AWS Machine Learning Blog décrit la deuxième partie du scénario d’apprentissage automatique sans code avec Snowflake et Amazon SageMaker Canvas. Dans celle-ci, les données de transactions sont connectées à Canvas, préparées et fusionnées à l’aide des transformations visuelles Data Wrangler, puis le modèle XGBoost est entraîné pour détecter les fraudes.
Le matériel est dédié aux étapes de préparation des données et de construction du modèle. Selon AWS Machine Learning Blog, l’intégralité du processus est réalisée sans écrire de code d’apprentissage automatique et sert de base à des tableaux de bord interactifs dans la troisième partie de la série.
L’utilité pratique de l’approche réside dans l’intégration de plusieurs étapes de travail sur les données dans un processus visuel. Cependant, la source fournie ne contient qu’un synopsis éditorial: il n’y a pas d’indicateurs de qualité du modèle, de description de l’ensemble de données, de conditions de test ou de vérification indépendante des résultats.
commentaire éditorial
Pourquoi c’est important
Conséquence probable — une diffusion accrue des flux de travail visuels pour les tâches de détection de fraude parmi les équipes sans compétences approfondies en programmation. Le signe observé suivant sera la troisième partie de la série avec des panneaux interactifs. L'incertitude substantielle persiste autour de la qualité du modèle, de la composition des données et de son adaptabilité à des opérations réelles.