8.0
热点
AI SCORE
编程提效2026-08-21 05:23
AWS无代码ML实战：QuickSight可视化欺诈检测洞察
AWS ML Blog#AWS#QuickSight#生成式BI
Editor brief · 编辑速览
将SageMaker Canvas预测结果导入QuickSight，构建交互仪表盘，用生成式BI自然语言问答并输出AI生成的摘要报告。
第 1 部分介绍了 Snowflake 数据库实现设置，为我们的无代码机器学习（ML）工作流奠定了基础设施。
第 2 部分完整演示了使用 Amazon SageMaker Canvas 进行数据准备和模型构建的整个流程，展示了如何直接连接 Snowflake 数据源、使用 Data Wrangler 可视化转换进行数据转换和准备，以及使用 XGBoost 算法构建欺诈检测模型。
第 3 部分通过将 SageMaker Canvas 预测结果与 Amazon QuickSight（现属 Amazon Quick 的一部分）集成，使工作流形成完整闭环，创建将运营数据与 ML 预测相结合的交互式仪表板，用于欺诈检测商业智能（BI）。本文涵盖如何将 Canvas 预测结果作为数据集导入 Amazon QuickSight、构建分析仪表板、使用生成式 BI 能力通过自然语言发现洞察，以及将这些洞察分享给利益相关者。
Amazon QuickSight 是 Amazon Quick 中一项强大的商业智能服务，团队可以用它构建交互式仪表板、执行深度数据分析，并在整个组织内共享洞察。Amazon Quick 在这些能力基础上扩展了生成式 AI，支持对数据使用自然语言查询、用于工作流自动化的自定义 AI Agent，以及用于在一个地方组织文件、仪表板和知识库的协作 Spaces。
对于已经在使用 Amazon SageMaker Canvas 的团队，Amazon Quick 提供了一条从 ML 预测直接到业务就绪仪表板的路径，无需额外的基础设施或自定义集成。
本节完整演示了在 Amazon QuickSight 中可视化欺诈检测预测的工作流程，从将 Amazon SageMaker Canvas 预测结果作为数据集导入，到构建交互式仪表板，再到利用生成式 BI 能力获得自然语言洞察。
开始阅读第 3 部分之前，请完成以下准备：
在构建可视化之前，将 Canvas 预测结果导入 Amazon QuickSight 作为数据集：
在本系列的前一部分中，Amazon SageMaker Canvas 的预测结果已发送到 Amazon QuickSight。该数据集可在 Amazon QuickSight 控制台上获取。
在左侧导航窗格中选择 Datasets，找到你的 Canvas 预测数据集。
选择 Create analysis。这将打开一个空白画布，你可以在此开始构建将欺诈检测预测转化为可操作洞察的可视化内容。
数据集导入后，下一步是创建可视化内容来分析预测结果：
在分析界面中，首先从数据集中选择字段来创建你的第一个可视化图表。有关构建仪表板的详细指南，请参阅 Amazon QuickSight 分析创建。
下图是创建的分析仪表板，展示了跨多个维度的欺诈模式，包括交易类别、商户行为和时间模式。
图 1：欺诈检测分析仪表板，展示了跨交易类别、商户行为和时间趋势的欺诈模式
Amazon QuickSight 的生成式 BI 能力通过自然语言交互加速了仪表板的创建。
要在 Amazon QuickSight 中访问生成式 BI 能力，请在你的 Amazon Quick 订阅中，将账户的用户升级为 Admin Pro、Author Pro 或 Reader Pro 角色。Pro 角色授予访问与每个分配角色相关的生成式 BI 能力，包括与其他用户共享生成式 Q&A 主题的能力。要了解订阅名称如何映射到用户角色，请参阅了解 Amazon Quick 订阅和角色。
选择闪光图标。在打开的窗格中，聊天界面会根据你当前的任务显示上下文相关的选项。在分析中工作时，你可以构建计算、创建和编辑可视化图表、设置 Q&A 主题，或直接对数据提问。
图 2：Amazon QuickSight 生成式 BI 窗格，提供用于构建计算、可视化图表和 Q&A 主题的上下文相关选项
要在 Build a visual 菜单中生成自定义可视化图表，请在其中输入对所需结果的自然语言描述。审查生成的可视化图表，然后选择 Add to analysis 将其包含在仪表板中。
在以下示例中，使用一个简单的自然语言查询构建了按交易小时统计的欺诈率可视化图表，揭示了欺诈活动在不同时间段如何波动，发现了仅靠手动分析难以检测到的时间模式。
图 3：由自然语言查询生成的可视化图表，展示按交易小时统计的欺诈率
要直接查询仪表板而无需构建新的可视化图表，请在生成式 BI 窗格中输入你的问题，以获得即时的人工智能回答。在以下示例中，生成式 BI 能力对华盛顿州欺诈案件总数这一简单查询作出回应，并即时返回结果，展示了自然语言问题如何为业务用户提供数据驱动的答案。
图 4：生成式 BI 对关于华盛顿州欺诈案件总数的自然语言问题返回的回答
要发布仪表板，请完成以下步骤：
完成对分析的所有修改后，在分析顶部角落选择 Publish。
图 5：在 Amazon QuickSight 中使用 Publish 选项发布分析
在出现的对话框中，在 Dashboard name 字段中输入仪表板的描述性名称。确认已选择 Allow executive summary 选项。这将为仪表板查看者启用人工智能驱动的执行摘要功能。选择 Publish dashboard 完成发布流程。
图 6：发布仪表板对话框，其中包含仪表板名称和已选中的 Allow executive summary 选项
图 7：从已发布的仪表板，用户可以使用 Create 选项生成执行摘要
仪表板发布后，用户可以从顶部菜单栏访问其他功能：Share – 控制用户和群组对仪表板的访问权限和权限。Send reports – 通过电子邮件安排自动化报告投递。Threshold alerts – 配置当指标超过定义阈值时的通知。Export – 将仪表板内容下载为 PDF 文件以便离线分发。Create executive summary – 从仪表板数据生成人工智能驱动的洞察。
除此之外，还有其他可用的功能来帮助用户交互、自定义和共享他们的仪表板，所有这些都在 Amazon Quick 仪表板文档中有详细介绍。
要生成执行摘要，请在顶部菜单栏中选择 Create，然后从菜单中选择 Executive summary。
执行摘要使用生成式 AI 自动分析你的可视化内容并提供自然语言洞察，使利益相关者能够更直接地快速了解最重要的发现。
图 8：人工智能生成的分析摘要，提供来自仪表板的自然语言洞察
欺诈检测仪表板将 Amazon SageMaker Canvas 预测结果和 Amazon QuickSight 整合在一起，在同一个交互式视图中展示跨交易类别、商户行为和时间趋势的欺诈模式。已发布的仪表板进一步支持自动化报告安排、基于阈值的警报和人工智能生成的分析摘要，使技术和非技术用户都能做出更快、数据驱动的决策。
通过生成式 BI，利益相关者可以使用自然语言查询洞察并访问人工智能生成的分析摘要，在这个系列中构建的端到端无代码 ML 工作流得以完整闭环。
这个由三部分组成的系列展示了 AWS 服务如何协同工作，使组织能够完全通过可视化、无代码工具从原始数据转变为可操作的商业智能。
对于管理大量运营数据的组织而言，这个工作流消除了数据科学和业务决策之间的传统障碍。曾经需要专业工程资源才能获得的洞察，现在可以通过治理完善、可扩展且完全托管的 AWS 架构，让分析师、运营团队和高管都能访问。无论目标是检测异常、预测需求、分类风险还是了解客户行为，这种方法都可以跨用例和行业扩展。
要开始将 Snowflake 数据转化为可操作的商业智能，请探索 Amazon SageMaker Canvas 和 Amazon QuickSight。
第 1 部分 – 使用 Snowflake、Amazon SageMaker Canvas 和 Amazon Quick 构建无代码 ML 工作流 – 第 1 部分：设置你的 Snowflake 环境
第 2 部分 – 使用 Snowflake、Amazon SageMaker Canvas 和 Amazon Quick 构建无代码 ML 工作流 – 第 2 部分：使用 Amazon SageMaker Canvas 进行数据准备和模型构建