Amazon Web Services опубликовал вторую часть руководства по созданию no-code ML-пайплайна, в которой показано, как подготовить данные и обучить модель с помощью Amazon SageMaker Canvas. Материал ориентирован на бизнес-аналитиков и доменных экспертов, которые хотят использовать машинное обучение без написания кода. В предыдущей части рассматривалась настройка базы данных Snowflake, теперь основное внимание уделяется подключению к этому хранилищу и построению модели.
SageMaker Canvas — это визуальный сервис AWS, который позволяет пользователям без навыков программирования создавать модели машинного обучения и генерировать прогнозы. В новой публикации демонстрируется полный цикл: от подключения к Snowflake через Data Wrangler до обучения модели на алгоритме XGBoost для задачи обнаружения мошенничества. Ключевая особенность — интеграция с Snowflake, которая устраняет необходимость в ручном экспорте данных: аналитик работает с актуальными данными прямо в хранилище, сохраняя при этом корпоративные стандарты безопасности и управления.
Процесс начинается с создания домена SageMaker — организационной единицы, которая объединяет пользовательские профили, настройки хранения и параметры безопасности. Для одиночного пользователя предусмотрен быстрый режим настройки. После запуска Canvas пользователь переходит в раздел Data Wrangler, выбирает тип данных Tabular и указывает Snowflake в качестве источника. Для подключения требуются имя соединения, идентификатор аккаунта Snowflake, имя пользователя и пароль. Далее выполняется SQL-запрос, который создает пороговые значения для каждого сочетания карты и категории, что помогает модели выявлять аномальные суммы транзакций.
Интеграция с Snowflake устраняет ручной экспорт данных: подключение к хранилищу происходит напрямую.
Использование Data Wrangler сокращает время на подготовку данных: встроенные визуальные трансформации позволяют очищать и преобразовывать данные без программирования. Это особенно ценно в отраслях с высокими требованиями к безопасности, таких как финансовые услуги и здравоохранение, где специалисты могут самостоятельно готовить данные для анализа. Интеграция с Snowflake также снижает проблемы перемещения данных, так как соединение происходит напрямую.
Вторая часть руководства — практическое дополнение к первой: если первая часть закладывает инфраструктуру, то вторая показывает, как использовать ее для реальной задачи. Такой подход отражает общий тренд на демократизацию машинного обучения, когда инструменты становятся доступны не только инженерам, но и специалистам, которые лучше понимают бизнес-контекст. SageMaker Canvas в этом смысле — один из примеров, как облачные провайдеры пытаются снизить порог входа в ИИ.
