Fechando o ciclo: do modelo ao dashboard de negócio
A AWS publicou a terceira parte da série que demonstra como construir um workflow completo de Aprendizado de Máquina (ML) sem escrever uma linha de código. Se você acompanhou as partes anteriores, já sabe que a Parte 1 tratou da configuração do banco de dados no Snowflake e da infraestrutura base do projeto, enquanto a Parte 2 cobriu a preparação dos dados e a construção do modelo de detecção de fraudes usando o Amazon SageMaker Canvas — com transformações visuais via Data Wrangler e o algoritmo XGBoost.
Nesta terceira etapa, o fluxo se completa: as previsões geradas pelo SageMaker Canvas são integradas ao Amazon QuickSight, agora parte do Amazon Quick, para criar dashboards interativos que combinam dados operacionais com previsões de ML voltadas à Inteligência de Negócio (BI) para detecção de fraudes.
O que o Amazon QuickSight oferece neste contexto
O Amazon QuickSight é o serviço de Inteligência de Negócio (BI) da AWS voltado para construção de dashboards interativos, análise aprofundada de dados e compartilhamento de insights dentro de uma organização. Ele faz parte do Amazon Quick, que expande essas capacidades com Inteligência Artificial (IA) generativa — permitindo consultas em linguagem natural, agentes de IA personalizados para automação de workflows e Spaces colaborativos para organizar arquivos, dashboards e bases de conhecimento em um único lugar.
Para times que já utilizam o SageMaker Canvas, o Amazon Quick oferece um caminho direto das previsões de ML até dashboards prontos para o negócio, sem necessidade de infraestrutura adicional ou integrações customizadas.
Visão geral da solução
O objetivo desta etapa é cobrir o workflow completo para visualizar as previsões de detecção de fraudes no Amazon QuickSight: desde a importação do dataset de previsões do SageMaker Canvas até a construção de dashboards interativos e o uso das capacidades de BI generativo para obter insights em linguagem natural.
Pré-requisitos
Antes de iniciar a Parte 3, é necessário ter concluído as etapas anteriores:
- Parte 1 — Configurar uma conta no Snowflake, criar o banco de dados e a tabela de detecção de fraudes, e obter o nome da conta da organização no Snowflake para uso com o Amazon SageMaker Canvas.
- Parte 2 — Conectar o SageMaker Canvas ao Snowflake, preparar o dataset usando o Data Wrangler, construir e treinar o modelo XGBoost de detecção de fraudes, e enviar as previsões ao Amazon QuickSight.
- Criar uma conta no Amazon Quick para acessar o Amazon QuickSight, e atualizar os usuários para os perfis Admin Pro, Author Pro ou Reader Pro, que habilitam as capacidades de BI generativo.
Importando as previsões do Canvas como dataset
Antes de construir qualquer visualização, é preciso importar as previsões do Canvas no Amazon QuickSight como um dataset. As previsões enviadas na etapa anterior já estarão disponíveis no console do QuickSight. A partir do painel de navegação lateral, basta acessar a seção de Datasets para localizar o dataset de previsões do Canvas e, em seguida, criar uma nova análise — o que abre uma área em branco para começar a construir as visualizações que transformarão as previsões de detecção de fraudes em insights acionáveis.
Construindo visualizações
Com o dataset importado, o próximo passo é criar os visuais para analisar as previsões. Na interface de análise, o processo começa com a seleção de campos do dataset para montar o primeiro visual. Para orientações detalhadas sobre criação de dashboards, a AWS disponibiliza a documentação de criação de análises no Amazon QuickSight.
O resultado esperado é um dashboard de análise de fraudes que exibe padrões distribuídos em múltiplas dimensões — categorias de transação, comportamento por comerciante e tendências temporais.
BI generativo: insights em linguagem natural
As capacidades de BI generativo do Amazon QuickSight aceleram a criação de dashboards por meio de interações em linguagem natural. Para acessar esses recursos, é necessário que os usuários da conta estejam nos perfis Admin Pro, Author Pro ou Reader Pro dentro da assinatura do Amazon Quick. Esses perfis concedem acesso às funcionalidades de BI generativo correspondentes a cada papel, incluindo a capacidade de compartilhar tópicos de perguntas e respostas (Q&A) com outros usuários. Para entender como os nomes de assinatura se mapeiam para os perfis de usuário, a AWS disponibiliza a documentação sobre assinaturas e perfis do Amazon Quick.
Ao acessar o ícone de faísca (sparkle) no QuickSight, um painel lateral é aberto com opções contextuais baseadas na tarefa em andamento. Quando se trabalha em uma análise, é possível construir cálculos, criar e editar visuais, configurar tópicos de Q&A ou fazer perguntas diretamente sobre os dados.
Para gerar um visual personalizado, basta inserir uma descrição em linguagem natural no menu “Build a visual”. O sistema gera o visual automaticamente, e o usuário pode adicioná-lo ao dashboard com um clique. Um exemplo prático apresentado no artigo original é a criação de um visual de taxa de fraude por hora da transação — gerado a partir de uma consulta simples em linguagem natural — que revela como a atividade fraudulenta varia ao longo do dia, expondo padrões temporais que seriam difíceis de detectar manualmente.
Também é possível consultar o dashboard diretamente, sem criar um novo visual: basta inserir a pergunta no painel de BI generativo para obter uma resposta instantânea com base nos dados. O exemplo citado no artigo mostra uma consulta sobre o total de casos de fraude no estado de Washington, com o sistema retornando o resultado imediatamente — demonstrando como perguntas em linguagem natural podem surfaçar respostas orientadas a dados para usuários de negócio.
Publicando o dashboard
Após finalizar todas as modificações na análise, o processo de publicação do dashboard é direto. O usuário escolhe a opção “Publish” no canto superior da análise, define um nome descritivo para o dashboard e verifica se a opção “Allow executive summary” está selecionada — essa configuração habilita resumos executivos gerados por IA para os visualizadores do dashboard. Em seguida, basta confirmar a publicação.
Após a publicação, os usuários têm acesso a um conjunto de capacidades adicionais pelo menu superior do dashboard:
- Share — Controle de acesso e permissões para usuários e grupos.
- Send reports — Agendamento de entrega automatizada de relatórios por e-mail.
- Threshold alerts — Configuração de notificações quando métricas ultrapassam limites definidos.
- Export — Download do conteúdo do dashboard em formato PDF para distribuição offline.
- Create executive summary — Geração de insights com IA a partir dos dados do dashboard.
Outras capacidades para interagir, personalizar e compartilhar dashboards estão detalhadas na documentação oficial do Amazon Quick.
O resumo executivo usa IA generativa para analisar automaticamente as visualizações e apresentar insights em linguagem natural, facilitando que stakeholders entendam rapidamente os achados mais importantes sem precisar navegar pelo dashboard inteiro.
O que o dashboard de detecção de fraudes entrega
O dashboard resultante reúne as previsões do SageMaker Canvas e o Amazon QuickSight para expor padrões de fraude em categorias de transação, comportamento por comerciante e tendências temporais — tudo em uma única visão interativa. Com o agendamento automatizado de relatórios, alertas baseados em limites e resumos executivos gerados por IA, tanto times técnicos quanto não técnicos conseguem tomar decisões mais rápidas e orientadas por dados.
Com o BI generativo, stakeholders podem consultar insights em linguagem natural e acessar resumos executivos automáticos, fechando o ciclo do workflow de ML sem código construído ao longo de toda a série.
Conclusão da série
Esta série de três partes demonstra como os serviços da AWS podem trabalhar em conjunto para levar organizações de dados brutos a inteligência de negócio acionável, inteiramente por meio de ferramentas visuais e sem código. Para organizações que gerenciam grandes volumes de dados operacionais, esse workflow remove as barreiras tradicionais entre ciência de dados e tomada de decisão de negócio.
Insights que antes exigiam recursos especializados de engenharia agora estão acessíveis a analistas, times de operações e executivos por meio de uma arquitetura governada, escalável e totalmente gerenciada pela AWS. Seja para detectar anomalias, prever demanda, classificar riscos ou entender o comportamento de clientes, essa abordagem se aplica a diferentes casos de uso e setores.
Para começar a transformar dados do Snowflake em inteligência de negócio acionável, a AWS recomenda explorar o Amazon SageMaker Canvas e o Amazon QuickSight.
Referências da série
- Parte 1 – Configurando o ambiente Snowflake
- Parte 2 – Preparação de dados e construção do modelo com Amazon SageMaker Canvas
Fonte
Build a no-code ML workflow with Snowflake, Amazon SageMaker Canvas and Amazon Quick – Part 3: Visualizing insights with Amazon Quick Sight (https://aws.amazon.com/blogs/machine-learning/build-a-no-code-ml-workflow-with-snowflake-amazon-sagemaker-canvas-and-amazon-quick-part-3-visualizing-insights-with-amazon-quick-sight/)
Leave a Reply