L'association d'Amazon SageMaker à d'autres services AWS permet d'optimiser le retour sur investissement publicitaire. Amazon SageMaker peut former et déployer facilement des modèles d'apprentissage automatique capables de cibler plus efficacement les publicités en ligne, améliorant ainsi l'engagement et la conversion des clients. Les modèles de systèmes de recommandation, de prévisions de taux de clics, de segmentation de la clientèle et d'augmentation de la valeur vie peuvent tous être formés dans l'environnement distribué sans serveur d'Amazon SageMaker. Une fois créés, les modèles peuvent être facilement hébergés dans des points de terminaison à faible latence et à scalabilité automatique, ou transférés vers d'autres systèmes d'enchères en temps réel.

Amazon SageMaker simplifie les prévisions quant à la probabilité de défaut de crédit, un problème fréquent avec l'apprentissage automatique. Amazon SageMaker s'intègre parfaitement aux frameworks d'analyse existants tels qu'Amazon Redshift, Amazon EMR et AWS Glue, ce qui vous permet de publier de grands ensembles de données variés dans un lac de données Amazon S3, puis de les transformer rapidement, de créer des modèles d'apprentissage automatique et de les héberger immédiatement pour profiter de prévisions en ligne.

L'IoT et l'apprentissage automatique industriels peuvent permettre d'établir des prévisions en temps réel pour anticiper les pannes de machine ou prévoir des programmes d'entretien, afin d'obtenir de plus hauts niveaux d'efficacité. Un jumeau numérique, ou réplica, d'actifs, de processus ou de systèmes physiques peut être généré comme modèle pour prédire une maintenance préventive ou pour optimiser le résultat de machines complexes ou de processus industriels. Le modèle peut être mis à jour en continu pour « apprendre » presque en temps réel de tous les changements pouvant se produire.

Amazon SageMaker fournit l'infrastructure et les algorithmes nécessaires pour développer des prévisions de vente individuelles pour chaque produit dans les paramètres e-commerce les plus larges. Avec juste des séries chronologiques et des données de catégorie produit, Amazon SageMaker apprend des saisons, des tendances et des similarités entre produits pour fournir des prévisions précises, même pour de nouveaux articles.

Amazon SageMaker offre des implémentations des algorithmes XGboost sur machine simple et sur CPU distribué. Ces algorithmes sont utiles dans beaucoup de cas de classification, de régression et de classement, tels qu'une prédiction du taux de clics pour une publicité. Les systèmes de prédiction des clics sont centraux pour la plupart des systèmes de publicité en ligne, car il est crucial de prédire un taux de clics (CTR) le plus précis possible, afin d'offrir la meilleure expérience possible aux consommateurs. Avec l'algorithme XGBoost, vous pouvez exécuter un prédicteur en temps réel et recevoir un résultat de prédiction sous forme de score. Vous pouvez ensuite déterminer si vous diffusez les publicités d'un publicitaire en particulier et améliorer les prévisions de CTR des publicités affichées.

Amazon SageMaker dispose d'un certain nombre d'outils pour prétraiter et détecter des structures au sein d'un texte, en utilisant ces informations pour réaliser des prédictions sur la qualité du contenu. Vous pouvez générer des incorporations de mots pour trouver des mots sémantiquement et syntaxiquement similaires dans de grands volumes de texte et regrouper les mots similaires pour plus d'homogénéité. Puis, vous pouvez mettre en cluster les documents similaires de manière indépendante avec les modèles de rubrique avancés d'Amazon SageMaker. Enfin, vous concevez des modèles de classification indépendants par cluster portant sur les données de mots regroupés, réduites d'un point de vue dimensionnel, pour déterminer si les documents ont besoin d'être modérés.