Qué ocurrió
AWS publicó la primera parte de una serie de tutoriales dirigida a equipos que almacenan datos operativos en Snowflake y quieren crear modelos de machine learning sin escribir código.
Esta primera entrega explica cómo configurar una cuenta de AWS y un entorno de Snowflake para dar soporte a un flujo de trabajo de ML sin código con Amazon SageMaker Canvas.
Esta configuración sienta las bases para un futuro modelo de detección de fraude, orientado a sectores como salud, retail y ciencias biológicas.
Por qué importa
Las organizaciones de sectores intensivos en datos suelen tener dificultades para convertir grandes conjuntos de datos operativos en predicciones, ya que el desarrollo de ML normalmente requiere conocimientos de programación.
Al combinar el almacenamiento de datos de Snowflake con Amazon SageMaker Canvas, la serie muestra un camino para que personas sin experiencia en programación empiecen a crear modelos usando infraestructura de nube ya conocida.
Una configuración estructurada y paso a paso reduce la barrera de entrada, haciendo que el análisis predictivo sea más accesible para los equipos de negocio.
Datos clave
El tutorial es la Parte 1 de una serie sobre cómo construir un flujo de trabajo de ML sin código.
Cubre la configuración de una cuenta de AWS y un entorno de Snowflake.
El flujo de trabajo utiliza Amazon SageMaker Canvas y está pensado para construir un modelo de detección de fraude.
Los equipos de salud, retail y ciencias biológicas almacenan grandes volúmenes de datos operativos en Snowflake.
Qué observar a continuación
Se espera que las siguientes partes de la serie aborden la conexión de Amazon SageMaker Canvas con los datos de Snowflake y la construcción real del modelo de detección de fraude.
Este enfoque podría convertirse en una plantilla para el ML sin código en otros sectores regulados o intensivos en datos más allá de los ejemplos mencionados.