เกิดอะไรขึ้น
บทความส่วนที่สามของซีรีส์สอนขั้นตอนการทำ ML แบบไม่ต้องเขียนโค้ดของ AWS แสดงวิธีนำผลการทำนายการฉ้อโกง (fraud detection) จาก Amazon SageMaker Canvas เข้าสู่ Amazon Quick Sight เพื่อนำไปสร้างการแสดงผลข้อมูล
เนื้อหาครอบคลุมตั้งแต่การนำเข้าผลการทำนาย การสร้างแดชบอร์ดแบบโต้ตอบได้ การใช้ generative BI เพื่อถามคำถามด้วยภาษาธรรมชาติ ไปจนถึงการเผยแพร่สรุปผู้บริหารที่สร้างขึ้นโดย AI สำหรับผู้มีส่วนได้ส่วนเสีย
เหตุใดจึงสำคัญ
บทความตอนนี้แสดงให้เห็นว่าบริการแบบไม่ต้องเขียนโค้ดสามารถครอบคลุมกระบวนการวิเคราะห์ข้อมูลได้ตลอดทั้งสาย ตั้งแต่ผลลัพธ์ของโมเดลไปจนถึงข้อมูลเชิงลึกเชิงภาพที่พร้อมใช้งานทางธุรกิจ
การตัดความจำเป็นในการเขียนโค้ดออกทั้งในฝั่ง machine learning และ BI ช่วยให้ทีมงานสามารถก้าวจากผลการทำนายดิบไปสู่การตัดสินใจที่แชร์ร่วมกับผู้บริหารและผู้ใช้ที่ไม่มีพื้นฐานด้านเทคนิคได้อย่างรวดเร็ว
ข้อเท็จจริงสำคัญ
บทความนี้เป็นส่วนที่ 3 ของซีรีส์ขั้นตอนการทำ ML แบบไม่ต้องเขียนโค้ด ซึ่งเกี่ยวข้องกับ Snowflake, Amazon SageMaker Canvas และ Amazon Quick Sight
ผลการทำนายการฉ้อโกงถูกสร้างขึ้นด้วย Amazon SageMaker Canvas จากนั้นจึงนำเข้าสู่ Amazon Quick Sight
ผู้ใช้สามารถสร้างแดชบอร์ดแบบโต้ตอบได้ ถามคำถามด้วยภาษาธรรมชาติผ่าน generative BI และเผยแพร่สรุปผู้บริหารที่สร้างขึ้นโดย AI
สิ่งที่ต้องจับตาดูต่อไป
ตอนต่อ ๆ ไปของซีรีส์นี้อาจสำรวจขั้นตอนอื่นเพิ่มเติมของ pipeline การทำ ML แบบไม่ต้องเขียนโค้ด เช่น การเตรียมข้อมูล การปรับแต่งโมเดล หรือการกำกับดูแลข้อมูล
การให้ความสำคัญกับ generative BI บ่งชี้ว่าการวิเคราะห์ข้อมูลที่ได้รับความช่วยเหลือจาก AI จะยังคงมีบทบาทมากขึ้นเรื่อย ๆ ในวิธีที่ผู้ใช้งานทางธุรกิจโต้ตอบกับผลลัพธ์จาก machine learning