Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.
# Amazon SageMaker JumpStart Industry : Financier
Utilisez SageMaker JumpStart Industrie : solutions financières, modèles et exemples de blocs-notes pour en savoir plus sur les fonctionnalités et les capacités de l' SageMaker IA grâce à des solutions en une étape sélectionnées et des exemples de blocs-notes présentant des problèmes d'apprentissage automatique (ML) spécifiques à l'industrie. Les blocs-notes expliquent également comment utiliser le SDK SageMaker JumpStart Industry Python pour améliorer les données textuelles sectorielles et affiner les modèles préentraînés.
**Topics**
+ [Kit de développement logiciel Amazon SageMaker JumpStart Industry Python](#studio-jumpstart-industry-pysdk)
+ [Amazon SageMaker JumpStart Industry : solution financière](#studio-jumpstart-industry-solutions)
+ [Amazon SageMaker JumpStart Industry : modèles financiers](#studio-jumpstart-industry-models)
+ [Amazon SageMaker JumpStart Industry : exemples financiers de carnets](#studio-jumpstart-industry-examples)
+ [Amazon SageMaker JumpStart Industry : articles de blog financiers](#studio-jumpstart-industry-blogs)
+ [Amazon SageMaker JumpStart Industry : recherches liées à la finance](#studio-jumpstart-industry-research)
+ [Amazon SageMaker JumpStart Industry : ressources financières supplémentaires](#studio-jumpstart-industry-resources)
## Kit de développement logiciel Amazon SageMaker JumpStart Industry Python
SageMaker Runtime JumpStart fournit des outils de traitement pour organiser des ensembles de données industriels et affiner des modèles préentraînés via sa bibliothèque cliente appelée SageMaker JumpStart Industry Python SDK. Pour une documentation API détaillée du SDK et pour en savoir plus sur le traitement et l'amélioration des ensembles de données textuels industriels afin d'améliorer les performances des modèles de pointe SageMaker JumpStart, consultez la documentation open source du SDK [ SageMaker JumpStart Industry Python. ](https://sagemaker-jumpstart-industry-pack.readthedocs.io)
## Amazon SageMaker JumpStart Industry : solution financière
SageMaker JumpStart Secteur d'activité : Financial fournit les solutions suivantes pour les ordinateurs portables :
+ **Corporate Credit Rating Prediction** (Prédiction de la cote de crédit des entreprises)
Cette solution SageMaker JumpStart Industry : Financial fournit un modèle de modèle de notation de crédit d'entreprise enrichi de texte. Elle montre comment prendre un modèle basé sur des fonctions numériques (dans ce cas, les 5 fameux ratios financiers d'Altman) combiné à des textes issus de dossiers SEC pour améliorer la prédiction des cotes de crédit. En plus des 5 ratios d'Altman, vous pouvez ajouter d'autres variables selon vos besoins ou définir des variables personnalisées. Ce carnet de solutions montre comment le SDK SageMaker JumpStart Industry Python permet de traiter la notation par traitement du langage naturel (NLP) des textes issus des dépôts auprès de la SEC. En outre, la solution montre comment entraîner un modèle à l'aide de l'ensemble de données amélioré pour obtenir un modèle de premier ordre, déployer le modèle sur un terminal d' SageMaker IA pour la production et recevoir des prévisions améliorées en temps réel.
+ **Graph-Based Notation de crédit **
Les notations de crédit sont généralement générées à l'aide de modèles qui utilisent des données des états financiers et de marché, qui sont uniquement tabulaires (numériques et catégorielles). Cette solution construit un réseau d'entreprises à l'aide de [documents déposés auprès de la SEC](https://www.sec.gov/edgar/searchedgar/companysearch.html) et montre comment utiliser le réseau de relations entre entreprises à l'aide de données tabulaires pour générer des prévisions de notation précises. Cette solution présente une méthodologie permettant d'utiliser des données sur les liens entre entreprises afin d'étendre les modèles de notation de crédit traditionnellement basés sur des tableaux, utilisés par le secteur des notations depuis des décennies, à la classe des modèles de machine learning sur les réseaux.
**Note**
Les blocs-notes de solution sont fournis uniquement à des fins de démonstration. Ils ne doivent pas être considérés comme des conseils financiers ou d'investissement.
Vous pouvez trouver ces solutions de services financiers sur la SageMaker JumpStart page de Studio Classic.
**Note**
Depuis le 30 novembre 2023, l'expérience Amazon SageMaker Studio précédente s'appelle désormais Amazon SageMaker Studio Classic. La section suivante est spécifique à l’utilisation de l’application Studio Classic. Pour en savoir plus sur l’utilisation de l’expérience Studio mise à jour, consultez [Amazon SageMaker Studio](studio-updated.md).
Studio Classic est toujours maintenu pour les charges de travail existantes, mais n'est plus disponible pour l'intégration. Vous pouvez uniquement arrêter ou supprimer des applications Studio Classic existantes et vous ne pouvez pas en créer de nouvelles. Nous vous recommandons de [ migrer votre charge de travail vers la nouvelle expérience Studio](studio-updated-migrate.md).
**Note**
L' SageMaker JumpStart industrie : les solutions financières, les modèles de cartes et les exemples de blocs-notes sont hébergés et exécutables uniquement via SageMaker Studio Classic. Connectez-vous à la console [ SageMaker ](https://console.aws.amazon.com/sagemaker) AI et lancez SageMaker Studio Classic. Pour plus d'informations sur la recherche de la carte de solution, consultez la rubrique précédente à l'adresse [ SageMaker JumpStart](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-jumpstart.html).
## Amazon SageMaker JumpStart Industry : modèles financiers
SageMaker JumpStart Secteur : Financial fournit les modèles d'approche BERT [ pré-entraînés (RoberTA) pré-entraînés suivants : ](https://arxiv.org/pdf/1907.11692.pdf)
+ **Intégration de texte financier () RoBERTa-SEC-Base **
+ **RoBERTa-SEC-WIKI-Base **
+ **RoBERTa-SEC-Large **
+ **RoBERTa-SEC-WIKI-Large **
Les RoBERTa-SEC-Large modèles RoBERTa-SEC-Base et sont des modèles d'intégration de texte basés sur le modèle Roberta de [ GluonNLP ](https://nlp.gluon.ai/api/model.html#gluonnlp.model.RoBERTaModel) et pré-entraînés sur les K/10-Q rapports S&P 500 SEC 10 de la décennie 2010 (de 2010 à 2019). En plus de celles-ci, SageMaker AI JumpStart Industry : Financial propose deux autres variantes de Roberta RoBERTa-SEC-WIKI-Large, RoBERTa-SEC-WIKI-Base qui sont pré-entraînées sur les documents déposés auprès de la SEC et les textes courants de Wikipedia.
Vous pouvez trouver ces modèles en SageMaker JumpStart accédant au ** nœud Modèles de ** texte, en choisissant ** Explorer tous les modèles de texte**, puis en filtrant pour l'intégration ** de ** texte des tâches ML. Vous pouvez accéder à tous les blocs-notes correspondants après avoir sélectionné le modèle de votre choix. Les blocs-notes associés vous expliqueront comment les modèles préentraînés peuvent être affinés pour des tâches de classification spécifiques sur des ensembles de données multimodaux, qui sont améliorés par le SDK Industry Python. SageMaker JumpStart
**Note**
Les blocs-notes de modèle sont fournis uniquement à des fins de démonstration. Ils ne doivent pas être considérés comme des conseils financiers ou d'investissement.
La capture d'écran suivante montre les cartes modèles préentraînées fournies via la JumpStart page SageMaker AI de Studio Classic.
**Note**
L' SageMaker JumpStart industrie : les solutions financières, les modèles de cartes et les exemples de blocs-notes sont hébergés et exécutables uniquement via SageMaker Studio Classic. Connectez-vous à la console [ SageMaker ](https://console.aws.amazon.com/sagemaker) AI et lancez SageMaker Studio Classic. Pour plus d'informations sur la recherche des modèles de cartes, consultez la rubrique précédente à l'adresse [ SageMaker JumpStart](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-jumpstart.html).
## Amazon SageMaker JumpStart Industry : exemples financiers de carnets
SageMaker JumpStart Secteur : Financial fournit les exemples de blocs-notes suivants pour présenter des solutions à des problèmes de machine learning spécifiques à l'industrie :
+ **Construction TabText des données financières ** : cet exemple explique comment utiliser le SDK SageMaker JumpStart Industry Python pour traiter les documents déposés auprès de la SEC, tels que la synthèse de texte et la notation des textes en fonction des types de scores NLP et des listes de mots correspondantes. Pour prévisualiser le contenu de ce bloc-notes, consultez [Création simple d’un jeu de données multimodal à partir de dossiers SEC et de scores NLP](https://sagemaker-jumpstart-industry-pack.readthedocs.io/en/latest/notebooks/finance/notebook1/SEC_Retrieval_Summarizer_Scoring.html).
+ **ML multimodal sur les TabText données ** : cet exemple montre comment fusionner différents types de jeux de données dans un seul dataframe appelé TabText et effectuer un ML multimodal. Pour avoir un aperçu du contenu de ce bloc-notes, voir [ Machine Learning on a TabText Dataframe — An Example Based on the Paycheck Protection Program. ](https://sagemaker-jumpstart-industry-pack.readthedocs.io/en/latest/notebooks/finance/notebook2/PPP_TabText_ML.html)
+ **Multi-category ML sur les données de dépôt auprès de la SEC ** — Cet exemple montre comment entraîner un modèle AutoGluon NLP sur les ensembles de données multimodaux (TabText) sélectionnés à partir des dépôts auprès de la SEC pour une tâche de classification multiclasse. [Classez les 10K/Q dépôts auprès de la SEC selon les codes industriels en fonction de la colonne de texte MDNA. ](https://sagemaker-jumpstart-industry-pack.readthedocs.io/en/latest/notebooks/finance/notebook3/SEC_MNIST_ML.html)
**Note**
Les exemples de blocs-notes sont fournis uniquement à des fins de démonstration. Ils ne doivent pas être considérés comme des conseils financiers ou d'investissement.
**Note**
L' SageMaker JumpStart industrie : les solutions financières, les modèles de cartes et les exemples de blocs-notes sont hébergés et exécutables uniquement via SageMaker Studio Classic. Connectez-vous à la console [ SageMaker ](https://console.aws.amazon.com/sagemaker) AI et lancez SageMaker Studio Classic. Pour plus d'informations sur la recherche des exemples de blocs-notes, consultez la rubrique précédente à [ SageMaker JumpStart ](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-jumpstart.html) l'adresse.
Pour prévisualiser le contenu des exemples de blocs-notes, consultez la documentation [ Tutoriels — Finance ](https://sagemaker-jumpstart-industry-pack.readthedocs.io/en/latest/notebooks/index.html) in the * SageMaker JumpStart Industry Python SDK. *
## Amazon SageMaker JumpStart Industry : articles de blog financiers
Pour des applications détaillées de SageMaker JumpStart l'utilisation de Industry : solutions financières, modèles, exemples et SDK, consultez les articles de blog suivants :
+ [Utilisez des modèles de langage financier préformés pour l'apprentissage par transfert sur Amazon SageMaker JumpStart ](https://aws.amazon.com/blogs/machine-learning/use-pre-trained-financial-language-models-for-transfer-learning-in-amazon-sagemaker-jumpstart/)
+ [Utiliser le texte SEC pour la classification des évaluations à l'aide du ML multimodal dans Amazon SageMaker JumpStart ](https://aws.amazon.com/blogs/machine-learning/use-sec-text-for-ratings-classification-using-multimodal-ml-in-amazon-sagemaker-jumpstart/)
+ [Créez un tableau de bord avec du texte SEC pour le NLP financier sur Amazon SageMaker JumpStart ](https://aws.amazon.com/blogs/machine-learning/create-a-dashboard-with-sec-text-for-financial-nlp-in-amazon-sagemaker-jumpstart/)
+ [Créez un classificateur de notations de crédit d'entreprise à l'aide de l'apprentissage automatique par graphes sur Amazon SageMaker JumpStart ](https://aws.amazon.com/blogs/machine-learning/build-a-corporate-credit-ratings-classifier-using-graph-machine-learning-in-amazon-sagemaker-jumpstart/)
+ [Domain-adaptation Fine-tuning des modèles de base SageMaker JumpStart sur Amazon sur les données financières ](https://aws.amazon.com/blogs/machine-learning/domain-adaptation-fine-tuning-of-foundation-models-in-amazon-sagemaker-jumpstart-on-financial-data/)
## Amazon SageMaker JumpStart Industry : recherches liées à la finance
Pour les recherches liées à SageMaker JumpStart l'industrie : solutions financières, voir les articles suivants :
+ [Context (Contexte), Language Modeling (Modélisation linguistique) et Multimodal Data in Finance (Données multimodales dans le domaine de la finance)](https://www.pm-research.com/content/iijjfds/3/3/52)
+ [Multimodal Machine Learning for Credit Modeling](https://www.amazon.science/publications/multimodal-machine-learning-for-credit-modeling) (Machine learning multimodal pour la modélisation du crédit)
+ [On the Lack of Robust Interpretability of Neural Text Classifiers](https://www.amazon.science/publications/on-the-lack-of-robust-interpretability-of-neural-text-classifiers) (À propos du manque d'interprétabilité robuste des classificateurs de textes neuronaux)
+ [FinLex: Une utilisation efficace des intégrations de mots pour la génération de lexiques financiers ](https://www.sciencedirect.com/science/article/pii/S2405918821000131)
## Amazon SageMaker JumpStart Industry : ressources financières supplémentaires
Pour obtenir de la documentation et des didacticiels supplémentaires, consultez les ressources suivantes :
+ [L' SageMaker JumpStart industrie : le SDK Financial Python ](https://pypi.org/project/smjsindustry/)
+ [SageMaker JumpStart Secteur : Tutoriels du SDK Financial Python ](https://sagemaker-jumpstart-industry-pack.readthedocs.io/en/latest/notebooks/index.html#)
+ [L' SageMaker JumpStart industrie : GitHub référentiel financier ](https://github.com/aws/sagemaker-jumpstart-industry-pack/)
+ [Premiers pas avec Amazon SageMaker AI - Tutoriels d'apprentissage automatique ](https://aws.amazon.com/sagemaker/getting-started/)