เกิดอะไรขึ้น
AWS เผยแพร่ตอนแรกของซีรีส์บทเรียนที่มุ่งเป้าไปยังทีมที่จัดเก็บข้อมูลด้านปฏิบัติการไว้ใน Snowflake และต้องการสร้างโมเดล machine learning โดยไม่ต้องเขียนโค้ด
ตอนแรกนี้จะพาไล่เรียงขั้นตอนการตั้งค่าบัญชี AWS และสภาพแวดล้อม Snowflake เพื่อรองรับเวิร์กโฟลว์ ML แบบไม่ต้องเขียนโค้ดโดยใช้ Amazon SageMaker Canvas
การตั้งค่านี้ทำหน้าที่เป็นรากฐานสำหรับโมเดลตรวจจับการฉ้อโกงในอนาคต ครอบคลุมอุตสาหกรรมต่างๆ เช่น healthcare, retail และ life sciences
เหตุใดจึงสำคัญ
องค์กรในภาคส่วนที่มีข้อมูลจำนวนมากมักประสบปัญหาในการเปลี่ยนชุดข้อมูลด้านปฏิบัติการขนาดใหญ่ให้กลายเป็นการพยากรณ์ เนื่องจากการพัฒนา ML มักต้องอาศัยความเชี่ยวชาญด้านการเขียนโค้ด
ด้วยการผสานการจัดเก็บข้อมูลของ Snowflake เข้ากับ Amazon SageMaker Canvas ซีรีส์นี้แสดงให้เห็นแนวทางที่ผู้ไม่มีพื้นฐานเขียนโปรแกรมสามารถเริ่มสร้างโมเดลได้โดยใช้โครงสร้างพื้นฐานคลาวด์ที่คุ้นเคย
การตั้งค่าแบบเป็นขั้นเป็นตอนช่วยลดอุปสรรคในการเริ่มต้น ทำให้การวิเคราะห์เชิงพยากรณ์เข้าถึงได้ง่ายขึ้นสำหรับทีมธุรกิจ
ข้อเท็จจริงสำคัญ
บทเรียนนี้เป็นตอนที่ 1 ของซีรีส์เกี่ยวกับการสร้างเวิร์กโฟลว์ ML แบบไม่ต้องเขียนโค้ด
ครอบคลุมการตั้งค่าบัญชี AWS และสภาพแวดล้อม Snowflake
เวิร์กโฟลว์นี้ใช้ Amazon SageMaker Canvas และมีเป้าหมายเพื่อสร้างโมเดลตรวจจับการฉ้อโกง
ทีมงานด้าน healthcare, retail และ life sciences จัดเก็บข้อมูลด้านปฏิบัติการปริมาณมากไว้ใน Snowflake
สิ่งที่ต้องติดตามต่อไป
คาดว่าตอนต่อๆ ไปของซีรีส์จะครอบคลุมการเชื่อมต่อ SageMaker Canvas เข้ากับข้อมูลใน Snowflake และการสร้างโมเดลตรวจจับการฉ้อโกงจริง
แนวทางนี้อาจกลายเป็นต้นแบบสำหรับ ML แบบไม่ต้องเขียนโค้ดในอุตสาหกรรมอื่นๆ ที่มีการกำกับดูแลเข้มงวดหรือมีข้อมูลจำนวนมาก นอกเหนือจากตัวอย่างที่กล่าวถึง