Создание безкодового рабочего процесса машинного обучения с визуализацией данных в Amazon Quick Sight

В третьей части серии о безкодовых ML-решениях рассматривается интеграция прогнозов, созданных в Amazon SageMaker Canvas, с Amazon Quick Sight — мощным инструментом бизнес-аналитики внутри Amazon Quick. Этот подход позволяет создавать интерактивные панели, объединяющие операционные данные и прогнозы ML для повышения эффективности обнаружения мошенничества.

Перед началом работы необходимо подготовить инфраструктуру, включая настройку аккаунта Snowflake, создание базы данных и таблиц, а также подключение Amazon SageMaker Canvas к Snowflake для подготовки данных и обучения модели XGBoost.

После получения прогнозов из Canvas их импортируют в Amazon Quick Sight как датасет. В интерфейсе аналитики создаются визуализации, отображающие паттерны мошенничества по различным измерениям, таким как категории транзакций, поведение продавцов и временные тренды.

Особенностью является использование генеративных возможностей Amazon Quick Sight, которые позволяют формировать визуализации и задавать вопросы на естественном языке. Например, можно запросить график уровня мошенничества по часам или получить ответ на вопрос о количестве случаев мошенничества в штате Вашингтон.

Для публикации панели пользователь выбирает опцию «Опубликовать», задает название и активирует автоматические отчеты и оповещения. Также доступна функция автоматического создания исполнительных резюме, которые на основе визуализаций предоставляют краткие аналитические выводы.

Этот подход объединяет прогнозы ML и бизнес-аналитику, делая их доступными для технических специалистов и бизнес-пользователей без необходимости написания кода или сложных интеграций. Он позволяет быстро реагировать на мошеннические схемы и принимать обоснованные решения на основе данных.