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 1 部分：设置 Snowflake 环境
医疗保健、零售和生命科学团队在 Snowflake 中存储大量运营数据，但将其转化为预测非常困难。在本系列的第 1 部分中，您将使用 Amazon SageMaker Canvas 设置 AWS 账户和 Snowflake 环境以实现无代码 ML 工作流程，为无需编写代码即可构建欺诈检测模型奠定基础。
来源:亚马逊云科技 _机器学习医疗保健、零售和生命科学组织在 Snowflake 等云数据仓库中生成大量运营数据。虽然这些系统可以有效地存储和扩展信息，但将数据转换为有意义的预测仍然是一个挑战。传统的机器学习 (ML) 方法需要专门的团队、较长的开发周期和大量的工程支持，这会造成延迟并限制最了解数据的业务用户的实验。
无代码 ML 工作流程改变了这种动态。
借助 Amazon SageMaker Canvas，您可以探索数据集、准备功能、构建预测模型并以可视化方式生成见解，而无需编写代码，也无需依赖数据科学资源。业务分析师、产品所有者和运营团队可以加快决策速度，同时维护企业安全和治理。
这是由三部分组成的系列的第 1 部分。第 1 部分介绍设置 AWS 账户和 Snowflake 环境。第 2 部分将 Amazon SageMaker Canvas 连接到 Snowflake 以准备数据并构建欺诈检测模型。第 3 部分将预测发送到 Amazon Quick 以创建交互式控制面板并与利益相关者分享见解。
业务挑战
该解决方案的灵感来自于一个真实的医疗保健组织，该组织在 Snowflake 中积累了多年的运营数据，包括销售交易、产品移动、患者互动和区域绩效指标。尽管数据基础很强大，但将数据转化为预测性见解仍然是一个挑战。
这些需求自然指向下一步将采用与可视化功能集成的无代码机器学习方法。
解决方案概述
图 1：显示从 Snowflake 通过 Amazon SageMaker Canvas 到 Amazon Quick Sight 控制面板的数据流的端到端架构
该架构具有以下主要优势：