5 Real-World SQL Projects to Build Your Data Portfolio
通过这些实用的 SQL 项目构建更强大的数据组合，涵盖客户流失、数据仓库、销售分析、银行细分和医疗保健分析。
Data modeling patterns for Amazon Quick Sight multi-dataset relationships
在这篇文章中，我们从概念转向模式。对于每个模式，您将找到表结构、用例、实施步骤和示例 SQL 查询。我们还介绍了需要额外建模步骤的高级场景的解决方法，并总结了当前的限制。
SQL vs Pandas vs AI Agents: Which Solves Analytics Problems Best?
相同的三个分析问题、三个工具、八个维度，通过真实执行时间和真实代理提示进行测量。
Multi-tenant LLM analytics with row-level security: How we built a secure agent on AWS
在这篇文章中，我们将向您展示 PAR 如何构建一个生产就绪的多租户 LLM 分析系统，该系统通过三层架构强制执行行级安全性：使用 AWS SigV4 进行加密请求签名、Amazon Bedrock 上的语义验证以及通过 Split-Plane SQL 进行编程数据隔离。我们演示了每一层如何独立运行，以降低跨租户数据暴露的风险，即使 LLM 本身受到损害或操纵也是如此。
AI-powered BI with Snowflake and Amazon Quick
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。
Practical SQL Tricks Every Data Scientist Should Know
在本文中，我们将介绍基本的 SQL 模式和工作流程，使日常数据分析更清晰、更快、更容易扩展。
