AWS представила серию из трех статей, описывающих создание no-code ML-конвейера, который объединяет Snowflake, Amazon SageMaker Canvas и Amazon QuickSight. Первая часть посвящена настройке AWS-аккаунта и окружения Snowflake. Вторая — подключению SageMaker Canvas к Snowflake для подготовки данных и построения модели обнаружения мошенничества. Третья — отправке прогнозов в QuickSight для создания интерактивных дашбордов.
Проблема, которую решает это решение, знакома многим организациям в здравоохранении, розничной торговле и науках о жизни. Данные накапливаются в облачных хранилищах, таких как Snowflake, но превращение их в прогнозы требует участия специалистов по машинному обучению. Это приводит к длительным циклам разработки и ограничивает эксперименты бизнес-пользователей, которые лучше всех понимают данные. No-code подход, реализованный в SageMaker Canvas, позволяет бизнес-аналитикам, владельцам продуктов и операционным командам самостоятельно исследовать данные, готовить признаки и строить прогнозные модели без написания кода.
В основе решения — реальный кейс медицинской организации, которая накопила годы операционных данных в Snowflake: транзакции, движение продуктов, взаимодействия с пациентами, региональные показатели. Организация хотела прогнозировать спрос по категориям, учитывать сезонность и региональные особенности, а также выводить ML-инсайты в BI-дашборды. Однако нехватка специалистов по data science делала каждый запрос на прогноз долгим и дорогим. Предложенная архитектура устраняет этот разрыв, делая машинное обучение доступным для бизнес-команд.
SageMaker Canvas позволяет бизнес-аналитикам строить модели без кода, используя визуальный интерфейс.
SageMaker Canvas предоставляет визуальный интерфейс, который подключается напрямую к Snowflake. Пользователи могут готовить данные с помощью более чем 300 визуальных преобразований Data Wrangler, строить модели и генерировать прогнозы. После обучения модель разворачивается на Amazon SageMaker Endpoint без настройки инфраструктуры. Для визуализации результатов в QuickSight используются пакетные прогнозы, которые выводят размеченные данные в Amazon S3. QuickSight затем отображает эти данные в интерактивных дашбордах, делая прогнозы доступными для всех заинтересованных сторон.
Ключевые преимущества решения — демократизация доступа к ML, ускорение получения инсайтов (с месяцев до часов), поддержка различных типов задач (регрессия, классификация, прогнозирование временных рядов) и сохранение корпоративного управления и безопасности. Это не замена существующей инфраструктуры, а расширение ценности инвестиций в Snowflake.
Для читателей, которые впервые слышат о no-code ML, важно понимать: такие инструменты, как SageMaker Canvas, позволяют бизнес-пользователям создавать модели без участия программистов. Это снижает барьер входа в машинное обучение и ускоряет принятие решений на основе данных. Однако no-code подход не отменяет необходимости понимания основ ML — например, выбора целевой переменной или интерпретации метрик качества модели.
В целом, серия статей AWS — практическое руководство для тех, кто хочет внедрить ML в свою организацию, не нанимая большую команду data science. Она показывает, как использовать существующие данные в Snowflake и знакомые BI-инструменты, чтобы получить прогнозы и визуализировать их для бизнеса.
