Créer un flux ML sans code avec Snowflake, Amazon SageMaker Canvas et Amazon Quick (partie 3) : visualiser les données avec Amazon QuickSight
Amazon Web Services a publié la troisième et dernière partie d'une série technique consacrée à la construction d'un flux de travail de machine learning sans code, combinant Snowflake, Amazon SageMaker Canvas et Amazon Quick. Les deux premiers volets avaient posé les bases : la première partie détaillait la mise en place d'une base de données Snowflake dédiée à la détection de fraude, tandis que la deuxième partie montrait comment connecter SageMaker Canvas directement à Snowflake, préparer les données avec les transformations visuelles de Data Wrangler, puis entraîner un modèle de détection de fraude basé sur l'algorithme XGBoost. Cette troisième partie boucle la boucle en expliquant comment importer les prédictions générées par SageMaker Canvas dans Amazon QuickSight, désormais intégré à Amazon Quick, afin de créer des tableaux de bord interactifs combinant données opérationnelles et prédictions de machine learning. Le tutoriel détaille l'importation des prédictions Canvas comme jeu de données, la création d'une analyse via le bouton "Create analysis", la construction de visualisations mettant en évidence les schémas de fraude selon les catégories de transactions, le comportement des marchands et les tendances temporelles, ainsi que l'utilisation des capacités de BI générative pour interroger les données en langage naturel. L'accès à ces fonctions génératives nécessite de faire évoluer les utilisateurs vers les formules Admin Pro, Author Pro ou Reader Pro.
Résumé et traduction réalisés par Le Fil IA à partir de AWS ML Blog. Lire l'article original →
Cette démonstration illustre une tendance de fond chez les fournisseurs cloud : réduire la distance entre la construction d'un modèle de machine learning et sa mise à disposition opérationnelle pour des équipes métier non techniques. En permettant à des analystes financiers ou des responsables de la lutte antifraude d'interagir avec des prédictions de fraude via des tableaux de bord en langage naturel plutôt qu'à travers du code, Amazon élargit le public capable d'exploiter des modèles ML sans passer par une équipe data science dédiée. Pour les entreprises qui traitent de gros volumes de transactions, cette intégration directe entre entrepôt de données, modélisation sans code et visualisation d'entreprise promet de raccourcir significativement le délai entre la détection d'un signal de fraude et sa traduction en décision opérationnelle, sans nécessiter d'infrastructure supplémentaire ni d'intégrations personnalisées.
Cette série s'inscrit dans la stratégie plus large d'AWS visant à unifier son offre de business intelligence autour de la marque Amazon Quick, qui regroupe désormais QuickSight ainsi que des agents IA personnalisés et des espaces collaboratifs pour organiser fichiers, tableaux de bord et bases de connaissances. Le choix de Snowflake comme source de données souligne également l'interopérabilité croissante entre plateformes cloud concurrentes, AWS proposant des connecteurs natifs vers des entrepôts de données tiers plutôt que d'imposer un écosystème fermé. La démarche répond à une demande récurrente des entreprises confrontées à la fraude financière, qui cherchent des outils accessibles aux équipes non techniques pour accélérer la détection sans dépendre exclusivement d'ingénieurs machine learning. À mesure que les fonctionnalités de BI générative se généralisent, il est probable que d'autres fournisseurs cloud accentuent des intégrations similaires entre entrepôts de données, plateformes de no-code ML et outils de visualisation, dans une course à la simplification des chaînes de décision fondées sur les données.
Pas d'impact direct sur la France/UE