← 返回信息流

AWS AI Blog新闻

使用 Snowflake、Amazon SageMaker Canvas 和 Amazon Quick 构建无代码机器学习工作流——第 3 部分：使用 Amazon Quick Sight 可视化洞察

aws.amazon.com作者：Anu Kaggadasapura Nagaraja教程产品AI评分：50/100

本教程是系列第三部分，介绍如何将 Amazon SageMaker Canvas 的预测结果导入 Amazon Quick Sight，构建交互式仪表板，利用生成式 BI 通过自然语言提问获取洞察，并发布 AI 生成的执行摘要。步骤包括导入数据集、创建可视化、使用生成式 BI 构建图表和查询数据、发布仪表板及生成摘要。适合使用 AWS 无代码 ML 和 BI 工具的数据分析师。

第 1 部分介绍了 Snowflake 数据库的搭建，为我们无代码机器学习（ML）工作流奠定了基础设施。

第 2 部分演示了使用 Amazon SageMaker Canvas 的完整数据准备和模型构建工作流，展示了如何直接连接到 Snowflake 数据源、使用 Data Wrangler 可视化转换来转换和准备数据，以及使用 XGBoost 算法构建欺诈检测模型。

在第 3 部分中，该工作流通过将 SageMaker Canvas 预测与 Amazon Quick Sight（现为 Amazon Quick 的一部分）集成，形成了一个完整的闭环，创建了将运营数据与 ML 预测相结合用于欺诈检测商业智能（BI）的交互式仪表板。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洞察，以及向利益相关者发布这些洞察。

使用 Amazon Quick Sight 构建仪表板

Amazon Quick Sight 是 Amazon Quick 中一项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、执行深入的数据分析，并在整个组织内共享洞察。Amazon Quick 通过生成式 AI 扩展了这些功能，支持对数据执行自然语言查询、用于工作流自动化的自定义 AI 代理，以及用于在一个位置组织文件、仪表板和知识库的协作 Spaces。

对于已经使用 Amazon SageMaker Canvas 的团队，Amazon Quick 提供了一条从 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。

解决方案概览

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，从将 Amazon SageMaker Canvas 预测作为数据集导入，到构建交互式仪表板，再到利用生成式 BI 功能获取自然语言洞察。

前提条件

  1. 第 1 部分 – 设置 Snowflake 账户，创建欺诈检测数据库和数据表，并检索 Amazon SageMaker Canvas 所需的 Snowflake 组织账户名称。
  2. 第 2 部分 – 将 Amazon SageMaker Canvas 连接到 Snowflake，使用 Data Wrangler 准备数据集，构建并训练 XGBoost 欺诈检测模型，并将预测结果发送到 Amazon Quick Sight。
  3. 注册 Amazon Quick 以便访问 Amazon Quick Sight，并将用户升级为 Admin Pro、Author Pro 或 Reader Pro 角色以使用生成式 BI 功能。

将 Canvas 预测导入为数据集

  1. 在本系列的前一部分中，Amazon SageMaker Canvas 预测结果已发送到 Amazon Quick Sight。该数据集将在 Amazon Quick Sight 的控制台上可用。
  2. 从左侧导航窗格中，选择“数据集”以找到您的 Canvas 预测数据集。
  3. 选择“创建分析”。这将打开一个空白画布，您可以在其中开始构建可视化，将欺诈检测预测转化为可操作的洞察。

构建可视化

  1. 在分析界面中，首先从数据集中选择字段来创建您的第一个可视化。有关创建仪表板的详细指导，请参阅 Amazon Quick Sight 分析创建文档。
  2. 以下是所创建的分析仪表板，展示了跨多个维度的欺诈模式，包括交易类别、商户行为和时间模式。
Fraud detection analysis dashboard showing fraud patterns across transaction categories, merchant behavior, and tempora…
Fraud detection analysis dashboard showing fraud patterns across transaction categories, merchant behavior, and tempora…
  1. Amazon Quick Sight 的生成式 BI 功能通过自然语言交互加速了仪表板的创建。

要访问 Amazon Quick Sight 中的生成式 BI 功能，请在您的 Amazon Quick 订阅中将账户用户升级为 Admin Pro、Author Pro 或 Reader Pro 角色。Pro 角色可授予访问与各分配角色相关的生成式 BI 功能的权限，包括与其他用户共享生成式 Q&A 主题的能力。要了解订阅名称如何映射到用户角色，请参阅了解 Amazon Quick 订阅和角色。

  1. 选择闪亮图标。在打开的窗格中，聊天界面会根据您当前的任务显示上下文相关选项。在分析中工作时，您可以构建计算、创建和编辑可视化、设置 Q&A 主题，或直接询问有关数据的问题。
Amazon Quick Sight generative BI pane with context-aware options for building calculations, visuals, and Q&A topics
Amazon Quick Sight generative BI pane with context-aware options for building calculations, visuals, and Q&A topics
  1. 要生成自定义可视化，请在“构建可视化”菜单中输入您期望结果的自然语言描述。查看生成的可视化，然后选择“添加到分析”以将其包含在您的仪表板中。
  2. 在以下示例中，通过一个简单的自然语言查询构建了按交易小时统计的欺诈率可视化，该查询揭示了欺诈活动在一天中不同时段的波动情况，呈现了仅靠手动分析难以发现的时序模式。
Generated visual of fraud rate by transaction hour created from a natural language query
Generated visual of fraud rate by transaction hour created from a natural language query

要直接查询仪表板而无需构建新的可视化，请在生成式BI窗格中输入您的问题，即可获得即时的AI驱动答案。在以下示例中，生成式BI功能响应了关于华盛顿州欺诈案件总数的简单查询，并立即返回结果，展示了自然语言问题如何为业务用户呈现数据驱动的答案。

Generative BI answer returning total fraud cases in Washington state from a natural language question
Generative BI answer returning total fraud cases in Washington state from a natural language question

发布仪表板

  1. 完成对分析的所有修改后，选择分析页面右上角的“发布”。
Publishing an analysis in Amazon Quick Sight using the Publish option
Publishing an analysis in Amazon Quick Sight using the Publish option
  1. 在出现的对话框中，在“仪表板名称”字段中输入描述性名称。确认已选中“允许高管摘要”选项。这将为仪表板查看者启用AI驱动的高管摘要。选择“发布仪表板”以完成发布过程。
Publish dashboard dialog with a dashboard name and the Allow executive summary option selected
Publish dashboard dialog with a dashboard name and the Allow executive summary option selected
  1. 仪表板发布后，用户可以从顶部菜单栏访问更多功能：“共享”——控制用户和组的仪表板访问权限；“发送报告”——通过电子邮件安排自动报告投递；“阈值警报”——当指标超过设定阈值时配置通知；“导出”——将仪表板内容下载为PDF文件以供离线分发；“创建高管摘要”——从仪表板数据生成AI驱动的洞察。
  2. 除此之外，还有其他功能可帮助用户交互、自定义和共享其仪表板，所有这些都在Amazon Quick Sight仪表板文档中有详细说明。
  3. 要生成高管摘要，请选择顶部菜单栏中的“创建”，然后从菜单中选择“高管摘要”。
  4. 高管摘要使用生成式AI自动分析您的可视化，并提供自然语言洞察，使利益相关者能够更直接地快速理解最重要的发现。
AI-generated executive summary providing natural language insights from the dashboard
AI-generated executive summary providing natural language insights from the dashboard

欺诈检测仪表板将Amazon SageMaker Canvas预测与Amazon Quick Sight相结合，在一个交互式视图中呈现跨交易类别、商户行为和时间趋势的欺诈模式。发布后的仪表板还支持自动报告调度、基于阈值的警报和AI生成的高管摘要，使技术和非技术受众都能做出更快、数据驱动的决策。

借助生成式BI，利益相关者可以用自然语言查询洞察，并访问AI生成的高管摘要，从而闭环完成本系列文章中构建的端到端无代码ML工作流。

结论

这个由三部分组成的系列文章展示了AWS服务如何协同工作，帮助组织完全通过可视化、无代码工具从原始数据走向可操作的商业智能。

对于管理大量运营数据的组织，此工作流消除了数据科学与业务决策之间的传统障碍。曾经需要专业工程资源的洞察，现在通过受治理、可扩展且完全托管的AWS架构，可供分析师、运营团队和高管使用。无论目标是检测异常、预测需求、分类风险还是理解客户行为，这种方法都可以跨用例和行业扩展。

要开始将您的Snowflake数据转化为可操作的商业智能，请探索Amazon SageMaker Canvas和Amazon Quick Sight。

参考文献

  • 第1部分——使用Snowflake、Amazon SageMaker Canvas和Amazon Quick Sight构建无代码ML工作流——第1部分：设置您的Snowflake环境
  • 第2部分——使用Snowflake、Amazon SageMaker Canvas和Amazon Quick Sight构建无代码ML工作流——第2部分：使用Amazon SageMaker Canvas进行数据准备和模型构建

关于作者

阅读原文