详细内容或原文请订阅后点击阅览
使用 Snowflake、Amazon SageMaker Canvas 和 Amazon Quick 构建无代码 ML 工作流程 – 第 3 部分：使用 Amazon Quick Sight 可视化见解
在这个无代码 ML 系列的第 3 部分中，您将实现欺诈检测预测。将您的 Amazon SageMaker Canvas 预测导入 Amazon Quick Sight，构建交互式仪表板，使用生成式 BI 以自然语言回答问题，并为利益相关者发布 AI 生成的执行摘要。
来源:亚马逊云科技 _机器学习第 1 部分介绍了 Snowflake 数据库实现设置，并为我们的无代码机器学习 (ML) 工作流程建立了基础设施。
第 2 部分演练了使用 Amazon SageMaker Canvas 的完整数据准备和模型构建工作流程，演示了如何直接连接到 Snowflake 数据源、使用 Data Wrangler 可视化转换转换和准备数据，以及使用 XGBoost 算法构建欺诈检测模型。
在第 3 部分中，工作流程回到了原点，将 SageMaker Canvas 预测与 Amazon Quick Sight（现已成为 Amazon Quick 的一部分）集成，创建交互式仪表板，将运营数据与 ML 预测相结合，以实现欺诈检测商业智能 (BI)。本文介绍了如何将 Canvas 预测作为数据集导入 Amazon Quick Sight、构建分析仪表板、使用生成式 BI 功能通过自然语言呈现见解，并将这些见解发布给利益相关者。
使用 Amazon Quick Sight 构建控制面板
Amazon Quick Sight 是 Amazon Quick 中的一项功能强大的商业智能服务，团队可以使用它来构建交互式仪表板、执行深度数据分析并在整个组织内分享见解。 Amazon Quick 通过支持对数据进行自然语言查询的生成式 AI、用于工作流程自动化的自定义 AI 代理以及用于在一个地方组织文件、仪表板和知识库的协作空间来扩展这些功能。
对于已经使用 Amazon SageMaker Canvas 的团队，Amazon Quick 提供了从 ML 预测到业务就绪仪表板的直接路径，无需额外的基础设施或自定义集成。
解决方案概述
本节将介绍在 Amazon Quick Sight 中可视化欺诈检测预测的完整工作流程，从将 Amazon SageMaker Canvas 预测作为数据集导入到构建交互式控制面板，再到利用生成 BI 功能获得自然语言见解。