre como acessar a página de SageMaker JumpStart destino, consulte[Abra e use JumpStart no Studio Classic](studio-jumpstart.md#jumpstart-open-use).
Depois de escolher uma solução, a guia da solução é aberta mostrando uma descrição da solução e um botão `Launch`. Para iniciar uma solução, selecione `Launch` na seção **Iniciar solução**. JumpStart em seguida, cria todos os recursos necessários para executar a solução. Isso inclui treinamento e modelagem de instâncias de hospedagem.
## Parâmetros avançados
A solução escolhida pode ter parâmetros avançados que você pode selecionar. Escolha **Parâmetros avançados** para especificar a AWS Identity and Access Management função da solução.
As soluções são capazes de lançar recursos em 9 AWS serviços que interagem entre si. Para que a solução funcione conforme o esperado, os componentes recém-criados de um serviço devem ser capazes de agir sobre os componentes recém-criados de outro serviço. Recomendamos usar a função padrão do IAM para garantir que todas as permissões necessárias sejam adicionadas. Para obter mais informações sobre perfis do IAM, consulte [AWS Identity and Access Management para Amazon SageMaker AI](security-iam.md).
**Default IAM role** (Perfil do IAM padrão)
Se você selecionar essa opção, as funções padrão do IAM exigidas por essa solução serão usadas. Cada solução requer recursos diferentes. A lista a seguir descreve as funções padrão que são usadas para as soluções com base no serviço necessário. Para obter uma descrição das permissões necessárias para cada serviço, consulte [AWS Políticas gerenciadas para SageMaker projetos e JumpStart](security-iam-awsmanpol-sc.md).
+ **API Gateway** — AmazonSageMakerServiceCatalogProductsApiGatewayRole
+ **CloudFormation** – AmazonSageMakerServiceCatalogProductsCloudformationRole
+ **CodeBuild** – AmazonSageMakerServiceCatalogProductsCodeBuildRole
+ **CodePipeline** – AmazonSageMakerServiceCatalogProductsCodePipelineRole
+ **Events** (Eventos): AmazonSageMakerServiceCatalogProductsEventsRole
+ **Firehose**: AmazonSageMakerServiceCatalogProductsFirehoseRole
+ **Glue** — AmazonSageMakerServiceCatalogProductsGlueRole
+ **Lambda**: AmazonSageMakerServiceCatalogProductsLambdaRole
+ **SageMaker IA** — AmazonSageMakerServiceCatalogProductsExecutionRole
Se você estiver usando um novo domínio de SageMaker IA com modelos de JumpStart projeto habilitados, essas funções serão criadas automaticamente em sua conta.
Se você estiver usando um domínio de SageMaker IA existente, essas funções podem não existir na sua conta. Se for esse o caso, você receberá o seguinte erro ao iniciar a solução:
```
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.
```
Você ainda pode iniciar uma solução sem a função necessária, mas a função padrão legada `AmazonSageMakerServiceCatalogProductsUseRole` é usada no lugar da função necessária. A função padrão antiga tem relações de confiança com todos os serviços com os quais JumpStart as soluções precisam interagir. Para obter a melhor segurança, recomendamos que você atualize seu domínio para ter as funções padrão recém-criadas para cada AWS serviço.
Se você já se integrou a um domínio de SageMaker IA, pode atualizar seu domínio para gerar as funções padrão usando o procedimento a seguir.
1. Abra o console do Amazon SageMaker AI em [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Escolha **Ambiente de gerenciamento** no canto superior esquerdo da página.
1. Na página **domínio**, escolha o ícone **Configurações** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/icons/Settings_squid.png)) para editar as configurações do domínio.
1. Em **Configurações gerais**, escolha **Avançar**.
1. Em **SageMaker Projetos e JumpStart**, selecione **Ativar modelos de SageMaker projeto da Amazon e Amazon SageMaker JumpStart para esta conta** e **Ativar modelos de SageMaker projeto da Amazon e Amazon SageMaker JumpStart para usuários do Studio Classic**, escolha **Avançar**.
1. Selecione **Submit (Enviar)**.
Você deve conseguir ver as funções padrão listadas em **Projetos - Modelos de SageMaker projetos da Amazon habilitados para esta conta** na guia **Apps - Studio**.
**Encontre o perfil do IAM**
Se você selecionar essa opção, deverá selecionar um perfil do IAM existente na lista suspensa para cada um dos serviços necessários. A função selecionada deve ter pelo menos as permissões mínimas necessárias para o serviço correspondente. Para obter uma descrição das permissões necessárias para cada serviço, consulte[AWS Políticas gerenciadas para SageMaker projetos e JumpStart](security-iam-awsmanpol-sc.md).
**Perfil do IAM de entrada**
Se você selecionar essa opção, deverá inserir manualmente o ARN de uma função existente do IAM. A função selecionada deve ter pelo menos as permissões mínimas necessárias para o serviço correspondente. Para obter uma descrição das permissões necessárias para cada serviço, consulte[AWS Políticas gerenciadas para SageMaker projetos e JumpStart](security-iam-awsmanpol-sc.md).
# SageMaker JumpStart Indústria da Amazon: Financeira
Use SageMaker JumpStart Indústria: soluções financeiras, modelos e notebooks de exemplo para aprender sobre os recursos e capacidades de SageMaker IA por meio de soluções selecionadas de uma etapa e exemplos de notebooks de problemas de aprendizado de máquina (ML) com foco no setor. Os notebooks também explicam como usar o SDK SageMaker JumpStart Industry Python para aprimorar os dados de texto do setor e ajustar modelos pré-treinados.
**Topics**
+ [SDK para Python SageMaker JumpStart da Amazon Industry](#studio-jumpstart-industry-pysdk)
+ [Amazon SageMaker JumpStart Industry: Solução financeira](#studio-jumpstart-industry-solutions)
+ [SageMaker JumpStart Indústria da Amazon: modelos financeiros](#studio-jumpstart-industry-models)
+ [SageMaker JumpStart Indústria da Amazon: exemplos financeiros de notebooks](#studio-jumpstart-industry-examples)
+ [SageMaker JumpStart Indústria da Amazon: publicações em blogs financeiros](#studio-jumpstart-industry-blogs)
+ [SageMaker JumpStart Indústria da Amazon: pesquisa relacionada a finanças](#studio-jumpstart-industry-research)
+ [SageMaker JumpStart Indústria da Amazon: recursos financeiros adicionais](#studio-jumpstart-industry-resources)
## SDK para Python SageMaker JumpStart da Amazon Industry
SageMaker JumpStart O Runtime fornece ferramentas de processamento para organizar conjuntos de dados do setor e ajustar modelos pré-treinados por meio de sua biblioteca cliente chamada Industry Python SDK. SageMaker JumpStart Para obter a documentação detalhada da API do SDK e saber mais sobre como processar e aprimorar conjuntos de dados de texto do setor para melhorar o desempenho dos state-of-the-art modelos no SageMaker JumpStart, consulte a documentação de código aberto do SDK Industry [SageMaker JumpStartPython](https://sagemaker-jumpstart-industry-pack.readthedocs.io).
## Amazon SageMaker JumpStart Industry: Solução financeira
SageMaker JumpStart Industry: Financial fornece os seguintes notebooks de solução:
+ **Previsão de classificação de crédito corporativo**
Esta solução SageMaker JumpStart Industry: Financial fornece um modelo para um modelo de classificação de crédito corporativo aprimorado por texto. Ela mostra como usar um modelo baseado em atributos numéricos (neste caso, os famosos 5 índices financeiros de Altman) combinado com textos de registros da SEC para obter uma melhoria na predição das avaliações de crédito. Além dos 5 índices de Altman, você pode adicionar outras variáveis conforme necessário ou definir variáveis personalizadas. Este caderno de soluções mostra como o SDK SageMaker JumpStart Industry Python ajuda a processar a pontuação de NLP (Processamento de Linguagem Natural) de textos de arquivos da SEC. Além disso, a solução demonstra como treinar um modelo usando o conjunto de dados aprimorado para obter um best-in-class modelo, implantar o modelo em um endpoint de SageMaker IA para produção e receber previsões aprimoradas em tempo real.
+ **Pontuação de crédito baseada em gráficos**
As avaliações de crédito são tradicionalmente geradas usando modelos que usam dados de demonstrações financeiras e dados de mercado, que são apenas tabulares (numéricos e categóricos). Esta solução constrói uma rede de empresas usando [registros da SEC](https://www.sec.gov/edgar/searchedgar/companysearch.html) e mostra como usar a rede de relacionamentos da empresa com dados tabulares para gerar predições de classificação precisas. Esta solução demonstra uma metodologia para usar dados em vínculos da empresa para estender os modelos de pontuação de crédito tradicionalmente baseados em tabelas, usados pelo setor de avaliação por décadas, à classe de modelos de machine learning em redes.
**nota**
Os cadernos de solução servem apenas para fins de demonstração. Eles não devem ser considerados como conselhos financeiros ou de investimento.
Você pode encontrar essas soluções de serviços financeiros na SageMaker JumpStart página do Studio Classic.
**Importante**
Em 30 de novembro de 2023, a experiência anterior do Amazon SageMaker Studio agora se chama Amazon SageMaker Studio Classic. A seção a seguir é específica ao uso da aplicação Studio Classic. Para obter informações sobre como usar a experiência atualizada do Studio, consulte [SageMaker Estúdio Amazon](studio-updated.md).
O Studio Classic ainda é mantido para cargas de trabalho existentes, mas não está mais disponível para integração. Você só pode parar ou excluir aplicativos do Studio Classic existentes e não pode criar novos. Recomendamos que você [migre sua carga de trabalho para a nova experiência do Studio](studio-updated-migrate.md).
**nota**
O SageMaker JumpStart setor: soluções financeiras, modelos de cartões e notebooks de exemplo são hospedados e podem ser executados somente por meio SageMaker do Studio Classic. Faça login no [console de SageMaker IA](https://console.aws.amazon.com/sagemaker) e inicie o SageMaker Studio Classic. Para obter mais informações sobre como encontrar o cartão de solução, consulte o tópico anterior em [SageMaker JumpStart](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-jumpstart.html).
## SageMaker JumpStart Indústria da Amazon: modelos financeiros
SageMaker JumpStart Industry: Financial fornece os seguintes modelos pré-treinados de [abordagem BERT (BERTaRo) otimizada e robusta](https://arxiv.org/pdf/1907.11692.pdf):
+ **Incorporação de texto financeiro (BERTaRo-SEC-base)**
+ **RoBERTa-SEC-WIKI-Base **
+ **RoBERTa-SEC-Large **
+ **RoBERTa-SEC-WIKI-Large **
Os RoBERTa-SEC-Large modelos RoBERTa-SEC-Base e são os modelos de incorporação de texto baseados no [BERTa modelo Ro da GluonNLP](https://nlp.gluon.ai/api/model.html#gluonnlp.model.RoBERTaModel) e pré-treinados nos relatórios S&P 500 SEC 10-K/10-Q da década de 2010 (de 2010 a 2019). Além disso, SageMaker AI JumpStart Industry: Financial fornece mais duas BERTa variações de Ro, RoBERTa-SEC-WIKI-Base e RoBERTa-SEC-WIKI-Large, que são pré-treinadas nos arquivos da SEC e nos textos comuns da Wikipedia.
Você pode encontrar esses modelos SageMaker JumpStart navegando até o nó Modelos de **texto, escolhendo Explorar todos os modelos** **de texto** e, em seguida, filtrando a incorporação de **texto** da tarefa de ML. Você pode acessar qualquer caderno correspondente após selecionar o modelo de sua escolha. Os notebooks emparelhados explicarão como os modelos pré-treinados podem ser ajustados para tarefas de classificação específicas em conjuntos de dados multimodais, que são aprimorados pelo SDK Industry Python. SageMaker JumpStart
**nota**
Os cadernos de modelo servem apenas para fins de demonstração. Eles não devem ser considerados como conselhos financeiros ou de investimento.
A captura de tela a seguir mostra as placas de modelo pré-treinadas fornecidas pela JumpStart página de SageMaker IA no Studio Classic.
![\[As placas de modelo pré-treinadas fornecidas por meio da JumpStart página de SageMaker IA no Studio Classic.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/jumpstart/jumpstart-finance-models.png)
**nota**
O SageMaker JumpStart setor: soluções financeiras, modelos de cartões e notebooks de exemplo são hospedados e podem ser executados somente por meio SageMaker do Studio Classic. Faça login no [console de SageMaker IA](https://console.aws.amazon.com/sagemaker) e inicie o SageMaker Studio Classic. Para obter mais informações sobre como encontrar os cartões modelo, consulte o tópico anterior em [SageMaker JumpStart](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-jumpstart.html).
## SageMaker JumpStart Indústria da Amazon: exemplos financeiros de notebooks
SageMaker JumpStart Industry: Financial fornece os seguintes exemplos de notebooks para demonstrar soluções para problemas de ML focados no setor:
+ **Construção de TabText dados financeiros** — Este exemplo apresenta como usar o SDK SageMaker JumpStart Industry Python para processar os registros da SEC, como resumo de texto e pontuação de textos com base nos tipos de pontuação de PNL e suas listas de palavras correspondentes. Para visualizar o conteúdo deste caderno, consulte [Construção simples de um conjunto de dados multimodal a partir de registros da SEC e pontuações de PNL](https://sagemaker-jumpstart-industry-pack.readthedocs.io/en/latest/notebooks/finance/notebook1/SEC_Retrieval_Summarizer_Scoring.html).
+ **ML multimodal em TabText dados** — Este exemplo mostra como mesclar diferentes tipos de conjuntos de dados em um único dataframe chamado e executar ML multimodal. TabText Para visualizar o conteúdo desse notebook, consulte [Machine Learning on a TabText Dataframe — Um exemplo baseado no programa de proteção do salário](https://sagemaker-jumpstart-industry-pack.readthedocs.io/en/latest/notebooks/finance/notebook2/PPP_TabText_ML.html).
+ **ML de várias categorias em dados de arquivamentos da SEC** — Este exemplo mostra como treinar um modelo de AutoGluon PNL nos conjuntos de dados multimodais (TabText) selecionados a partir de registros da SEC para uma tarefa de classificação multiclasse. [Classifique os registros da SEC 10K/Q de acordo com os códigos do setor baseados na coluna de texto MDNA](https://sagemaker-jumpstart-industry-pack.readthedocs.io/en/latest/notebooks/finance/notebook3/SEC_MNIST_ML.html).
**nota**
Os cadernos de exemplos servem apenas para fins de demonstração. Eles não devem ser considerados como conselhos financeiros ou de investimento.
**nota**
O SageMaker JumpStart setor: soluções financeiras, modelos de cartões e notebooks de exemplo são hospedados e podem ser executados somente por meio SageMaker do Studio Classic. Faça login no [console de SageMaker IA](https://console.aws.amazon.com/sagemaker) e inicie o SageMaker Studio Classic. Para obter mais informações sobre como encontrar os exemplos de cadernos, consulte o tópico anterior em [SageMaker JumpStart](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-jumpstart.html).
Para visualizar o conteúdo dos cadernos de exemplo, consulte [Tutoriais — Documentação do SDK *SageMaker JumpStart Python* Finance](https://sagemaker-jumpstart-industry-pack.readthedocs.io/en/latest/notebooks/index.html) in the Industry.
## SageMaker JumpStart Indústria da Amazon: publicações em blogs financeiros
Para aplicações completas do uso da SageMaker JumpStart Indústria: soluções financeiras, modelos, exemplos e o SDK, consulte as seguintes postagens no blog:
+ [Use modelos de linguagem financeira pré-treinados para transferência de aprendizado na Amazon SageMaker JumpStart](https://aws.amazon.com/blogs/machine-learning/use-pre-trained-financial-language-models-for-transfer-learning-in-amazon-sagemaker-jumpstart/)
+ [Use o texto da SEC para classificação de classificações usando ML multimodal na Amazon SageMaker JumpStart](https://aws.amazon.com/blogs/machine-learning/use-sec-text-for-ratings-classification-using-multimodal-ml-in-amazon-sagemaker-jumpstart/)
+ [Crie um painel com texto da SEC para PNL financeira na Amazon SageMaker JumpStart](https://aws.amazon.com/blogs/machine-learning/create-a-dashboard-with-sec-text-for-financial-nlp-in-amazon-sagemaker-jumpstart/)
+ [Crie um classificador de classificação de crédito corporativo usando aprendizado de máquina gráfico na Amazon SageMaker JumpStart](https://aws.amazon.com/blogs/machine-learning/build-a-corporate-credit-ratings-classifier-using-graph-machine-learning-in-amazon-sagemaker-jumpstart/)
+ [Adaptação de domínio: ajuste fino de modelos de fundação na Amazon em dados financeiros SageMaker JumpStart ](https://aws.amazon.com/blogs/machine-learning/domain-adaptation-fine-tuning-of-foundation-models-in-amazon-sagemaker-jumpstart-on-financial-data/)
## SageMaker JumpStart Indústria da Amazon: pesquisa relacionada a finanças
Para pesquisas relacionadas à SageMaker JumpStart Indústria: Soluções financeiras, consulte os seguintes artigos:
+ [Contexto, modelos de linguagem e dados multimodais em finanças](https://www.pm-research.com/content/iijjfds/3/3/52)
+ [Machine Learning multimodal para modelos de crédito](https://www.amazon.science/publications/multimodal-machine-learning-for-credit-modeling)
+ [A falta de interpretabilidade robusta dos classificadores neurais de texto](https://www.amazon.science/publications/on-the-lack-of-robust-interpretability-of-neural-text-classifiers)
+ [FinLex: Um uso eficaz de incorporações de palavras para geração de léxico financeiro](https://www.sciencedirect.com/science/article/pii/S2405918821000131)
## SageMaker JumpStart Indústria da Amazon: recursos financeiros adicionais
Para tutoriais e documentação adicionais, consulte os recursos a seguir:
+ [O SageMaker JumpStart setor: SDK financeiro para Python](https://pypi.org/project/smjsindustry/)
+ [SageMaker JumpStart Setor: Tutoriais do SDK financeiro para Python](https://sagemaker-jumpstart-industry-pack.readthedocs.io/en/latest/notebooks/index.html#)
+ [A SageMaker JumpStart indústria: GitHub repositório financeiro](https://github.com/aws/sagemaker-jumpstart-industry-pack/)
+ [Introdução à Amazon SageMaker AI - Tutoriais de Machine Learning](https://aws.amazon.com/sagemaker/getting-started/)