本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。 # Studio Classic 中的 Amazon SageMaker JumpStart **重要** 自 2023 年 11 月 30 日起，先前的 Amazon SageMaker Studio 體驗現在名為 Amazon SageMaker Studio Classic。下節專門介紹如何使用 Studio Classic 應用程式。如需使用已更新 Studio 體驗的資訊，請參閱 [Amazon SageMaker Studio](studio-updated.md)。 Studio Classic 仍會針對現有工作負載進行維護，但無法再用於加入。您只能停止或刪除現有的 Studio Classic 應用程式，而且無法建立新的應用程式。建議您[將工作負載遷移至新的 Studio 體驗](studio-updated-migrate.md)。 下列 JumpStart 功能僅適用於 Amazon SageMaker Studio Classic。 + [具體工作模型](jumpstart-models.md) + [共用模型和筆記本](jumpstart-content-sharing.md) + [End-to-end JumpStart 解決方案範本](jumpstart-solutions.md) + [Amazon SageMaker JumpStart 產業：金融](studio-jumpstart-industry.md) # 具體工作模型 JumpStart 支援十五種最常見問題類型的具體工作模型。在支援的問題類型中，共有 13 種視覺和 NTP 相關類型。有八種問題類型支援增量訓練和微調。如需增量訓練和超參數調整的詳細資訊，請參閱 [SageMaker AI 自動模型微調](https://docs.aws.amazon.com/sagemaker/latest/dg/automatic-model-tuning.html)。JumpStart 也支援四種常用的表格式資料建模演算法。 您可以在 Studio 或 Studio Classic 中從 JumpStart 登陸頁面搜尋和瀏覽模型。當您選取模型時，模型詳細資訊頁面會提供模型的相關資訊，您只需數個步驟即可訓練和部署模型。說明部分描述了您可以對模型執行的操作、預期的輸入和輸出類型，以及微調模型所需的資料類型。 您也可以透過程式設計方式搭配 [SageMaker Python SDK](https://sagemaker.readthedocs.io/en/stable/overview.html#use-prebuilt-models-with-sagemaker-jumpstart) 使用模型。如需所有可用模型的清單，請參閱 [JumpStart 可用模型表格](https://sagemaker.readthedocs.io/en/v2.132.0/doc_utils/pretrainedmodels.html)。 下表摘要列出問題類型及其範例 Jupyter 筆記本的連結。 | 問題類型 | 支援預先訓練模型的推論 | 可在自訂資料集上訓練 | 支援的架構 | 範例筆記本 | | --- | --- | --- | --- | --- | | Image classification | 是 | 是 | PyTorch、TensorFlow | [JumpStart 簡介 - 影像分類](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_image_classification/Amazon_JumpStart_Image_Classification.ipynb) | | 物件偵測 | 是 | 是 | PyTorch、TensorFlow、MXNet | [JumpStart 簡介 - 物件偵測](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_object_detection/Amazon_JumpStart_Object_Detection.ipynb) | | 語意分割 | 是 | 是 | MXNet | [JumpStart 簡介 - 語意分割](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_semantic_segmentation/Amazon_JumpStart_Semantic_Segmentation.ipynb) | | 實例分割 | 是 | 是 | MXNet | [JumpStart 簡介 - 實例分割](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_instance_segmentation/Amazon_JumpStart_Instance_Segmentation.ipynb) | | 圖像嵌入 | 是 | 否 | TensorFlow、MXNet | [JumpStart 簡介 - 圖像嵌入](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_image_embedding/Amazon_JumpStart_Image_Embedding.ipynb) | | 文字分類 | 是 | 是 | TensorFlow | [JumpStart 簡介 - 文字分類](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_text_classification/Amazon_JumpStart_Text_Classification.ipynb) | | 句子對分類 | 是 | 是 | TensorFlow、Hugging Face | [JumpStart 簡介 - 句子對分類](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_sentence_pair_classification/Amazon_JumpStart_Sentence_Pair_Classification.ipynb) | | 回答問題 | 是 | 是 | PyTorch、Hugging Face | [JumpStart 簡介 - 回答問題](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_question_answering/Amazon_JumpStart_Question_Answering.ipynb) | | 具名實體辨識 | 是 | 否 | Hugging Face | [JumpStart 簡介 - 具名實體識別](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_named_entity_recognition/Amazon_JumpStart_Named_Entity_Recognition.ipynb) | | 文字摘要 | 是 | 否 | Hugging Face | [JumpStart 簡介 - 文字摘要](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_text_summarization/Amazon_JumpStart_Text_Summarization.ipynb) | | 產生文字 | 是 | 否 | Hugging Face | [JumpStart 簡介 - 文字產生](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_text_generation/Amazon_JumpStart_Text_Generation.ipynb) | | 機器翻譯 | 是 | 否 | Hugging Face | [JumpStart 簡介 - 機器翻譯](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_machine_translation/Amazon_JumpStart_Machine_Translation.ipynb) | | 文字嵌入 | 是 | 否 | TensorFlow、MXNet | [JumpStart 簡介 - 文字嵌入](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_text_embedding/Amazon_JumpStart_Text_Embedding.ipynb) | | 表格分類 | 是 | 是 | LightGBM、CatBoost、XGBoost、AutoGluon-Tabular、TabTransformer、線性學習 | [JumpStart 簡介 - 表格分類 - LightGBM、CatBoost](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/lightgbm_catboost_tabular/Amazon_Tabular_Classification_LightGBM_CatBoost.ipynb) [JumpStart 簡介 - 表格分類 - XGBoost、線性學習](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/xgboost_linear_learner_tabular/Amazon_Tabular_Classification_XGBoost_LinearLearner.ipynb) [JumpStart 簡介 - 表格分類 - AutoGluon Learner](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/autogluon_tabular/Amazon_Tabular_Classification_AutoGluon.ipynb) [JumpStart 簡介 - 表格分類 - TabTransformer Learner](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/tabtransformer_tabular/Amazon_Tabular_Classification_TabTransformer.ipynb) | | 表格迴歸 | 是 | 是 | LightGBM、CatBoost、XGBoost、AutoGluon-Tabular、TabTransformer、線性學習 | [JumpStart 簡介 - 表格迴歸 - LightGBM、CatBoost](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/lightgbm_catboost_tabular/Amazon_Tabular_Regression_LightGBM_CatBoost.ipynb) [JumpStart 簡介 - 表格迴歸 - XGBoost、線性學習](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/xgboost_linear_learner_tabular/Amazon_Tabular_Regression_XGBoost_LinearLearner.ipynb) [JumpStart 簡介 - 表格迴歸 - AutoGluon Learner](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/autogluon_tabular/Amazon_Tabular_Regression_AutoGluon.ipynb) [JumpStart 簡介 - 表格迴歸 - TabTransformer Learner](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/tabtransformer_tabular/Amazon_Tabular_Regression_TabTransformer.ipynb) | # 部署模型 當您從 JumpStart 部署模型時，SageMaker AI 會託管模型並部署可用於推論的端點。JumpStart 也提供範例筆記本，您可以在部署模型後用來存取模型。 **重要** 自 2023 年 11 月 30 日起，先前的 Amazon SageMaker Studio 體驗現在名為 Amazon SageMaker Studio Classic。下節專門介紹如何使用 Studio Classic 應用程式。如需使用已更新 Studio 體驗的資訊，請參閱 [Amazon SageMaker Studio](studio-updated.md)。 Studio Classic 仍會針對現有工作負載進行維護，但無法再用於加入。您只能停止或刪除現有的 Studio Classic 應用程式，而且無法建立新的應用程式。建議您[將工作負載遷移至新的 Studio 體驗](studio-updated-migrate.md)。 **注意** 如需 Studio 中 JumpStart 模型部署的詳細資訊，請參閱[在 Studio 中部署模型](jumpstart-foundation-models-use-studio-updated-deploy.md) ## 模型部署組態 選擇模型後，會開啟模型的索引標籤。在**部署模型**窗格中，選擇**部署組態**以設定模型部署。 ![\[The Deploy Model pane.\]](http://docs.aws.amazon.com/zh_tw/sagemaker/latest/dg/images/jumpstart/jumpstart-deploy.png) 部署模型的預設執行個體類型取決於模型。執行個體類型是執行訓練工作的硬體。在下列範例中，`ml.p2.xlarge` 執行個體是此特定 BERT 模型的預設值。 您也可以變更端點名稱、新增 `key;value` 資源索引標籤、啟用或取消使用任何與模型相關的 JumpStart 資源的 `jumpstart-` 前置詞，以及指定 Amazon S3 儲存貯體來存放 SageMaker AI 端點使用的模型成品。 ![\[JumpStart Deploy Model pane with Deployment Configuration open to select its settings.\]](http://docs.aws.amazon.com/zh_tw/sagemaker/latest/dg/images/jumpstart/jumpstart-deploy-config.png) 選擇**安全設定**以指定模型的 AWS Identity and Access Management (IAM) 角色、Amazon Virtual Private Cloud (Amazon VPC) 和加密金鑰。 ![\[JumpStart Deploy Model pane with Security Settings open to select its settings.\]](http://docs.aws.amazon.com/zh_tw/sagemaker/latest/dg/images/jumpstart/jumpstart-deploy-security.png) ## 模型部署安全性 使用 JumpStart 部署模型時，您可以為該模型指定 IAM 角色、Amazon VPC 和加密金鑰。如果您未為這些項目指定任何值：您的 Studio Classic 執行時期角色將為預設 IAM 角色；使用預設加密；不使用 Amazon VPC。 ### IAM 角色 您可以選取作為訓練工作和託管工作一部分傳遞的 IAM 角色。SageMaker AI 使用此角色來存取訓練資料和模型成品。如果您未選取 IAM 角色，SageMaker AI 會使用您的 Studio Classic 執行時期角色部署模型。如需關於 IAM 角色的詳細資訊，請參閱[AWS Identity and Access Management 適用於 Amazon SageMaker AI](security-iam.md)。 您傳遞的角色必須能夠存取模型所需的資源，並且必須包含下列所有項目。 + 針對訓練工作：[CreateTrainingJob API：執行角色權限](https://docs.aws.amazon.com//sagemaker/latest/dg/sagemaker-roles.html#sagemaker-roles-createtrainingjob-perms)。 + 針對託管工作：[CreateModel API：執行角色權限](https://docs.aws.amazon.com//sagemaker/latest/dg/sagemaker-roles.html#sagemaker-roles-createmodel-perms)。 **注意** 您可以縮小以下每個角色授予的 Amazon S3 權限範圍。使用 Amazon Simple Storage Service (Amazon S3) 的 ARN，以及 JumpStart Amazon S3 儲存貯體完成此操作。 ``` [ { "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": [ "*" ] }, ] } ``` **尋找 IAM 角色** 如果選取此選項，則必須從下拉式清單中選取現有的 IAM 角色。 ![\[JumpStart Security Settings IAM section with Find IAM role selected.\]](http://docs.aws.amazon.com/zh_tw/sagemaker/latest/dg/images/jumpstart/jumpstart-deploy-security-findiam.png) **輸入 IAM 角色** 如果選取此選項，則必須手動輸入現有 IAM 角色的 ARN。如果您的 Studio Classic 執行時期角色或 Amazon VPC 封鎖 `iam:list* ` 呼叫，您必須使用此選項才能使用現有的 IAM 角色。 ![\[JumpStart Security Settings IAM section with Input IAM role selected.\]](http://docs.aws.amazon.com/zh_tw/sagemaker/latest/dg/images/jumpstart/jumpstart-deploy-security-inputiam.png) ### Amazon VPC 所有 JumpStart 模型均以網路隔離模式執行。建立模型容器之後，就不能再進行呼叫。您可以選取作為訓練工作和託管工作一部分傳遞的 Amazon VPC 角色。SageMaker AI 使用此 Amazon VPC 從您的 Amazon S3 儲存貯體中推送和提取資源。這個 Amazon VPC 不同於限制從您 Studio Classic 執行個體存取公用網際網路的 Amazon VPC。如需 Studio Classic Amazon VPC 的詳細資訊，請參閱[將 VPC 中的 Studio 筆記本連線至外部資源](studio-notebooks-and-internet-access.md)。 您傳遞的 Amazon VPC 不需要存取公用網際網路，但確實需要存取 Amazon S3。Amazon S3 適用的 Amazon VPC 端點必須至少允許存取模型所需的下列資源。 ``` { "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/*" ] } ``` 如果您未選取 Amazon VPC，則不會使用任何 Amazon VPC。 **尋找 VPC** 如果選取此選項，則必須從下拉式清單中選取現有的 Amazon VPC 角色。選取 Amazon VPC 之後，您必須為 Amazon VPC 選取子網路和安全群組。如需有關子網路和安全群組的詳細資訊，請參閱[ VPC 和子網路概觀](https://docs.aws.amazon.com//vpc/latest/userguide/VPC_Subnets.html)。 ![\[JumpStart Security Settings VPC section with Find VPC selected.\]](http://docs.aws.amazon.com/zh_tw/sagemaker/latest/dg/images/jumpstart/jumpstart-deploy-security-findvpc.png) **VPC 輸入** 如果選取此選項，則必須手動選取構成 Amazon VPC 的子網路和安全群組。如果您的 Studio Classic 執行時期角色或 Amazon VPC 封鎖 `ec2:list*` 呼叫，您必須使用此選項來選取子網路和安全群組。 ![\[JumpStart Security Settings VPC section with Input VPC selected.\]](http://docs.aws.amazon.com/zh_tw/sagemaker/latest/dg/images/jumpstart/jumpstart-deploy-security-inputvpc.png) ### 加密金鑰 您可以選取做為訓練任務和託管任務一部分傳遞的 AWS KMS 金鑰。SageMaker AI 使用此金鑰來加密容器的 Amazon EBS 磁碟區，以及 Amazon S3 中用於託管工作的重新包裝模型和訓練工作的輸出。如需 AWS KMS 金鑰的詳細資訊，請參閱 [AWS KMS 金鑰](https://docs.aws.amazon.com//kms/latest/developerguide/concepts.html#kms_keys)。 您傳遞的金鑰必須信任您傳遞的 IAM 角色。如果您未指定 IAM 角色， AWS KMS 金鑰必須信任您的 Studio Classic 執行期角色。 如果您未選取 AWS KMS 金鑰，SageMaker AI 會為 Amazon EBS 磁碟區中的資料和 Amazon S3 成品提供預設加密。 **尋找加密金鑰** 如果您選取此選項，則必須從下拉式清單中選取現有的 AWS KMS 金鑰。 ![\[JumpStart Security Settings encryption section with Find encryption keys selected.\]](http://docs.aws.amazon.com/zh_tw/sagemaker/latest/dg/images/jumpstart/jumpstart-deploy-security-findencryption.png) **輸入加密金鑰** 如果您選取此選項，則必須手動輸入 AWS KMS 金鑰。如果您的 Studio Classic 執行角色或 Amazon VPC 封鎖`kms:list* `呼叫，您必須使用此選項來選取現有的 AWS KMS 金鑰。 ![\[JumpStart Security Settings encryption section with Input encryption keys selected.\]](http://docs.aws.amazon.com/zh_tw/sagemaker/latest/dg/images/jumpstart/jumpstart-deploy-security-inputencryption.png) ## 設定 JumpStart 模型的預設值 您可以為 IAM 角色、VPC 和 KMS 金鑰等參數設定預設值，以預先填入 JumpStart 模型部署和訓練。設定預設值之後，Studio Classic 使用者介面會自動將您的具體安全設定和標籤提供給 JumpStart 模型，以簡化部署和訓練工作流程。系統管理員和使用者可以初始化在 YAML 格式的組態檔中指定的預設值。 SageMaker Python SDK 會依預設使用兩個組態檔案：一個針對管理員，另一個針對使用者。管理員可以使用系統管理員組態檔案定義一組預設值。終端使用者可以覆寫管理員組態檔案中設定的值，並使用終端使用者組態檔設定其他預設值。如需詳細資訊，請參閱[預設組態檔案位置](https://sagemaker.readthedocs.io/en/stable/overview.html#default-configuration-file-location)。 下列程式碼範例列出在 Amazon SageMaker Studio Classic 中使用 SageMaker Python SDK 時組態檔案的預設位置。 ``` # Location of the admin config file /etc/xdg/sagemaker/config.yaml # Location of the user config file /root/.config/sagemaker/config.yaml ``` 在使用者組態檔案中指定的值會取代管理員組態檔案中設定的值。Amazon SageMaker AI 網域中的每個使用者設定檔都是唯一的。使用者描述檔的 Studio Classic 應用程式直接與使用者描述檔關聯。如需詳細資訊，請參閱[網域使用者設定檔](domain-user-profile.md)。 管理員可以選擇性透過 `JupyterServer` 生命週期組態設定 JumpStart 模型訓練和部署的組態預設。如需詳細資訊，請參閱[建立生命週期組態並將其與 Amazon SageMaker Studio Classic 建立關聯](studio-lcc-create.md)。 ### 預設值組態 YAML 檔案 您的設定檔應該遵守 SageMaker Python SDK [設定檔案結構](https://sagemaker.readthedocs.io/en/stable/overview.html#configuration-file-structure)。請注意，`TrainingJob`、`Model` 和 `EndpointConfig` 組態中的特定欄位適用於 JumpStart 模型訓練和部署預設值。 ``` 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 ``` # 微調模型 微調會在新資料集上訓練預先訓練的模型，而不需要從頭開始訓練。這個程序也稱為移轉學習，可以利用較小的資料集和較短的訓練時間來產生精確的模型。如果模型的卡顯示 **可微調**屬性設定為**是**，您就可以微調該模型。 ![\[JumpStart fine-tunable Image Classification - TensorFlow model\]](http://docs.aws.amazon.com/zh_tw/sagemaker/latest/dg/images/jumpstart/jumpstart-finetune-model.png) **重要** 自 2023 年 11 月 30 日起，先前的 Amazon SageMaker Studio 體驗現在名為 Amazon SageMaker Studio Classic。下節專門介紹如何使用 Studio Classic 應用程式。如需使用已更新 Studio 體驗的資訊，請參閱 [Amazon SageMaker Studio](studio-updated.md)。 Studio Classic 仍會針對現有工作負載進行維護，但無法再用於加入。您只能停止或刪除現有的 Studio Classic 應用程式，而且無法建立新的應用程式。建議您[將工作負載遷移至新的 Studio 體驗](studio-updated-migrate.md)。 **注意** 如需在 Studio 中微調 JumpStart 模型的詳細資訊，請參閱[在 Studio 中微調模型](jumpstart-foundation-models-use-studio-updated-fine-tune.md) ## 微調資料來源 微調模型時，您可以使用預設資料集或選擇自己位於 Amazon S3 儲存貯體中的資料。 若要瀏覽可用的儲存貯體，請選擇**尋找 S3 儲存貯體**。這些儲存貯體受到用於設定 Studio Classic 帳戶的權限所限制。您也可以選擇**輸入 Amazon S3 儲存貯體位置**來指定 Amazon S3 URI。 ![\[JumpStart data source settings with default dataset selected.\]](http://docs.aws.amazon.com/zh_tw/sagemaker/latest/dg/images/jumpstart/jumpstart-dataset.png) **提示** 若要瞭解如何格式化儲存貯體中的資料，請選擇**瞭解更多**。模型的描述部分包含有關輸入和輸出的詳細資訊。  針對文字模型： + 儲存貯體必須具有 data.csv 檔案。 + 第一欄必須是用於類別標籤的唯一整數。例如：`1`、`2`、`3`、`4`、`n` + 第二欄必須為字串。 + 第二欄應具有符合模型類型和語言的對應文字。  針對視覺模型： + 儲存貯體必須具有與類別數目一樣多的子目錄。 + 各個子目錄應包含屬於該類的 .jpg 格式圖像。 **注意** Amazon S3 儲存貯體必須與您執行 SageMaker Studio Classic AWS 區域 所在的儲存貯體相同，因為 SageMaker AI 不允許跨區域請求。 ## 微調部署組態 p3 系列是我們建議速度最快的深度學習訓練系列，建議您使用此系列來微調模型。下方圖表顯示每個執行個體類型中的 GPU 數目。您還可以選擇其他可用選項，包括 p2 和 g4 執行個體類型。 | 執行個體類型 | GPU | | --- | --- | | p3.2xlarge | 1 | | p3.8xlarge | 4 | | p3.16xlarge | 8 | | p3dn.24xlarge | 8 | ## 超參數 您可以自訂用於微調模型的訓練工作的超參數。每個可微調模型的可用超參數視模型而有所不同。如需有關每個可用超參數的資訊，請參閱[Amazon SageMaker 中的內建演算法和預先訓練模型](algos.md)中關於所選模型的超參數文件。例如，如需可微調圖像分類 - TensorFlow 超參數的詳細資訊，請參閱[影像分類 - TensorFlow 參數](IC-TF-Hyperparameter.md)。 如果您在未變更超參數的情況下使用文字模型的預設資料集，則會得到幾乎相同的模型。針對視覺模型，預設資料集與用於訓練預先訓練模型的資料集不同，因此您的模型因此會有所不同。 以下超參數在模型中很常見： + **時期** - 一個時期是整個資料集的一個循環。一個批次包括多個間隔，多個批次最終組成一個時期。執行多個週期，直到模型的精準度達到可接受的程度，或者當誤差率降至可接受的程度以下為止。 + **學習速率** - 值應該在時期之間改變的量。在改良模型時，會推動其內部權重，並檢查錯誤率以查看模型是否有所改善。典型的學習速率是 0.1 或 0.01，其中 0.01 是較小的調整，可能會導致訓練需要很長時間才能收斂，而 0.1 則大得多，可能導致訓練過衝。它是您可以調整以訓練模型的主要超參數之一。請注意，針對文字模型，較小的學習速率要 (BERT 為 5e-5) 可能會帶來更準確的模型。 + **Batch 大小** - 每個間隔從資料集中選擇要傳送到 GPU 進行訓練的記錄數。 在圖像範例中，您可能針對每個 GPU 發送 32 張圖像，因此您的批次大小是 32。如果您選擇具有多個 GPU 的執行個體類型，則該批次會除以 GPU 數目。建議的批次大小會因您使用的資料和模型而有所不同。例如，最佳化圖像資料的方式與處理語言資料的方式就有所不同。 在部署組態段落的執行個體類型圖表中，您可以看到每個執行個體類型的 GPU 數目。從標準建議批次大小開始 (例如視覺模型為 32)。然後，將其乘以您選取的執行個體類型中的 GPU 數目。例如如果您使用的是 `p3.8xlarge`，則為 32 (批次大小) 乘以 4 (GPU)，總計 128，因為您的批次大小會根據 GPU 數量調整。針對像 BERT 這樣的文字模型，請嘗試從批次大小 64 開始，然後根據需要縮小。 ## 訓練輸出 微調程序完成後，JumpStart 會提供模型的相關資訊：父模型、訓練工作名稱、訓練工作 ARN、訓練時間和輸出路徑。輸出路徑是新模型在 Amazon S3 儲存貯體中的位置。資料夾結構使用您提供的模型名稱，且模型檔案位於 `/output`子資料夾中，而且永遠命名為 `model.tar.gz`。  範例：`s3://bucket/model-name/output/model.tar.gz` ## 設定模型訓練的預設值 您可以為 IAM 角色、VPC 和 KMS 金鑰等參數設定預設值，以預先填入 JumpStart 模型部署和訓練。如需詳細資訊，請參閱[設定 JumpStart 模型的預設值](jumpstart-deploy.md#jumpstart-config-defaults)。 # 分享模型 **重要** 自 2023 年 11 月 30 日起，先前的 Amazon SageMaker Studio 體驗現在名為 Amazon SageMaker Studio Classic。下節專門介紹如何使用 Studio Classic 應用程式。如需使用已更新 Studio 體驗的資訊，請參閱 [Amazon SageMaker Studio](studio-updated.md)。 Studio Classic 仍會針對現有工作負載進行維護，但無法再用於加入。您只能停止或刪除現有的 Studio Classic 應用程式，而且無法建立新的應用程式。建議您[將工作負載遷移至新的 Studio 體驗](studio-updated-migrate.md)。 您可以使用下列程序，直接從**已啟動的 JumpStart 資產**頁面透過 Studio Classic 使用者介面分享 JumpStart 模型： 1. 開啟 Amazon SageMaker Studio Classic，然後在左側導覽窗格的** JumpStart** 區段中選擇**已啟動的 JumpStart 資產**。 1. **選取訓練工作**索引標籤以檢視模型訓練工作的清單。 1. 在**訓練工作**清單下，選取您要分享的訓練工作。此動作會開啟訓練工作詳細資訊頁面。您無法一次分享多個訓練工作。 1. 在訓練任務的標題中，選擇**共用**，然後選取**與我的組織共用**。 如需與貴組織分享模型的相關詳細資訊，請參閱[共用模型和筆記本](jumpstart-content-sharing.md)。 # 共用模型和筆記本 **重要** 自 2023 年 11 月 30 日起，先前的 Amazon SageMaker Studio 體驗現在命名為 Amazon SageMaker Studio Classic。下節專門介紹如何使用 Studio Classic 應用程式。如需使用已更新 Studio 體驗的資訊，請參閱 [Amazon SageMaker Studio](studio-updated.md)。 Studio Classic 仍會針對現有工作負載進行維護，但無法再用於加入。您只能停止或刪除現有的 Studio Classic 應用程式，而且無法建立新的應用程式。建議您[將工作負載遷移至新的 Studio 體驗](studio-updated-migrate.md)。 共用您的模型和筆記本，以集中管理模型成品、促進可探索性，並增加組織內模型的重複使用率。共用模型時，您可以提供訓練和推論環境資訊，並允許協作者將這些環境用於自己的訓練和推論任務。 您共用的所有模型以及與您共用的模型，都可以直接在 Amazon SageMaker Studio Classic 中的集中位置搜尋到。如需登入 Amazon SageMaker Studio Classic 的上線加入步驟的相關資訊，請參閱[加入 Amazon SageMaker AI 網域](https://docs.aws.amazon.com/sagemaker/latest/dg/gs-studio-onboard.html)。 **Topics** + [ # 模型和筆記本共用 ](jumpstart-content-sharing-access.md) + [ # 存取共用內容 ](jumpstart-content-sharing-access-filter.md) + [ # 新增模型 ](jumpstart-content-sharing-add-model.md) # 模型和筆記本共用 若要共用模型和筆記本，請導覽至 Amazon SageMaker Studio Classic 中的**共用的模型**區段，選擇 **由我的組織分享**，然後選取**新增**下拉式清單。選擇新增模型或新增筆記本。 ![\[可將共用模型或筆記本新增至 JumpStart 的功能表。\]](http://docs.aws.amazon.com/zh_tw/sagemaker/latest/dg/images/jumpstart/jumpstart-shared-models.png) # 存取共用內容 從 Amazon SageMaker Studio Classic UI，您可以存取共用內容並篩選看到的內容。 篩選共用模型和筆記本有三個主要選項： 1. **由我分享** — 您共用至 JumpStart 的模型和筆記本。 1. **與我分享** — 與您共用的模型和筆記本 1. **由我的組織分享** — 共用給組織中任何人的所有模型和筆記本 您也可以根據模型和筆記本上次更新的時間，或依照字母遞增或遞減順序來排序模型和筆記本。選擇篩選條件圖示 (![\[Funnel or filter icon representing data filtering or narrowing down options.\]](http://docs.aws.amazon.com/zh_tw/sagemaker/latest/dg/images/jumpstart/jumpstart-filter-icon.png)) 以進一步排序您選取的項目。 # 新增模型 若要新增模型，請選擇**由我的組織分享**，然後從**新增**下拉式清單中選取**新增模型**。輸入模型的基本資訊，並新增任何您要與協作者共用的訓練或推論資訊，以訓練或部署您的模型。輸入所有必要資訊後，請選擇畫面右下角的**新增模型**。 **Topics** + [ # 新增基本資訊 ](jumpstart-content-sharing-info.md) + [ # 啟用訓練 ](jumpstart-content-sharing-training.md) + [ # 啟用部署 ](jumpstart-content-sharing-deployment.md) + [ # 新增筆記本 ](jumpstart-content-sharing-notebooks.md) # 新增基本資訊 在 JumpStart 中新增模型涉及提供您想要訓練之模型的一些基本資訊。此資訊有助於定義模型的特性和功能，以及改善其可探索性和可搜尋性。若要建立新的模型，請遵循下列步驟： 1. 新增此模型的標題。新增標題會根據模型標題在 ID 欄位中自動填入唯一識別碼。 1. 新增模型的描述。 1. 從以下選項中選取資料類型：*文字*、*視覺*、*表格式*或*音訊*。 1. 從可用任務清單中選取機器學習任務，例如*影像分類*或*文字產生*。 1. 選取機器學習架構。 1. 新增包含關鍵字或片語的中繼資料資訊，以便在搜尋模型時使用。使用逗號分隔關鍵字。任何空格都會自動以逗號取代。 # 啟用訓練 新增要共用的模型時，您可以選擇性地提供訓練環境，並允許組織中的協作者訓練共用模型。 **注意** 如果您要新增表格式模型，您還需要指定資料欄格式和目標欄來啟用訓練。 提供模型的基本詳細資訊後，您需要為訓練任務設定用於訓練模型的設定。這包括指定容器環境、程式碼指令碼、資料集、輸出位置和各種其他參數，以控制訓練任務的執行方式。若要設定訓練任務設定，請遵循下列步驟： 1. 新增用於模型訓練的容器。您可以選取用於現有訓練任務的容器、在 Amazon ECR 中使用自己的容器，或使用 Amazon SageMaker 深度學習容器。 1. 新增環境變數。 1. 提供訓練指令碼位置。 1. 提供指令碼模式進入點。 1. 針對訓練期間產生的模型成品提供 Amazon S3 URI。 1. 將 Amazon S3 URI 提供給預設訓練資料集。 1. 提供模型輸出路徑。對於從訓練產生的任何模型成品，模型輸出路徑應為 Amazon S3 URI 路徑。SageMaker AI 會將模型成品儲存為 Amazon S3 中的單一壓縮 TAR 檔案。 1. 提供驗證資料集，以便在訓練期間評估模型。驗證資料集必須包含與訓練資料集相同數量的欄位和功能標題。 1. 開啟網路隔離。網路隔離會隔離模型容器，因此無法對模型容器進行傳入或傳出網路呼叫。 1. 提供 SageMaker AI 可以透過哪些訓練通道存取您的資料。例如，您可以指定名為 `train` 或 `test` 的通道。為每個通道指定通道名稱和資料位置的 URI。選擇**瀏覽**以搜尋 Amazon S3 位置。 1. 提供超參數。新增任何超參數，協作者應在訓練期間進行實驗。提供這些超參數的有效值範圍。此範圍用於訓練任務超參數驗證。您可以根據超參數的資料類型來定義範圍。 1. 選取執行個體類型。建議您使用記憶體容量較多的 GPU 執行個體來進行大批次訓練。如需跨 AWS 區域的 SageMaker 訓練執行個體完整清單，請參閱 [Amazon SageMaker 定價](https://aws.amazon.com/sagemaker/pricing/)中的**隨需定價**資料表。 1. 提供指標。您可以針對訓練監控的每個指標指定名稱和規則表達式，藉此定義訓練任務的指標。設計規則表達式以擷取演算法所發出指標的值。例如，指標 `loss` 可能具有規則表達式 `"Loss =(.*?);"`。 # 啟用部署 新增要共用的模型時，您可以選擇性地提供推論環境，讓組織中的協作者可以部署共用模型以進行推論。 訓練機器學習模型後，您需要將其部署到 Amazon SageMaker AI 端點以進行推論。這包括提供容器環境、推論指令碼、訓練期間產生的模型成品，以及選取適當的運算執行個體類型。正確設定這些設定對於確保您部署的模型可以進行準確的預測並有效地處理推論請求至關重要。若要設定模型以進行推論，請遵循下列步驟： 1. 新增要用於推論的容器。您可以在 Amazon ECR 中使用自己的容器，或使用 Amazon SageMaker 深度學習容器。 1. 將 Amazon S3 URI 提供給推論指令碼。自訂推論指令碼會在您選擇的容器內執行。您的推論指令碼應包含用於模型載入的函式，以及選擇性地使用產生預測的函式，以及輸入和輸出處理。如需有關為您選擇的架構建立推論指令碼的詳細資訊，請參閱 SageMaker Python SDK 文件中的[架構](https://sagemaker.readthedocs.io/en/stable/frameworks/index.html)。例如，對於 TensorFlow，請參閱[如何實作前置和/或後處理處理常式](https://sagemaker.readthedocs.io/en/stable/frameworks/tensorflow/deploying_tensorflow_serving.html#how-to-implement-the-pre-and-or-post-processing-handler-s)。 1. 針對模型成品提供 Amazon S3 URI。模型成品是訓練模型所產生的輸出，通常包含訓練過的參數、描述如何運算推論的模型定義，以及其他中繼資料。如果在 SageMaker AI 訓練您的模型，則模型成品會儲存為 Amazon S3 的單一壓縮 TAR 檔案。如果您在 SageMaker AI 外部訓練模型，則需要建立此單一壓縮 TAR 檔案，並將其儲存在 Amazon S3 位置。 1. 選取執行個體類型。建議您使用記憶體容量較多的 GPU 執行個體來進行大批次訓練。如需跨 AWS 區域的 SageMaker 訓練執行個體完整清單，請參閱 [Amazon SageMaker 定價](https://aws.amazon.com/sagemaker/pricing/)中的**隨需定價**資料表。 # 新增筆記本 若要新增筆記本，請選擇**由我的組織分享**，然後從**新增**下拉式清單中選取**新增筆記本**。輸入筆記本的基本資訊，並提供該筆記本所在位置的 Amazon S3 URI。 首先，新增筆記本的基本描述性資訊。這項資訊會用來改善筆記本的可搜尋性。 1. 新增此筆記本的標題。新增標題會根據筆記本標題在 ID 欄位中自動填入唯一識別碼。 1. 新增筆記本的描述。 1. 從以下選項中選取資料類型：*文字*、*視覺*、*表格式*或*音訊*。 1. 從可用任務清單中選取機器學習 (ML) 任務，例如*影像分類*或*文字產生*。 1. 選取機器學習 (ML) 架構。 1. 新增中繼資料資訊以及關鍵字或片語，以便在搜尋筆記本時使用。使用逗號分隔關鍵字。任何空格都會自動以逗號取代。 指定基本資訊後，您可以提供該筆記本位置的 Amazon S3 URI。您可以選擇**瀏覽**，在 Amazon S3 儲存貯體中搜尋筆記本檔案位置。找到筆記本後，複製 Amazon S3 URI，選擇**取消**，然後將 Amazon S3 URI 新增至**筆記本位置**欄位。 輸入所有必要資訊後，請選擇右下角的**新增筆記本**。 # End-to-end JumpStart 解決方案範本 **重要** 自 2023 年 11 月 30 日起，先前的 Amazon SageMaker Studio 體驗現在名為 Amazon SageMaker Studio Classic。下節專門介紹如何使用 Studio Classic 應用程式。如需使用已更新 Studio 體驗的資訊，請參閱 [Amazon SageMaker Studio](studio-updated.md)。 Studio Classic 仍會針對現有工作負載進行維護，但無法再用於加入。您只能停止或刪除現有的 Studio Classic 應用程式，而且無法建立新的應用程式。建議您[將工作負載遷移至新的 Studio 體驗](studio-updated-migrate.md)。 **注意** JumpStart 解決方案僅適用於 Studio Classic。 SageMaker JumpStart 提供針對處理常見機器學習使用案例而設計的一鍵式端對端解決方案。其針對其網域使用經過驗證的演算法，並提供完整的工作流程，通常包括資料處理、模型訓練、部署、推論和監控。探索下列使用案例，以取得可用解決方案範本的詳細資訊。 + [需求預測](#jumpstart-solutions-demand-forecasting) + [信用評級預測](#jumpstart-solutions-credit-prediction) + [詐騙偵測](#jumpstart-solutions-fraud-detection) + [電腦視覺](#jumpstart-solutions-computer-vision) + [從文件擷取和分析資料](#jumpstart-solutions-documents) + [預測性維護](#jumpstart-solutions-predictive-maintenance) + [流失預測](#jumpstart-solutions-churn-prediction) + [個人化推薦](#jumpstart-solutions-recommendations) + [強化學習](#jumpstart-solutions-reinforcement-learning) + [醫療照護與生命科學](#jumpstart-solutions-healthcare-life-sciences) + [財務定價](#jumpstart-solutions-financial-pricing) + [因果推論](#jumpstart-solutions-causal-inference) 從 JumpStart 登陸頁面選擇最適合您使用案例的解決方案範本。當您選擇解決方案範本時，JumpStart 會開啟一個新索引標籤，顯示解決方案的說明和**啟動**按鈕。當您選取**啟動**時，JumpStart 會建立執行解決方案所需的所有資源，包括訓練和模型託管執行個體。如需啟動 JumpStart 解決方案的詳細資訊，請參閱[啟動解決方案](jumpstart-solutions-launch.md)。 啟動解決方案之後，您可以在 JumpStart 中探索解決方案功能和任何產生的成品。使用**已啟動的 JumpStart 資產**功能表尋找您的解決方案。在解決方案的索引標籤中，選取**開啟筆記本**以使用提供的筆記本並探索解決方案的特徵。當在啟動期間或執行提供的筆記本之後產生成品時，它們會列在**產生的成品**表格中。您可以使用垃圾桶圖示 (![\[The trash icon for JumpStart.\]](http://docs.aws.amazon.com/zh_tw/sagemaker/latest/dg/images/jumpstart/jumpstart-trash.png)) 刪除個別成品。您可以選擇**刪除解決方案資源**來刪除解決方案的所有資源。 ## 需求預測 需求預測會使用歷史時間序列資料，以便針對特定期間的客戶需求進行未來的預估，並簡化跨企業的供給需求決策程序。 需求預測使用案例包括預測交通運輸業的票務銷售情況、股票價格、醫院就診次數、下個月多個地區僱用的客戶代表人數、下一季多個地區的產品銷售量、視訊串流服務的隔天雲端伺服器使用量、下週多個地區的用電量、IoT 裝置數量和感應器 (例如能源消耗) 等等。 時間序列資料分類為*單變數*和*多變數*。例如，單一家庭的總用電量是一段時間內的單變數時間序列。當多個單變量時間序列彼此堆疊時，稱之為多變量時間序列。例如，單個社區中 10 個不同 (但相關) 家庭的總用電量，即構成了一個多變量時間序列資料集。 | 解決方案名稱 | Description | 開始使用 | | --- | --- | --- | | 需求預測 | 使用三種最先進的時間序列預測演算法來進行多變數時間序列資料的需求預測：[LSTNet](https://ts.gluon.ai/stable/api/gluonts/gluonts.mx.model.lstnet.html)、[Prophet](https://facebook.github.io/prophet/) 和 [SageMaker AI DeepAR](https://docs.aws.amazon.com/sagemaker/latest/dg/deepar.html)。 | [GitHub »](https://github.com/awslabs/sagemaker-deep-demand-forecast) | ## 信用評級預測 使用 JumpStart 的信用評級預測解決方案來預測企業信用評級，或說明機器學習模型所做的信用預測決策。與傳統的信用評級建模方法相比，機器學習模型可以自動化並提高信用預測的準確性。 | 解決方案名稱 | Description | 開始使用 | | --- | --- | --- | | 企業信用評級預測 | 多模態 （長文字和表格式） 機器學習，使用 AWS [AutoGluon 表格式](https://auto.gluon.ai/scoredebugweight/tutorials/tabular_prediction/index.html)進行品質點數預測。 | [GitHub »](https://github.com/awslabs/sagemaker-corporate-credit-rating) | | 以圖形為基礎的信用評分 | 透過訓練[圖形神經網路 GraphSAGE](https://cs.stanford.edu/people/jure/pubs/graphsage-nips17.pdf) 和 AWS [AutoGluon 表格](https://auto.gluon.ai/scoredebugweight/tutorials/tabular_prediction/index.html)模型，使用表格式資料和公司網路預測公司信用評等。 | 在 Amazon SageMaker Studio Classic 中尋找。 | | 說明信用決策 | 在信貸申請中預測信用違約，並使用 [LightGbM](https://lightgbm.readthedocs.io/en/latest/) 和 [SHAP (SHapley Additive exPlanations)](https://shap.readthedocs.io/en/latest/index.html) 提供說明。 | [GitHub »](https://github.com/awslabs/sagemaker-explaining-credit-decisions) | ## 詐騙偵測 許多企業每年因欺詐損失數十億美元。機器學習式的欺詐檢測模型可以幫助企業從大量資料中系統地識別可能的欺詐活動。以下解決方案使用交易和身份資料集來識別欺詐性交易。 | 解決方案名稱 | Description | 開始使用 | | --- | --- | --- | | 偵測惡意使用者和交易 | 使用 [SageMaker AI XGBoost](https://docs.aws.amazon.com/sagemaker/latest/dg/xgboost.html) 搭配過度採樣技術[虛擬少數類別過抽樣技術](https://arxiv.org/abs/1106.1813) (SMOTE)，來自動偵測交易中潛在的詐欺活動。 | [GitHub »](https://github.com/awslabs/fraud-detection-using-machine-learning) | | 使用深度圖庫在金融交易中進行欺詐檢測 | 使用[深度圖庫](https://www.dgl.ai/)和 [SageMaker AI XGBoost](https://docs.aws.amazon.com/sagemaker/latest/dg/xgboost.html) 模型訓練[圖形卷積網路](https://arxiv.org/pdf/1703.06103.pdf)，以偵測金融交易中的詐欺。 | [GitHub »](https://github.com/awslabs/sagemaker-graph-fraud-detection) | | 金融付款分類 | 使用 [SageMaker AI XGBoost](https://docs.aws.amazon.com/sagemaker/latest/dg/xgboost.html) 根據交易資訊對金融付款進行分類。使用此解決方案範本作為詐騙偵測、個人化或異常偵測的中繼步驟。 | 在 Amazon SageMaker Studio Classic 中尋找。 | ## 電腦視覺 隨著自動駕駛汽車、智慧型視訊監控、醫療照護監控和各種物件計數任務等業務使用案例的興起，快速準確的物體偵測系統需求不斷增加。這些系統不僅涉及識別和分類圖像中的每個物體，還需要在其周圍繪製適當的邊界框來定位各個物體。在過去的十年中，深度學習技術的快速進步快速推進了物件偵測的發展。 | 解決方案名稱 | Description | 開始使用 | | --- | --- | --- | | 視覺產品缺陷偵測 | 透過[從頭開始訓練物件偵測模型](https://ieeexplore.ieee.org/document/8709818)或微調預先訓練的 SageMaker AI 模型，來識別產品影像中的瑕疵區域。 | [GitHub »](https://github.com/awslabs/sagemaker-defect-detection) | | 手寫辨識 | 訓練[物體偵測模型](https://mxnet.apache.org/versions/1.0.0/api/python/gluon/model_zoo.html#mxnet.gluon.model_zoo.vision.resnet34_v1)和[手寫識別模型](https://arxiv.org/abs/1910.00663)來識別圖像中的手寫文字。使用 [SageMaker Ground Truth](https://aws.amazon.com/sagemaker/data-labeling/) 來標籤您的資料。 | [GitHub »](https://github.com/awslabs/sagemaker-handwritten-text-recognition) | | 鳥類物體偵測 | 使用 [SageMaker AI 物件偵測模型](https://docs.aws.amazon.com/sagemaker/latest/dg/object-detection.html)識別某場景中的鳥類種類。 | 在 Amazon SageMaker Studio Classic 中尋找。 | ## 從文件擷取和分析資料 JumpStart 為您提供解決方案，讓您在重要業務文件中發掘寶貴的見解和關連。使用案例包括文字分類、文件摘要、手寫辨識、提取關係、問題和回答、以及在表格記錄中填寫缺失的值。 | 解決方案名稱 | Description | 開始使用 | | --- | --- | --- | | 情感分類的隱私 | [匿名化文字](https://www.amazon.science/blog/preserving-privacy-in-analyses-of-textual-data)，以便在情感分類中更加保護使用者隱私。 | [GitHub »](https://github.com/awslabs/sagemaker-privacy-for-nlp) | | 理解文件 | 使用 PyTorch 中的[轉換器](https://huggingface.co/docs/transformers/index)庫進行文件摘要、實體與關係提取。 | [GitHub »](https://github.com/awslabs/sagemaker-document-understanding) | | 手寫辨識 | 訓練[物體偵測模型](https://mxnet.apache.org/versions/1.0.0/api/python/gluon/model_zoo.html#mxnet.gluon.model_zoo.vision.resnet34_v1)和[手寫識別模型](https://arxiv.org/abs/1910.00663)來識別圖像中的手寫文字。使用 [SageMaker Ground Truth](https://aws.amazon.com/sagemaker/data-labeling/) 來標籤您的資料。 | [GitHub »](https://github.com/awslabs/sagemaker-handwritten-text-recognition) | | 在表格記錄中填入缺少的值 | 透過訓練 [SageMaker Autopilot](https://aws.amazon.com/sagemaker/autopilot/) 模型，在表格式記錄中填入缺少的值。 | [GitHub »](https://github.com/awslabs/filling-in-missing-values-in-tabular-records) | ## 預測性維護 預測性維護旨在透過促進及時更換元件來最佳化糾正性和預防性維護之間的平衡。下列解決方案使用工業資產的感應器資料來預測機器故障、意外停機時間和維修成本。 | 解決方案名稱 | Description | 開始使用 | | --- | --- | --- | | 車隊的預測性維護 | 透過卷積神經網路模型，使用車輛感應器和維護資訊來預測車隊故障。 | [GitHub »](https://github.com/awslabs/aws-fleet-predictive-maintenance/) | | 製造業的預測性維護 | 使用歷史感應器讀數訓練[堆疊式雙向 LSTM 神經網路](https://arxiv.org/pdf/1801.02143.pdf)模型，預測各個感應器的剩餘使用壽命。 | [GitHub »](https://github.com/awslabs/predictive-maintenance-using-machine-learning) | ## 流失預測 客戶流失或損耗率是許多公司都會面臨的成本高昂問題。為了減少客戶流失，公司可以識別可能離開服務的客戶，以便將精力集中在客戶保留上。使用 JumpStart 客戶流失預測解決方案來分析使用者行為和客戶支援聊天記錄等資料來源，以識別有較高風險取消訂閱或服務的客戶。 | 解決方案名稱 | Description | 開始使用 | | --- | --- | --- | | 使用文字預測流失 | 使用[ BERT 編碼器](https://huggingface.co/)和 [RandomForestClassifier](https://scikit-learn.org/stable/modules/generated/sklearn.ensemble.RandomForestClassifier.html) 透過使用數字、分類與文字特徵預測流失。 | [GitHub »](https://github.com/awslabs/sagemaker-churn-prediction-text) | | 手機客戶流失預測 | 使用 [SageMaker AI XGBoost](https://docs.aws.amazon.com/sagemaker/latest/dg/xgboost.html) 識別不滿意的行動電話客戶。 | 在 Amazon SageMaker Studio Classic 中尋找。 | ## 個人化推薦 您可以使用 JumpStart 解決方案來分析客戶身份圖形或使用者工作階段，以更加理解和預測客戶行為。使用下列解決方案提供個人化建議，以跨多個裝置建立客戶身分識別模型、判斷客戶進行購買的可能性，或根據過去的客戶行為建立自訂電影推薦片單。 | 解決方案名稱 | Description | 開始使用 | | --- | --- | --- | | 具有深度圖庫的識別圖譜中的實體解析 | 透過訓練具有[深度圖庫](https://www.dgl.ai/)的[圖形卷積網路](https://arxiv.org/pdf/1703.06103.pdf)，執行線上廣告的跨裝置實體連結。 | [GitHub »](https://github.com/awslabs/sagemaker-graph-entity-resolution) | | 購買建模 | 透過訓練 [SageMaker AI XGBoost](https://docs.aws.amazon.com/sagemaker/latest/dg/xgboost.html) 模型來預測客戶是否會進行購買。 | [GitHub »](https://github.com/awslabs/sagemaker-purchase-modelling) | | 客製化推薦系統 | 訓練和部署自訂推薦系統，該系統將使用 SageMaker AI 中的神經協同過濾，根據過去的行為提供給客戶生成影片建議。 | 在 Amazon SageMaker Studio Classic 中尋找。 | ## 強化學習 強化學習 (RL) 是一種基於與環境互動的學習類型。這種類型的學習是由一個代理程式進行，該代理程式必須透過與動態環境中的試驗和錯誤互動來學習行為，其目標是最大限度地提高代理程式因其行為而獲得的長期獎勵。透過具有已知獎勵的行動來交換具有不確定獎勵的探索行動，從而獲得最大的獎勵。 RL 非常適合解決大型複雜的問題，例如供應鏈管理、HVAC 系統、工業機器人、遊戲人工智慧、對話系統和自動駕駛汽車。 | 解決方案名稱 | Description | 開始使用 | | --- | --- | --- | | Battlesnake AI 競賽的強化學習 | 提供用於訓練和推論的[ BattleSnake](https://play.battlesnake.com/) AI 競賽的強化學習工作流程。 | [GitHub »](https://github.com/awslabs/sagemaker-battlesnake-ai) | | 針對 Progen 挑戰的分散式強化學習 | 分散式強化學習入門套件為 [NeurIPS 2020 Procgen](https://www.aicrowd.com/challenges/neurips-2020-procgen-competition) 強化學習挑戰。 | [GitHub »](https://github.com/aws-samples/sagemaker-rl-procgen-ray) | ## 醫療照護與生命科學 臨床醫生和研究人員可以使用 JumpStart 解決方案來分析醫學影像、基因體資訊和臨床健康記錄。 | 解決方案名稱 | Description | 開始使用 | | --- | --- | --- | | 肺癌存活率預測 | 使用[SageMaker AI XGBoost](https://docs.aws.amazon.com/sagemaker/latest/dg/xgboost.html) 透過立體肺部電腦斷層 (CT) 掃描、基因組資料和臨床健康記錄，預測非小細胞肺癌患者存活狀況。 | [GitHub »](https://github.com/aws-samples/machine-learning-pipelines-for-multimodal-health-data/tree/sagemaker-soln-lcsp) | ## 財務定價 許多企業會定期動態調整定價，以將收益提到最高。使用下列 JumpStart 解決方案進行價格最佳化、動態定價、期權定價或產品組合最佳化使用案例。 | 解決方案名稱 | Description | 開始使用 | | --- | --- | --- | | 價格最佳化 | 使用雙機器學習 (ML) 進行因果推論和使用 [Prophet](https://facebook.github.io/prophet/) 預測程序來估算價格彈性。使用這些估算值來最佳化每日價格。 | 在 Amazon SageMaker Studio Classic 中尋找。 | ## 因果推論 研究人員可以使用貝葉斯網路等的機器學習模型來表達因果依賴關係，並根據資料得出因果結論。使用以下 JumpStart 解決方案瞭解氮基肥料應用與玉米作物產量之間的因果關係。 | 解決方案名稱 | Description | 開始使用 | | --- | --- | --- | | 作物產量反事實 | 產生玉米對氮反應的反事實分析。[該解決方案使用多光譜衛星圖像和地面高度觀測](https://www.sciencedirect.com/science/article/pii/S2352340921010283#tbl0001)，全面學習作物物候學週期。 | 在 Amazon SageMaker Studio Classic 中尋找。 | # 啟動解決方案 **重要** 自 2023 年 11 月 30 日起，先前的 Amazon SageMaker Studio 體驗現在名為 Amazon SageMaker Studio Classic。下節專門介紹如何使用 Studio Classic 應用程式。如需使用已更新 Studio 體驗的資訊，請參閱 [Amazon SageMaker Studio](studio-updated.md)。 Studio Classic 仍會針對現有工作負載進行維護，但無法再用於加入。您只能停止或刪除現有的 Studio Classic 應用程式，而且無法建立新的應用程式。建議您[將工作負載遷移至新的 Studio 體驗](studio-updated-migrate.md)。 **注意** JumpStart 解決方案僅適用於 Studio Classic。 首先，透過 Amazon SageMaker Studio Classic 使用者介面中的登陸頁面選擇解決方案。如需登入 Amazon SageMaker Studio Classic 的上線加入步驟的相關資訊，請參閱[加入 Amazon SageMaker AI 網域](https://docs.aws.amazon.com/sagemaker/latest/dg/gs-studio-onboard.html)。如需前往 SageMaker JumpStart 登陸頁面的詳細資訊，請參閱[在 Studio Classic 中開啟與使用 JumpStart](studio-jumpstart.md#jumpstart-open-use)。 選擇解決方案後，會開啟解決方案的索引標籤，顯示該解決方案的說明和 `Launch` 按鈕。若要啟動解決方案，請選取**啟動解決方案**區段中的 `Launch`。然後 JumpStart 會建立執行解決方案所需的所有資源。包括訓練和模型託管執行個體。 ## 進階參數 您選擇的解決方案可能具有可以選取的進階參數。選擇**進階參數**以指定解決方案 AWS Identity and Access Management 的角色。 解決方案能夠跨 9 個相互互動 AWS 的服務啟動資源。若要讓解決方案如預期般運作，從一個服務新建立的元件必須能夠對來自另一個服務的新建立元件進行操作。建議您使用預設 IAM 角色以確保新增所有必要的權限。如需關於 IAM 角色的詳細資訊，請參閱[AWS Identity and Access Management 適用於 Amazon SageMaker AI](security-iam.md)。 **預設 IAM 角色** 如果選取此選項，則會使用此解決方案所需的預設 IAM 角色。每個解決方案需要不同的資源。下列清單描述根據所需服務，用於解決方案的預設角色。如需每個服務所需權限的說明，請參閱[AWS SageMaker 專案和 JumpStart 的受管政策](security-iam-awsmanpol-sc.md)。 + **API Gateway** – AmazonSageMakerServiceCatalogProductsApiGatewayRole + **CloudFormation** – AmazonSageMakerServiceCatalogProductsCloudformationRole + **CodeBuild** – AmazonSageMakerServiceCatalogProductsCodeBuildRole + **CodePipeline** – AmazonSageMakerServiceCatalogProductsCodePipelineRole + **Events** – AmazonSageMakerServiceCatalogProductsEventsRole + **Firehose** – AmazonSageMakerServiceCatalogProductsFirehoseRole + **Glue** – AmazonSageMakerServiceCatalogProductsGlueRole + **Lambda** – AmazonSageMakerServiceCatalogProductsLambdaRole + **SageMaker AI** – AmazonSageMakerServiceCatalogProductsExecutionRole 如果您在啟用 JumpStart 專案範本的情況下使用新的 SageMaker AI 網域，則這些角色會在您的帳戶中自動建立。 如果您使用現有的 SageMaker AI 網域，這些角色可能不存在於您的帳戶中。如果是這種情況，啟動解決方案時您將收到以下錯誤。 ``` 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. ``` 您仍然可以在沒有必要角色的情況下啟動解決方案，但是會使用舊版預設角色 `AmazonSageMakerServiceCatalogProductsUseRole` 來取代所需角色。舊版預設角色與 JumpStart 解決方案需要與之互動的所有服務具有信任關係。為了獲得最佳安全性，建議您更新網域，讓每個 AWS 服務有新建立的預設角色。 如果您已經登入 SageMaker AI 網域，則可以使用下列程序更新網域以產生預設角色。 1. 開啟 Amazon SageMaker AI 主控台，網址為 [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)。 1. 選擇頁面左上方的 **控制面板**。 1. 在**網域**頁面中，選擇**設定**圖示 (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/zh_tw/sagemaker/latest/dg/images/icons/Settings_squid.png)) 以編輯網域設定。 1. 在**一般設定**上，選擇**下一步**。 1. 在 **SageMaker 專案和 JumpStart** 下，選取**針對此帳戶啟用 Amazon SageMaker 專案範本和 Amazon SageMaker**，以及**為 Studio Classic 使用者啟用 Amazon SageMaker 專案範本和 Amazon SageMaker JumpStart**，然後選擇**下一步**。 1. 選取**提交**。 您應該可以在**應用程式 - Studio** 索引標籤下，看到**專案 - 針對此帳戶啟用的專案-Amazon SageMaker 專案範本**中列出的預設角色。 **尋找 IAM 角色** 如果選取此選項，則必須從下拉式清單中為每個必要服務選取現有的 IAM 角色。選取的角色必須至少具有對應服務所需的最低權限。如需每個服務所需權限的說明，請參閱[AWS SageMaker 專案和 JumpStart 的受管政策](security-iam-awsmanpol-sc.md)。 **輸入 IAM 角色** 如果選取此選項，則必須手動輸入現有 IAM 角色的 ARN。選取的角色必須至少具有對應服務所需的最低權限。如需每個服務所需權限的說明，請參閱[AWS SageMaker 專案和 JumpStart 的受管政策](security-iam-awsmanpol-sc.md)。 # Amazon SageMaker JumpStart 產業：金融 使用 SageMaker JumpStart 產業：金融解決方案、模型和範例筆記本，透過精心策劃的一步到位解決方案和專為產業設計的機器學習 (ML) 問題範例筆記本，瞭解 SageMaker AI 的功能和能力。該筆記本也會介紹如何使用 SageMaker JumpStart 產業 Python SDK 來增強產業文字資料，並微調預先訓練的模型。 **Topics** + [ ## Amazon SageMaker JumpStart 產業 Python SDK ](#studio-jumpstart-industry-pysdk) + [ ## Amazon SageMaker JumpStart 產業：金融解決方案 ](#studio-jumpstart-industry-solutions) + [ ## Amazon SageMaker JumpStart 產業：金融模型 ](#studio-jumpstart-industry-models) + [ ## Amazon SageMaker JumpStart 產業：金融範例筆記本 ](#studio-jumpstart-industry-examples) + [ ## Amazon SageMaker JumpStart 產業：金融部落格文章 ](#studio-jumpstart-industry-blogs) + [ ## Amazon SageMaker JumpStart 產業：金融相關研究 ](#studio-jumpstart-industry-research) + [ ## Amazon SageMaker JumpStart 產業：金融其他資源 ](#studio-jumpstart-industry-resources) ## Amazon SageMaker JumpStart 產業 Python SDK SageMaker Runtime JumpStart 提供處理工具，透過名為 SageMaker JumpStart 產業 Python SDK 的用戶端程式庫來規劃產業資料集和微調預先訓練的模型。有關 SDK 的詳細 API 文件，以及有關處理和增強產業文字資料集以提高 SageMaker JumpStart 上最先進模型效能的更多訊息，請參閱 [SageMaker JumpStart 產業 Python SDK 開放原始碼文件](https://sagemaker-jumpstart-industry-pack.readthedocs.io)。 ## Amazon SageMaker JumpStart 產業：金融解決方案 SageMaker JumpStart 產業：金融提供下列解決方案筆記本： + **企業信用評等預測** 此 SageMaker JumpStart 產業：金融解決方案為增強文字的企業信用評等模型提供範本。其顯示如何採用根據數值特徵 (在此情況下，Altman 著名的 5 財務比率) 與 SEC 文件中的文字相結合的模型，達成信用評等的預測改進。除了 5 個 Altman 比率之外，您還可以視需要新增更多變數或設定自訂變數。此解決方案筆記本顯示 SageMaker JumpStart 產業 Python SDK 如何協助處理來自 SEC 檔案文字的自然語言處理 (NLP) 評分。此外，該解決方案示範如何使用增強型資料集來訓練模型，以達成同級最佳模型、將模型部署到 SageMaker AI 端點進行生產，以及即時接收改進的預測。 + **以圖形為基礎的信用評分** 傳統上使用財務報表資料和市場資料的模型產生信用評等，其僅為表格式 (數值和分類)。該解決方案使用 [SEC 文件](https://www.sec.gov/edgar/searchedgar/companysearch.html)構建公司網路，並展示如何使用具有表格式資料的公司關係網路來產生準確的評等預測。該解決方案示範的方法使用公司連結上的資料，將傳統的表格式信用評分模型 (評等產業已使用數十年) 延伸到網路上的機器學習模型類別。 **注意** 解決方案筆記本僅供示範用途。不應視為財務或投資建議。 您可以透過 Studio Classic 中的 SageMaker JumpStart 頁面找到這些金融服務解決方案。 **重要** 自 2023 年 11 月 30 日起，先前的 Amazon SageMaker Studio 體驗現在命名為 Amazon SageMaker Studio Classic。下節專門介紹如何使用 Studio Classic 應用程式。如需使用已更新 Studio 體驗的資訊，請參閱 [Amazon SageMaker Studio](studio-updated.md)。 Studio Classic 仍會針對現有工作負載進行維護，但無法再用於加入。您只能停止或刪除現有的 Studio Classic 應用程式，而且無法建立新的應用程式。建議您[將工作負載遷移至新的 Studio 體驗](studio-updated-migrate.md)。 **注意** SageMaker JumpStart 產業：金融解決方案、模型卡和範例筆記本僅可透過 SageMaker Studio Classic 託管和執行。登入 [SageMaker AI 主控台](https://console.aws.amazon.com/sagemaker)，然後啟動 SageMaker Studio Classic。有關如何找到解決方案卡的詳細資訊，請參閱 [SageMaker JumpStart](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-jumpstart.html)。 ## Amazon SageMaker JumpStart 產業：金融模型 SageMaker JumpStart 產業：金融提供下列預先訓練的[穩健最佳化 BERT 方法 (Robustly Optimized BERT approach, RoBERTa)](https://arxiv.org/pdf/1907.11692.pdf) 模型： + **金融文字內嵌項目 (RoBERTa-SEC-Base)** + **RoBERTa-SEC-WIKI-Base ** + **RoBERTa-SEC-Large ** + **RoBERTa-SEC-WIKI-Large ** RoBERTa-SEC-Base 和 RoBERTa-SEC-Large 模型是以 [GluonNLP 的 RoBERTa 模型](https://nlp.gluon.ai/api/model.html#gluonnlp.model.RoBERTaModel) 文字內嵌項目模型，並對 2010 年十年間 ( 2010 年到 2019 年) 的 S＆P 500 SEC 10 K/10-Q 報告進行預先訓練。除了這些，SageMaker AI JumpStart 產業：金融還提供了兩個對 SEC 文件和維基百科的常見文字進行預先訓練的 RoBERTa 變化，RoBERTa-SEC-WIKI-Base 和 RoBERTa-SEC-WIKI-Large。 您可以在 SageMaker JumpStart 中找到這些模型，方法是導覽至**文字模型**節點，選擇**探索所有文字模型**，然後篩選機器學習 (ML) 任務**文字內嵌項目**。選取您選擇的型號後，可存取任何對應的筆記本。配對的筆記本會引導您瞭解如何針對多模態資料集上的特定分類任務微調預先訓練的模型，這些任務由 SageMaker JumpStart 產業 Python SDK 增強功能。 **注意** 模型筆記僅供示範用途。不應被視為財務或投資建議。 下列螢幕擷取畫面顯示透過 Studio Classic 上的 SageMaker AI JumpStart 頁面提供的預先訓練模型卡。 ![\[透過 Studio Classic 上的 SageMaker AI JumpStart 頁面提供的預先訓練模型卡。\]](http://docs.aws.amazon.com/zh_tw/sagemaker/latest/dg/images/jumpstart/jumpstart-finance-models.png) **注意** SageMaker JumpStart 產業：金融解決方案、模型卡和範例筆記本僅可透過 SageMaker Studio Classic 託管和執行。登入 [SageMaker AI 主控台](https://console.aws.amazon.com/sagemaker)，然後啟動 SageMaker Studio Classic。有關如何查找模型卡的更多資訊，請參閱 [SageMaker 快速啟動](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-jumpstart.html)。 ## Amazon SageMaker JumpStart 產業：金融範例筆記本 SageMaker JumpStart 產業：金融提供下列範例筆記本，以示範專為產業設計的機器學習 (ML) 問題解決方案： + **金融 TabText 資料建構** — 此範例介紹如何使用 SageMaker JumpStart 產業 Python SDK 來處理 SEC 檔案，例如根據 NLP 評分類型及其對應字詞清單的文字摘要和評分文字。若要預覽此筆記本內容，請參閱[來自 SEC 文件和 NLP 評分的多模態資料集簡單建構](https://sagemaker-jumpstart-industry-pack.readthedocs.io/en/latest/notebooks/finance/notebook1/SEC_Retrieval_Summarizer_Scoring.html)。 + **TabText 資料上的多模態 ML** — 此範例說明如何將不同類型的資料集合併到稱為 TabText 的單一資料框中，並執行多模態機器學習 (ML)。若要預覽此筆記本內容，請參閱 [TabText 資料框中的機器學習：以工資保護計畫為基礎的範例](https://sagemaker-jumpstart-industry-pack.readthedocs.io/en/latest/notebooks/finance/notebook2/PPP_TabText_ML.html)。 + **SEC 檔案資料上的多類別機器學習 (ML)** — 此範例顯示如何透過 SEC 檔案策劃的多模態 (TabText) 資料集，針對多類別分類任務，訓練 AutoGluon NLP 模型。[根據 MDNA 文字欄，將 SEC 10K/Q 檔案分類為產業代碼](https://sagemaker-jumpstart-industry-pack.readthedocs.io/en/latest/notebooks/finance/notebook3/SEC_MNIST_ML.html)。 **注意** 範例筆記本僅供示範用途。不應被視為財務或投資建議。 **注意** SageMaker JumpStart 產業：金融解決方案、模型卡和範例筆記本僅可透過 SageMaker Studio Classic 託管和執行。登入 [SageMaker AI 主控台](https://console.aws.amazon.com/sagemaker)，然後啟動 SageMaker Studio Classic。有關如何找到範例筆記本的更多資訊，請參閱[SageMaker JumpStart](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-jumpstart.html)。 若要預覽範例筆記本的內容，請參閱 *SageMaker JumpStart 產業 Python SDK 文件*中的[教學課程 — 金融](https://sagemaker-jumpstart-industry-pack.readthedocs.io/en/latest/notebooks/index.html)。 ## Amazon SageMaker JumpStart 產業：金融部落格文章 有關使用 SageMaker JumpStart 產業解決方案、模型、範例和 SDK 的全面應用程式，請參閱以下部落格文章： + [在 Amazon SageMaker JumpStart 使用預先訓練的金融語言模型進行轉移學習](https://aws.amazon.com/blogs/machine-learning/use-pre-trained-financial-language-models-for-transfer-learning-in-amazon-sagemaker-jumpstart/) + [在 Amazon SageMaker JumpStart 使用多模態機器學習 (ML) 以 SEC 文字進行評等分類](https://aws.amazon.com/blogs/machine-learning/use-sec-text-for-ratings-classification-using-multimodal-ml-in-amazon-sagemaker-jumpstart/) + [在 Amazon SageMaker JumpStart 針對 金融 NLP 以 SEC 文字建立儀表板](https://aws.amazon.com/blogs/machine-learning/create-a-dashboard-with-sec-text-for-financial-nlp-in-amazon-sagemaker-jumpstart/) + [在 Amazon SageMaker JumpStart 使用圖形機器學習建立企業信用評等分類工具](https://aws.amazon.com/blogs/machine-learning/build-a-corporate-credit-ratings-classifier-using-graph-machine-learning-in-amazon-sagemaker-jumpstart/) + [在 Amazon SageMaker JumpStart 中的金融資料基礎模型的網域適應微調](https://aws.amazon.com/blogs/machine-learning/domain-adaptation-fine-tuning-of-foundation-models-in-amazon-sagemaker-jumpstart-on-financial-data/) ## Amazon SageMaker JumpStart 產業：金融相關研究 如需與 SageMaker JumpStart 產業：金融解決方案相關的研究，請參閱下列論文： + [金融中的關聯內容、語言模型和多模態資料](https://www.pm-research.com/content/iijjfds/3/3/52) + [用於信用建模的多模態機器學習](https://www.amazon.science/publications/multimodal-machine-learning-for-credit-modeling) + [關於缺乏神經文字分類工具的穩健可解釋性](https://www.amazon.science/publications/on-the-lack-of-robust-interpretability-of-neural-text-classifiers) + [FinLEX：有效利用字詞內嵌項目來產生金融語彙](https://www.sciencedirect.com/science/article/pii/S2405918821000131) ## Amazon SageMaker JumpStart 產業：金融其他資源 如需其他文件和教學課程，請參閱以下資源： + [SageMaker JumpStart 產業：金融 Python SDK](https://pypi.org/project/smjsindustry/) + [SageMaker JumpStart 產業：財務 Python SDK 教學課程](https://sagemaker-jumpstart-industry-pack.readthedocs.io/en/latest/notebooks/index.html#) + [SageMaker JumpStart 產業：金融 GitHub 儲存庫](https://github.com/aws/sagemaker-jumpstart-industry-pack/) + [Amazon SageMaker AI 入門 — 機器學習教學課程](https://aws.amazon.com/sagemaker/getting-started/)