发生了什么
医疗保健、零售和生命科学团队在Snowflake中存储大量运营数据，但将这些数据转化为预测结果并非易事。
本文是该系列的第一部分，重点讲解如何设置AWS账户和Snowflake环境，为后续的无代码机器学习工作流做好准备。
该工作流将结合Snowflake、Amazon SageMaker Canvas和Amazon Quick，最终目标是搭建无需编写代码即可使用的欺诈检测模型。
为什么重要
许多团队拥有丰富的数据却缺乏机器学习专业知识，这种无代码方法有望降低建模门槛。
通过在Snowflake和Amazon SageMaker Canvas之间建立连接，业务用户可以直接利用现有运营数据创建预测模型，而无需依赖数据科学团队编写代码。
关键事实
医疗保健、零售和生命科学团队将大量运营数据存储在Snowflake中。
本部分内容涉及设置AWS账户和Snowflake环境。
该工作是构建无代码欺诈检测模型的基础，使用Amazon SageMaker Canvas完成。
接下来看什么
未来系列文章可能继续展示如何连接Snowflake数据、训练模型以及部署预测结果。
关注该无代码工作流如何在实际欺诈检测场景中落地和应用。