Build a no-code ML workflow with Snowflake, Amazon SageMaker Canvas and Amazon Quick – Part 3: Visualizing insights with Amazon Quick Sight

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 | 人工智能

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

第 1 部分介绍了 Snowflake 数据库的实现设置，并为我们的无代码机器学习（ML）工作流建立了基础架构。

第 2 部分逐步介绍了使用 Amazon SageMaker Canvas 完整的数据准备和模型构建流程，演示了如何直接连接到 Snowflake 数据源，通过 Data Wrangler 的可视化转换工具进行数据转换和准备，并使用 XGBoost 算法构建欺诈检测模型。

在第 3 部分中，工作流通过将 SageMaker Canvas 预测与 Amazon Quick Sight（现为 Amazon Quick 的一部分）集成，实现闭环，创建交互式仪表板，将运营数据与机器学习预测结合，用于欺诈检测业务智能（BI）。本文将介绍如何将 Canvas 预测导入 Amazon Quick Sight 作为数据集，构建分析仪表板，利用生成式 BI 能力通过自然语言呈现洞察，并将这些洞察发布给利益相关者。

使用 Amazon Quick Sight 构建仪表板

Amazon Quick Sight 是 Amazon Quick 提供的强大业务智能服务，团队可以使用它来构建交互式仪表板、执行深度数据分析，并在组织内共享洞察。Amazon Quick 通过生成式 AI 扩展了这些能力，支持对数据的自然语言查询、用于工作流自动化的自定义 AI 代理，以及用于在一处组织文件、仪表板和知识库的协作空间。

对于已经使用 Amazon SageMaker Canvas 的团队，Amazon Quick 提供了从机器学习预测直接到业务就绪仪表板的路径，无需额外基础设施或自定义集成。

解决方案概述

本节将逐步介绍在 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 预测导入为数据集，到构建交互式仪表板，并利用生成式 BI 能力获取自然语言洞察。

先决条件

在开始第 3 部分之前，请完成以下步骤：

• 第 1 部分 – 注册 Snowflake 账户，创建欺诈检测数据库和表，并获取用于 Amazon SageMaker Canvas 的 Snowflake 组织账户名称。

• 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。

• 注册 Amazon Quick 以方便访问 Amazon Quick Sight，并将用户升级为 Admin Pro、Author Pro 或 Reader Pro 以使用生成式 BI 能力。

将 Canvas 预测导入为数据集

在构建可视化内容之前，将 Canvas 预测导入 Amazon Quick Sight 作为数据集：

• 在本系列的上一部分中，Amazon SageMaker Canvas 预测已发送到 Amazon Quick Sight。该数据集将在 Amazon Quick Sight 控制台中可用。

• 从左侧导航面板选择 数据集 以定位您的 Canvas 预测数据集。

• 选择 创建分析。这将打开一个空白画布，您可以开始构建可视化内容，将欺诈检测预测转化为可操作的洞察。

创建可视化

导入数据集后，下一步是创建可视化以分析预测结果：

• 在分析界面中，首先从数据集中选择字段以创建第一个可视化。有关创建仪表板的详细指导，请参阅 Amazon Quick Sight 分析创建指南。

• 以下展示了创建的分析仪表板，该仪表板从多个维度（包括交易类别、商户行为和时间模式）展示了欺诈模式。

图1：欺诈检测分析仪表板，展示了交易类别、商户行为和时间趋势中的欺诈模式

• 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过程。

要访问 Amazon Quick Sight 的生成式 BI 功能，请将您的账户用户升级为 Amazon Quick 订阅中的 Admin Pro、Author Pro 或 Reader Pro 角色。Pro 角色可访问与各自分配角色相关的生成式 BI 功能，包括与其他用户共享生成式问答主题的能力。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》。

• 选择星形图标。在打开的面板中，聊天窗口会根据当前任务显示上下文感知选项。在分析过程中，您可以构建计算、创建和编辑可视化、设置问答主题，或直接就数据提出问题。

图2：Amazon Quick Sight 生成式 BI 面板，提供构建计算、可视化和问答主题的上下文感知选项

• 要生成自定义可视化，请在“创建可视化”菜单中输入您想要结果的自然语言描述。查看生成的可视化，并选择“添加到分析”将其包含在仪表板中。

• 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时间的欺诈率可视化，该查询揭示了欺诈活动在一天不同时间段内的波动情况，展示了仅靠人工分析难以发现的时间模式。

图3：通过自然语言查询生成的按交易时间的欺诈率可视化

• 要直接查询仪表板而无需创建新可视化，请在生成式 BI 面板中输入问题，以获得即时的人工智能驱动答案。在以下示例中，生成式 BI 功能响应了关于华盛顿州总欺诈案例的简单查询，并立即返回结果，展示了自然语言问题如何为业务用户提供数据驱动的答案。

图4：生成式 BI 答案，从自然语言问题中返回华盛顿州的总欺诈案例数

发布仪表板

要发布仪表板，请完成以下步骤：

• 在对分析的所有修改完成后，在分析界面右上角选择“发布”。

图5：在 Amazon Quick Sight 中使用“发布”选项发布分析

• 在出现的对话框中，在“仪表板名称”字段中为仪表板输入描述性名称。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。

图6：发布仪表板对话框，包含仪表板名称和已选中的“允许高管摘要”选项

Figure 7: 通过已发布的仪表板，用户可以使用“创建”选项生成高管摘要

• 仪表板发布后，用户可以通过顶部菜单栏访问更多功能：分享 – 控制用户和组对仪表板的访问权限和权限。发送报告 – 通过电子邮件安排自动生成报告的发送。阈值警报 – 配置指标超过定义阈值时的通知。导出 – 将仪表板内容下载为PDF文件以便离线分发。创建高管摘要 – 从仪表板数据中生成AI驱动的洞察。

• 除了这些功能外，还有其他功能可以帮助用户交互、自定义和分享仪表板，所有内容均在《Amazon Quick仪表板文档》中有详细说明。

• 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。

• 高管摘要使用生成式AI自动分析您的可视化内容，并提供自然语言洞察，使利益相关者能够更快速地理解最重要的发现。

Figure 8: AI生成的高管摘要，从仪表板中提供自然语言洞察

欺诈检测仪表板结合了Amazon SageMaker Canvas预测和Amazon Quick Sight，将交易类别、商家行为和时间趋势的欺诈模式集中在一个交互式视图中。已发布的仪表板进一步支持自动化报告计划、基于阈值的警报和AI生成的高管摘要，使技术与非技术人员都能更快地做出数据驱动的决策。

通过生成式BI，利益相关者可以使用自然语言查询洞察，并访问AI生成的高管摘要，从而完成贯穿本系列的端到端无代码机器学习工作流的闭环。

结论

本系列三篇文章展示了AWS服务如何协同工作，通过可视化、无代码工具，帮助组织从原始数据直接过渡到可操作的商业智能。

对于管理大量运营数据的组织，此工作流程消除了数据科学与商业决策之间的传统障碍。过去需要专门工程资源的洞察，现在通过受控、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，这种方法都能跨用例和行业进行扩展。

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

参考资料

• 第1部分 – 使用Snowflake、Amazon SageMaker Canvas和Amazon Quick构建无代码机器学习工作流：第1部分：设置Snowflake环境

• 第2部分 – 使用Snowflake、Amazon SageMaker Canvas和Amazon Quick构建无代码机器学习工作流：第2部分：使用Amazon SageMaker Canvas进行数据准备和模型构建

作者简介

'\" /think