Amazon SageMaker JumpStart
Solutions Machine Learning (ML) avec algorithmes intégrés, modèles de base et solutions ML intégrées que vous pouvez déployer en quelques clics seulement
Des centaines d'algorithmes intégrés avec des modèles préentraînés provenant de centres de modèles populaires
Modèles de base populaires pouvant être déployés en quelques clics
Solutions entièrement personnalisables pour les cas d'utilisation courants avec des architectures de référence pour accélérer votre transition vers le ML
Partagez des modèles et des blocs-notes ML au sein de votre organisation pour accélérer la création et le déploiement de modèles ML
Amazon SageMaker JumpStart est une solution de machine learning (ML) qui peut vous aider à accélérer votre transition vers le ML. Avec SageMaker JumpStart, vous pouvez accéder à des algorithmes intégrés avec des modèles préentraînés à partir de solutions de modèles, des modèles de base préentraînés pour vous aider à effectuer des tâches telles que la synthèse d'articles et la génération d'images, et des solutions prédéfinies pour résoudre des cas d'utilisation courants. De plus, vous pouvez partager des artefacts ML, y compris des modèles ML et des blocs-notes, au sein de votre organisation pour accélérer la création et le déploiement de modèles ML.
Algorithmes intégrés
SageMaker JumpStart propose des centaines d'algorithmes intégrés avec des modèles préentraînés provenant de hubs de modèles, notamment TensorFlow Hub, PyTorch Hub, HuggingFace et MxNet GluonCV. Vous pouvez également accéder aux algorithmes intégrés à l'aide du SDK Python de SageMaker. Les algorithmes intégrés couvrent les tâches courantes de ML, telles que la classification des données (image, texte, tableau) et l'analyse du ressenti client.
Type | Tâches ML | Exemples d'algorithmes et de modèles |
Vision | Classification d’image Intégration d'images Détection d'objets Segmentation sémantique |
Plus de 200 modèles dont ResNet, Inception, MobileNet, SSD, Faster RCNN, YOLO, Stable Diffusion |
Texte (traitement du langage naturel) |
Segmentation de phrase Classification de texte Intégration Classification par paire Réponse aux questions Résumé Génération de texte Traduction Reconnaissance d'entités nommées |
Plus de 100 modèles, dont BERT, RoBERTa, DistilBERT, Distillbart xsum, GPT2, ELECTRA, Blazing Text, Sequence-to-sequence, Latent Dirichlet Allocation (LDA), Neural Topic Model (NTM), Bloom |
Tabulaire | Classification Régression |
LightGBM, CatBoost, XGBoost, Linear Learner, AutoGluon, TabTransformer, DeepAR, Factorization Machines, K-nearest Neighbors, Object2Vec, K-means, Random Cut Forest, IP Insights |
Audio | Intégration d'audio | TRILL, TRILL Distillé, FRILL |
Modèles de base
Les modèles de base sont des modèles ML à grande échelle qui contiennent des milliards de paramètres et sont préentraînés sur des téraoctets de données texte et image, ce qui vous permet d'effectuer un large éventail de tâches telles que la synthèse d'articles et la génération de texte, d'image ou de vidéo. Puisque les modèles de base sont préentraînés, ils peuvent aider à réduire les coûts de formation et d'infrastructure et permettre la personnalisation pour votre cas d'utilisation.
Modèles de base disponibles via SageMaker.





Solutions intégrées
Les solutions intégrées peuvent être utilisées pour les cas d'utilisation courants et sont entièrement personnalisables.
Cas d'utilisation | Solution | Démarrer |
Prédictibilité de l'évaluation du crédit | Prédictibilité de l'évaluation du crédit des entreprises à l'aide d'un ML multimodal pour les prédictions de crédit de qualité Évaluation du crédit basée sur un graphique Décisions en matière de crédit |
Documentation » |
Maintenance prédictive | Maintenance prévisionnelle de vos flottes de véhicules Maintenance prévisionnelle de la fabrication |
Documentation » |
Aide visuelle par ordinateur | Détection des défauts des produits sur les photos Reconnaissance de l'écriture manuscrite Détection d'objets pour les espèces d'oiseaux |
Documentation » |
Apprentissage renforcé |
Conduite autonome avec perception visuelle et apprentissage actif Apprentissage par renforcement distribué pour le défi Procgen Apprentissage par renforcement pour les concours d'IA Battlesnake |
Documentation » |
Détection des fraudes | Détection des transactions et utilisateurs malveillants Détection de la fraude dans les transactions financières grâce à Deep Graph Library Classification des paiements financiers |
Documentation » |
Extraction et analyse des données de documents |
Différence de confidentialité pour la classification du ressenti client Résumé de documents, extraction d’entités et de relations Reconnaissance de la main d’écriture à l’aide de Amazon SageMaker Compléter les informations manquantes dans les tableaux |
Documentation » |
Prévisions des désabonnements | Prévision des désabonnements pour les téléphones mobiles Prévisions des désabonnements avec du texte |
Documentation » |
Prévision de la demande | Prévision de la demande grâce à l’apprentissage profond (deep learning) | Documentation » |
Recommandations personnalisées | Résolution des entités dans les graphiques d'identité grâce à Deep Graph Library Modèle d’achat |
Documentation » |
Optimisation des prix | Optimisation des prix à l'aide de Double Machine Learning (ML) et de Prophet forecasting |
Documentation » |
Analyse de santé et des sciences de la vie | Prévision de la survie du cancer du poumon | Documentation » |
Clients
-
Tyson
-
« Chez Tyson Foods, nous continuons à rechercher de nouvelles façons d'utiliser le machine learning (ML) dans notre processus de production pour améliorer la productivité. Nous utilisons des modèles de classification d'images pour identifier les produits de la chaîne de production qui nécessitent des étiquettes d'emballage. Cependant, les modèles de classification d'images doivent être recyclés avec de nouvelles images du terrain sur une base récurrente. Amazon SageMaker JumpStart permet à nos scientifiques des données de partager des modèles ML avec des ingénieurs d'assistance afin qu'ils puissent former des modèles ML avec de nouvelles données sans écrire de code. Cela accélère la mise sur le marché des solutions ML, favorise des améliorations continues et augmente la productivité. »
Rahul Damineni, scientifique des données, Tyson Foods
-
Automatisation des tâches
-
« Grâce à Amazon SageMaker JumpStart, nous sommes en mesure de proposer des solutions ML en quelques jours pour répondre aux besoins de prédiction plus rapide et plus fiable du machine learning. »
Alex Panait, PDG – Automatisation des tâches
-
MyCase
-
« Grâce à Amazon SageMaker JumpStart, nous pouvons avoir de meilleurs points de départ, ce qui nous permet de déployer une solution ML pour nos propres cas d'utilisation en 4 à 6 semaines au lieu de 3 à 4 mois. »
Gus Nguyen, Ingénieur logiciel – MyCase
-
pivotree
-
« Avec Amazon SageMaker JumpStart, nous pouvons développer plus rapidement des applications ML dédiées notamment à la détection automatique d'anomalies ou à la classification d'objets et proposer des solutions, de la démonstration de faisabilité à la production en quelques jours seulement. »
Milos Hanzel, Architecte de plateforme – Pivotree
Démarrage de Amazon SageMaker JumpStart
Blogs
Nouveaux algorithmes intégrés Amazon SageMaker pour la modélisation des données tabulaires
Apprentissage par transfert pour les modèles de classification d'images TensorFlow
Détecter la fraude dans les transactions financières à l'aide d'un réseau neuronal pour le traitement de données graphiques avec Amazon SageMaker
Ateliers pratiques
Nouveautés
- Date (de la plus récente à la plus ancienne)