详细内容或原文请订阅后点击阅览
借助 Snowflake 和 Amazon Quick 的人工智能驱动的 BI
在本文中，您将了解如何在 Snowflake 语义视图和 Amazon Quick 之间构建端到端集成。样本数据是媒体公司的用户评论数据。首先，您将电影评论数据从 Amazon Simple Storage Service (Amazon S3) 加载到 Snowflake 中，在 SQL 中定义语义视图以添加业务含义，通过 Cortex Analyst 使用自然语言查询进行探索，然后生成 Amazon Quick 数据集和仪表板。可以手动或使用提供的自动化脚本创建数据集。最后，您的 BI 团队或 AI 团队可以针对受管数据层提出自然语言问题，并相信每个响应都反映相同的业务逻辑。
来源:亚马逊云科技 _机器学习一个仪表板显示 42,000 次活跃电影观看次数，而另一个仪表板显示 38,500 次。您的聊天代理完全引用了第三个号码。数据团队花费数小时来核对数字，而不是回答战略问题，并且对分析的信任受到侵蚀。
这是我们在许多组织中看到的一种模式。团队花费更多的精力来核对数据，而不是实际使用数据，从而悄悄地减慢了决策速度并削弱了对数据的信心。
根本原因通常是最后一英里的差距：业务逻辑存在于每个单独的应用程序内部，而不是每个应用程序都可以共享它的数据层。
Snowflake 语义视图之上的 Amazon Quick Sight 数据集弥补了这一差距。语义视图是一个 Snowflake 架构对象，它将业务定义（表、关系、指标和维度）直接附加到数据。任何查询语义视图的下游应用程序都会继承相同的定义，因此人工智能和商业智能系统都会统一解释信息。这会带来值得信赖的答案，并显着降低人工智能幻觉的风险。
您可以在 Cortex Analyst 中使用语义视图并在 SELECT 语句中查询这些视图。您还可以在私人列表中共享语义视图。作为本机 Snowflake 模式对象，语义视图具有对象级访问控制。您可以像使用表和视图一样授予或限制使用和查询权限，支持跨 SQL、BI 和 AI 端点的授权、受管控使用。您可以在 Snowflake 文档中阅读有关如何编写语义 SQL 的更多信息。
解决方案架构
图 1：端到端架构 — 数据从 Amazon S3 流入 Snowflake，其中语义视图控制业务定义，从而支持 Cortex Analyst 自然语言查询和 Amazon Quick Sight 控制面板。
解决方案演练
图 2：Snowflake 语义视图将业务上下文（指标、维度和关系）添加到原始表中，为 AI 和 BI 工具创建共享定义层。