Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.
SageMaker JumpStart Settore Amazon: Finanziario
Usa le soluzioni, i modelli e i taccuini di esempio di SageMaker JumpStart Industry: Financial per conoscere le caratteristiche e le capacità dell' SageMaker IA attraverso soluzioni curate in un solo passaggio e taccuini di esempio di problemi di machine learning (ML) incentrati sul settore. I notebook spiegano anche come utilizzare l'Industry Python SDK per migliorare i dati di testo del settore e perfezionare i modelli preaddestrati. SageMaker JumpStart
Argomenti
SDK Amazon Industry Python SageMaker JumpStart
SageMaker Runtime JumpStart fornisce strumenti di elaborazione per la gestione di set di dati di settore e la messa a punto di modelli preaddestrati tramite la sua libreria client chiamata Industry Python SDK. SageMaker JumpStart Per una documentazione dettagliata sulle API dell'SDK e per saperne di più sull'elaborazione e il miglioramento dei set di dati di testo di settore per migliorare le prestazioni dei modelli all'avanguardia su, consulta la documentazione open source di Industry Python SDK. SageMaker JumpStart SageMaker JumpStart
Amazon Industry: soluzione finanziaria SageMaker JumpStart
SageMaker JumpStart Industria: Financial fornisce i seguenti notebook con soluzioni:
-
Previsione del rating creditizio aziendale
Questa soluzione SageMaker JumpStart Settore: Finanziario fornisce un modello per un modello di rating del credito aziendale arricchito da testo. Mostra come utilizzare un modello basato su caratteristiche numeriche (in questo caso, i famosi 5 indici finanziari di Altman) combinato con testi tratti dai documenti della SEC per ottenere un miglioramento nella previsione dei rating del credito. Oltre ai 5 rapporti Altman, è possibile aggiungere altre variabili in base alle esigenze o impostare variabili personalizzate. Questo notebook sulla soluzione mostra come SageMaker JumpStart l'Industry Python SDK aiuta a elaborare il punteggio NLP (Natural Language Processing) dei testi provenienti dai file SEC. Inoltre, la soluzione dimostra come addestrare un modello utilizzando il set di dati avanzato per ottenere un modello migliore della categoria, implementare il modello su un endpoint di SageMaker intelligenza artificiale per la produzione e ricevere previsioni migliorate in tempo reale.
-
Graph-Based Punteggio di credito
I rating del credito sono tradizionalmente generati utilizzando modelli che utilizzano dati di rendiconto finanziario e dati di mercato, che sono solo tabulari (numerici e categorici). Questa soluzione crea una rete di aziende utilizzando i documenti SEC
Nota
I notebook delle soluzioni sono solo a scopo dimostrativo. Non si deve fare affidamento su di essi come consulenza finanziaria o di investimento.
Puoi trovare queste soluzioni di servizi finanziari nella SageMaker JumpStart pagina di Studio Classic.
Nota
Al 30 novembre 2023, la precedente esperienza con Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’applicazione Studio Classic. Per informazioni sull’utilizzo dell’esperienza Studio aggiornata, consulta Amazon Studio SageMaker.
Studio Classic è ancora gestito per i carichi di lavoro esistenti ma non è più disponibile per l'onboarding. È possibile interrompere o eliminare solo le applicazioni Studio Classic esistenti e non è possibile crearne di nuove. Ti consigliamo di migrare il carico di lavoro alla nuova esperienza di Studio.
Nota
Il SageMaker JumpStart settore: le soluzioni finanziarie, le schede modello e i notebook di esempio sono ospitati ed eseguibili solo tramite Studio Classic. SageMaker Accedi alla console SageMaker AI e avvia Studio Classic
Amazon SageMaker JumpStart Industry: modelli finanziari
SageMaker JumpStart Industria: Financial fornisce i seguenti modelli di approccio Robustly Optimized BERT (Roberta) preaddestrati:
-
Incorporamento di testi finanziari () RoBERTa-SEC-Base
-
RoBERTa-SEC-WIKI-Base
-
RoBERTa-SEC-Large
-
RoBERTa-SEC-WIKI-Large
RoBERTa-SEC-Large I modelli RoBERTa-SEC-Base and sono modelli di integrazione del testo basati sul modello Roberta di GluonNLP
Puoi trovare questi modelli accedendo al nodo Text Models, scegliendo Esplora tutti i modelli di testo e quindi filtrando per ML Task Text Embedding. SageMaker JumpStart È possibile accedere a tutti i notebook corrispondenti dopo aver selezionato il modello desiderato. I notebook abbinati spiegheranno come ottimizzare i modelli preaddestrati per attività di classificazione specifiche su set di dati multimodali, migliorati dall'Industry Python SDK. SageMaker JumpStart
Nota
I notebook dei modelli sono solo a scopo dimostrativo. Non si deve fare affidamento su di essi come consulenza finanziaria o di investimento.
La schermata seguente mostra le schede modello preaddestrate fornite tramite la pagina AI su Studio Classic. SageMaker JumpStart
Nota
Il SageMaker JumpStart settore: le soluzioni finanziarie, i modelli di schede e i taccuini di esempio sono ospitati ed eseguibili solo tramite Studio Classic. SageMaker Accedi alla console SageMaker AI e avvia Studio Classic
Amazon SageMaker JumpStart Industry: quaderni di esempio finanziari
SageMaker JumpStart Settore: Financial fornisce i seguenti taccuini di esempio per dimostrare le soluzioni ai problemi di machine learning incentrati sul settore:
-
Financial TabText Data Construction: questo esempio illustra come utilizzare l' SageMaker JumpStart Industry Python SDK per l'elaborazione dei file SEC, ad esempio per il riepilogo dei testi e la classificazione dei punteggi in base ai tipi di punteggio NLP e ai corrispondenti elenchi di parole. Per visualizzare in anteprima il contenuto di questo notebook, consulta Simple Construction of a Multimodal Dataset from SEC Filings and NLP Scores
. -
ML multimodale sui TabText dati: questo esempio mostra come unire diversi tipi di set di dati in un unico dataframe chiamato ML multimodale ed eseguire ML multimodale. TabText Per visualizzare in anteprima il contenuto di questo taccuino, vedi Machine Learning on a TabText Dataframe: un esempio basato sul Paycheck Protection Program.
-
Multi-category ML sui dati dei documenti SEC: questo esempio mostra come addestrare un modello AutoGluon NLP sui set di dati multimodal (TabText) selezionati dai file SEC per un'attività di classificazione multiclasse. Classifica i documenti SEC 10K/Q in base ai codici di settore in base alla colonna di testo MDNA.
Nota
I notebook di esempio sono solo a scopo dimostrativo. Non si deve fare affidamento su di essi come consulenza finanziaria o di investimento.
Nota
Il SageMaker JumpStart settore: le soluzioni finanziarie, i modelli di schede e i taccuini di esempio sono ospitati ed eseguibili solo tramite Studio Classic. SageMaker Accedi alla console SageMaker AI e avvia Studio Classic
Per visualizzare in anteprima il contenuto dei taccuini di esempio, consulta la documentazione di Python SDK Tutorials — Finance in the Industry.
Amazon Industry: post sul blog finanziario SageMaker JumpStart
Per applicazioni complete sull'utilizzo di SageMaker JumpStart Industry: Financial solutions, models, examples e SDK, consulta i seguenti post del blog:
Amazon SageMaker JumpStart Industry: ricerca relativa alla finanza
Per ricerche relative a SageMaker JumpStart Industry: Financial solutions, consulta i seguenti documenti:
Contesto, modellazione del linguaggio e dati multimodali nel settore finanziario
Machine Learning multimodale per la modellazione del credito
Sulla mancanza di una solida interpretabilità dei classificatori di testo neurale
FinLex: Un uso efficace degli incorporamenti di parole per la generazione di lessici finanziari
Amazon SageMaker JumpStart Industry: risorse finanziarie aggiuntive
Per ulteriori tutorial e documentazione consulta le seguenti risorse:
