Der AWS Machine Learning Blog beschreibt den zweiten Teil des no-code-ML-Szenarios mit Snowflake und Amazon SageMaker Canvas. Darin werden Transaktionsdaten an Canvas angeschlossen, mit visuellen Transformationen von Data Wrangler vorbereitet und zusammengeführt, woraufhin ein XGBoost-Modell zur Erkennung von Betrug trainiert wird.
Der Material widmet sich genau den Phasen der Datenaufbereitung und des Modellbaus. Nach Angabe des AWS Machine Learning Blog wird der gesamte Prozess ohne Schreiben von Machine-Learning-Code durchgeführt und bildet die Grundlage für interaktive Dashboards im dritten Teil der Serie.
Die praktische Bedeutung des Ansatzes liegt in der Vereinigung mehrerer Datenbearbeitungsschritte in einem visuellen Prozess. Allerdings enthält die vorliegende Quelle lediglich eine redaktionelle Synopsis: Es gibt keine Kennzahlen zur Modellqualität, keine Beschreibung des Datensatzes, Testbedingungen oder unabhängige Bestätigung der Ergebnisse.
redaktioneller Kommentar
Warum es wichtig ist
Voraussichtliche Folge ist die weitere Verbreitung visueller Arbeitsabläufe für Betrugserkennungsaufgaben unter Teams ohne tiefe Programmierkenntnisse. Der nächste beobachtbare Hinweis wird Teil drei der Serie mit interaktiven Dashboards sein. Wesentliche Unsicherheit bleibt bezüglich der Qualität des Modells, der Beschaffenheit der Daten und seiner Eignung für reale Operationen.