Amazon SageMaker Canvas

Buat prediksi ML yang akurat—tanpa perlu kode

Mengapa harus SageMaker Canvas?

Melalui antarmuka tanpa kode, Anda dapat membuat model machine learning yang sangat akurat tanpa membutuhkan pengalaman machine learning atau penulisan satu baris kode. SageMaker Canvas menyediakan akses ke model siap pakai termasuk model fondasi dari Amazon Bedrock atauAmazon SageMaker JumpStart atau Anda dapat membuat model ML kustom Anda sendiri. Dengan SageMaker Canvas, Anda dapat dengan mudah mengakses dan mengimpor data dari lebih dari 50 sumber, menyiapkan data menggunakan bahasa alami dan lebih dari 300 transformasi bawaan, membuat dan melatih model yang sangat akurat, menghasilkan prediksi, dan melakukan deployment model ke produksi.

Gambaran Umum Amazon SageMaker Canvas (1:11)

Model Siap Pakai

  • Model fondasi
  • Model Fondasi

    Model Fondasi

    SageMaker Canvas menyediakan akses ke model fondasi (FM) siap pakai seperti Claude 2, Amazon Titan, dan Jurassic-2 (didukung oleh Amazon Bedrock) serta FM yang tersedia untuk umum seperti Falcon dan MPT (didukung oleh SageMaker JumpStart)

  • Model tabel, CV, dan NLP
  • Model tabel, CV, dan NLP

    Model tabel, CV, dan NLP

    SageMaker Canvas menyediakan akses ke model tabel, NLP, dan CV siap pakai yang didukung oleh layanan AWS AI, termasuk Amazon Rekognition, Amazon Textract, dan Amazon Comprehend.

Model Kustom

  • Persiapan Data
  • Persiapan data

    Persiapan Data

    SageMaker Canvas menawarkan eksplorasi dan persiapan data tanpa kode melalui UI point-and-click atau bahasa alami.

  • Buat Model
  • Buat Model

    Buat Model

    SageMaker Canvas menggunakan AutoML Amazon untuk membangun model kustom yang dilatih pada set data Anda.

  • Evaluasi Model
  • Grafik Status Model

    Evaluasi Model

    SageMaker Canvas membantu Anda memahami performa model dengan metrik dan visual evaluasi umum.

  • Gunakan Model
  • Gunakan Model

    Gunakan Model

    Anda dapat menghasilkan prediksi di UI SageMaker Canvas atau melakukan deployment ke titik akhir SageMaker.

Manfaat SageMaker Canvas

Amazon SageMaker Canvas menyediakan antarmuka point-and-click visual bagi analis bisnis untuk memecahkan masalah bisnis menggunakan ML seperti prediksi churn pelanggan, deteksi kecurangan, prakiraan metrik keuangan dan penjualan, optimisasi inventaris, pembuatan konten, dan lainnya tanpa menulis kode apa pun.
Amazon SageMaker Canvas menyediakan akses ke model fondasi (FM) siap pakai untuk pembuatan konten, ekstraksi teks, perangkuman teks, perangkuman dokumen serta Tanya Jawab, analisis sentimen, deteksi objek, deteksi teks, dan lainnya. Anda dapat mengakses dan menyesuaikan FM seperti Claude 2, Amazon Titan, dan Jurassic-2 (didukung oleh Amazon Bedrock) serta FM yang tersedia untuk umum seperti Falcon dan MPT (didukung oleh SageMaker JumpStart) tanpa menulis kode apa pun.
Amazon SageMaker Canvas mendukung siklus hidup ML lengkap, termasuk impor data dari 50+ sumber data, penyiapan data komprehensif dengan 300+ transformasi bawaan dan menggunakan kueri bahasa alami untuk menjelajahi serta menyiapkan data, membangun model kustom Anda sendiri dengan opsi pelatihan lanjutan, menghasilkan dan mengotomatiskan prediksi untuk skenario what-if dan inferensi batch, serta melakukan deployment model ke titik akhir waktu nyata.
Amazon SageMaker Canvas meningkatkan kolaborasi antara analis bisnis dan tim ilmu data. Semua model yang dibuat di Amazon SageMaker Canvas dapat dibagikan, ditinjau, dan diperbarui dengan ilmuwan data melalui SageMaker Studio. Selain itu, model dan prediksi dapat dibagikan dengan para analis bisnis melalui Amazon QuickSight.

Kasus penggunaan

Buat konten penjualan dan pemasaran yang dipersonalisasi, menarik, dan berkualitas tinggi, seperti posting media sosial, deskripsi produk, dan kampanye email.
Hasilkan ringkasan singkat artikel, posting blog, dan dokumen untuk mengidentifikasi informasi yang paling penting, menyoroti poin-poin penting, dan menyaring informasi dengan lebih cepat.

Analisis dan ekstrak informasi dari berbagai dokumen, seperti klaim asuransi, faktur, laporan pengeluaran, atau dokumen identitas.

Gunakan data konsumsi produk dan riwayat pembelian untuk mengungkap pola churn pelanggan serta memprediksi risiko churn di masa mendatang.

Prakirakan tingkat inventaris dengan menggabungkan data penjualan dan permintaan historis dengan data lalu lintas web, harga, kategori produk, serta hari libur terkait