Wozu dient diese AWS-Lösungsimplementierung?

Machine Learning for Telecommunication stellt eine skalierbare, anpassbare Machine Learning(ML)-Architektur bereit, die einen Rahmen für End-to-End ML Workloads für den Einsatz in Anwendungsfällen der Telekommunikation bereitstellt. Diese Lösung rationalisiert den Prozess der Ad-hoc-Datenexploration, Datenverarbeitung und Feature-Engineering sowie die Erstellung von Modellen für Machine Learning einschließlich Schulung, Auswertung und Durchführung von Vorhersagen durch Bereitstellung des Modells in einem Endpunkt.

Die Lösung schließt auch einen synthetischen Telecom-IP Data Record (IPDR)-Datensatz zur Demonstration der Verwendung von ML-Algorithmen für das Testen und trainieren von Modellen für Vorhersageanalysen in der Telekommunikation ein. Sie können die mitgelieferten Jupyter-Notebooks als Ausgangspunkt für Ihre eigenen Forschungen auf dem Gebiet der künstlichen Intelligenz verwenden, um Ihre eigenen benutzerdefinierten ML-Modelle zu entwickeln, oder Sie können die mitgelieferten Notebooks für Ihren eigenen Anwendungsfall anpassen.

Übersicht über die AWS-Lösungsimplementierung

Die Lösung "Machine Learning for Telecommunication" hilft Ihnen bei der Implementierung eines Frameworks für einen End-to-End-ML-Prozess in der AWS-Cloud unter Verwendung von Jupyter Notebook, einer Open-Source-Webanwendung zur Erstellung und gemeinsamen Nutzung von Live-Code, Gleichungen, Visualisierungen und erzählendem Text. Das folgende Diagramm zeigt die Architektur, die Sie mithilfe des Einführungsleitfadens der Lösung und der dazugehörigen AWS CloudFormation-Vorlage automatisch aufbauen können.

Machine Learning for Telecommunication | Architekturdiagramm
 Zum Vergrößern anklicken

Lösungsarchitektur für Machine Learning for Telecommunication

Ein Amazon Simple Storage Service (Amazon S3)-Bucket enthält einen synthetischen IP-Datensatz (IPDR), eine AWS Glue-Aufgabe konvertiert die Datensätze, und eine Amazon SageMaker-Instance enthält Machine Learning (ML) Jupyter-Notebooks.

Die Lösung nimmt Daten aus dem Amazon S3-Bucket in den Amazon SageMaker-Cluster auf und führt die Jupyter-Notebooks auf dem Datensatz aus.

Die Notebooks bereiten die Daten vor, extrahieren Merkmale und unterteilen die Daten in Training und Tests. Amazon S3 Select liest die mit Parquet komprimierten Daten, die mit der AWS Glue-Aufgabe verarbeitet wurden. ML-Algorithmen verarbeiten den Trainingsdatensatz, um ein Modell zur Identifizierung von Anomalien und zur Vorhersage zukünftiger Anomalien zu entwickeln.

Machine Learning for Telecommunication

Version 1.1.1
Zuletzt aktualisiert: 12/2019
Autor: AWS

Geschätzte Bereitstellungszeit: 5 Minuten

Verwenden Sie die Schaltfläche unten, um Lösungsaktualisierungen zu abonnieren.

Hinweis: Um RSS-Aktualisierungen zu abonnieren, muss für den von Ihnen verwendeten Browser ein RSS-Plug-in aktiviert sein.  

Hat Ihnen diese Lösungsimplementierung geholfen?
Feedback geben 

Funktionen

Referenzimplementierung für Machine Learning for Telecommunication

Die Lösung für Machine Learning for Telecommunication ist sofort eisatzbereit. ie können sie auch als Referenzimplementierung für den Aufbau Ihrer eigenen ML-Lösung nutzen.

Synthetischer Datensatz für das Training

Diese Lösung umfasst synthetische Demo-Datensätze von IP-Datensätzen (IPDR) im Format Abstract Syntax Notation One (ASN.1) und Call Detail Record (CDR).
Entwickeln (Symbol)
Selbst eine Lösung bereitstellen

Durchsuchen Sie unsere Bibliothek der AWS-Lösungsimplementierungen, um Antworten auf häufige Architekturprobleme zu erhalten.

Weitere Informationen 
Einen APN-Partner suchen
Einen APN-Partner suchen

Finden Sie Beratungs- und Technologiepartner mit AWS-Zertifizierung, die Ihnen den Einstieg erleichtern.

Weitere Informationen 
Erkunden (Symbol)
Beratungsangebote für Lösungen erkunden

Durchsuchen Sie unser Portfolio mit Beratungsangeboten, um AWS-geprüfte Hilfe mit Lösungsbereitstellung zu erhalten.

Weitere Informationen