Qué ocurrió
La tercera parte del tutorial de AWS sobre flujos de trabajo de ML sin código muestra cómo tomar las predicciones de detección de fraude generadas en Amazon SageMaker Canvas y llevarlas a Amazon Quick Sight para su visualización.
El recorrido cubre la importación de las predicciones, la creación de paneles interactivos, el uso de BI generativa para formular preguntas en lenguaje natural y la publicación de resúmenes ejecutivos generados por IA para las partes interesadas.
Por qué importa
Esta entrega muestra cómo los servicios sin código pueden cubrir todo el recorrido analítico, desde la salida del modelo hasta obtener información visual lista para el negocio.
Al eliminar la necesidad de programar tanto en machine learning como en BI, los equipos pueden avanzar rápidamente desde predicciones sin procesar hasta decisiones compartidas con ejecutivos y audiencias no técnicas.
Datos clave
El artículo es la Parte 3 de una serie sobre flujos de trabajo de ML sin código que involucra a Snowflake, Amazon SageMaker Canvas y Amazon Quick Sight.
Las predicciones de detección de fraude se generan con Amazon SageMaker Canvas y luego se importan a Amazon Quick Sight.
Los usuarios pueden crear paneles interactivos, formular preguntas en lenguaje natural mediante BI generativa y publicar resúmenes ejecutivos generados por IA.
Qué observar a continuación
Las próximas entregas de la serie podrían explorar etapas adicionales del pipeline de ML sin código, como la preparación de datos, el ajuste de modelos o la gobernanza.
El énfasis en la BI generativa sugiere que la analítica asistida por IA seguirá desempeñando un papel cada vez mayor en cómo los usuarios de negocio interactúan con los resultados de machine learning.