AWSはAugust 20, 2026、ノーコード機械学習ワークフローガイドのPart 2を公開し、Amazon SageMaker CanvasでSnowflakeデータを準備し、不正検知モデルを構築する手順を示した。ワークフローはSnowflake環境を設定したPart 1の後から始まり、ユーザーはAWS Management ConsoleからAmazon SageMaker Canvasを開く前に、Snowflakeアカウント認証情報と接続情報を用意する必要がある。Canvasの設定では、Amazon SageMakerドメインを作成し、単一ユーザー向けのQuick setupを選び、選択したドメインとユーザープロファイルからCanvasを起動し、ワークスペースの読み込みに3–5分待つ。

ガイドはCanvas内のAmazon SageMaker Data Wranglerを使い、Snowflakeへ直接接続して、手動エクスポートなしで表形式データを準備する。ユーザーはImport and prepareを選び、Tabularを選択し、データソースをSnowflakeに設定し、接続名、Account ID、ユーザー名、パスワードで接続を作成する。最初のSQLステップは、クレジットカードとカテゴリの組み合わせごとにカード単位の外れ値しきい値を作成し、不正検知データセットがカード保有者の通常行動と異なる取引金額をフラグ化できるようにする。

ワークフローは次に、取引単位の特徴量と加盟店別の不正指標でデータセットを補強するため、2つ目のSnowflakeソースを追加する。補強クエリは、時刻や曜日などの時間パターン、年齢カテゴリなどの属性情報、加盟店レベルの外れ値しきい値を加える。インポートされた2つのSnowflakeソースは、Categoryを結合キーとして左外部結合で統合され、データフローへ追加される前にプレビューされる。

Canvasでのデータ変換は、Spark SQLの式構文を使うCustom Formulaステップを通じて外れ値特徴量を追加する。ガイドはCC_FLAGとMERCHANT_AMT_FLAGという出力列を作成し、その後、Manage Columns変換をDrop columnに設定して、機密または不要なフィールドを削除する。削除される列はCC_NUM、AMT_OUTLIER、MERCHANT、MERCHANT_AMT_OUTLIERで、ソースはこれらをカード番号、加盟店名、外れ値金額に結びつく機密情報だとしている。

準備後、ユーザーはターゲット列をIS_FRAUD、問題タイプをClassification、データサイズをSampled Datasetとして、Data Quality and Insights Reportを実行する。レポートは数分以内に生成され、データ要約、特徴量要約、重複行、異常サンプル、訓練データセットと検証データセット向けのQuick model精度指標、混同行列を含む。特徴量要約には特徴量重要度も表示され、予測力の低い特徴量を削除する判断に使える。

モデル構築は、最終変換ノードからCreate modelを選び、モデル名を入力し、Export and create modelを選択して始まる。Build画面で、ユーザーはIS_FRAUDをTarget Columnに設定し、Configure modelを選び、2カテゴリモデルを選択し、XGBoostによるEnsemble trainingを使う。ガイドはFRAUD_HISTORYとMERCHANT_FRAUD_HISTORYの選択を外したうえでStandard buildを選ぶよう説明しており、モデル訓練には約15–30分かかる。

訓練後、Analyzeタブには不正分類モデルの特徴量影響度、散布図、チャート、Advanced Metricsが表示される。予測では、ユーザーがサンプル予測CSVファイルをダウンロードし、Predictタブを開き、Manual Create Datasetを選択し、データセットをアップロードしてプレビューし、作成したうえでGenerate Predictionsを選ぶ。Canvasは数分で予測を生成し、完了するとジョブをReadyと表示する。

最後のセクションは、視覚分析のために予測結果をAmazon Quick Sightへ送る。必要な設定には、Quick SightとSageMaker CanvasドメインのAWS Regionを一致させること、SageMaker IAM実行ロールへQuick Sight権限を追加すること、sagemaker-{region}-{account_id}というSageMaker S3バケットへのQuick Sightアクセスを許可すること、Quick SightユーザーにAuthorまたはAdminロールを追加することが含まれる。ユーザーはその後、予測ジョブを選択し、Send to Amazon Quick Sightを選び、許可されたダッシュボード閲覧者を追加して結果を送信する。Part 3では、Quick Sightダッシュボードを使ってML駆動のインサイトを可視化する。

AWSはAugust 20, 2026、ノーコード機械学習ワークフローガイドのPart 2を公開し、Amazon SageMaker CanvasでSnowflakeデータを準備し、不正検知モデルを構築する手順を示した。ワークフローはSnowflake環境を設定したPart 1の後から始まり、ユーザーはAWS Management ConsoleからAmazon SageMaker Canvasを開く前に、Snowflakeアカウント認証情報と接続情報を用意する必要がある。Canvasの設定では、Amazon SageMakerドメインを作成し、単一ユーザー向けのQuick setupを選び、選択したドメインとユーザープロファイルからCanvasを起動し、ワークスペースの読み込みに3–5分待つ。

ガイドはCanvas内のAmazon SageMaker Data Wranglerを使い、Snowflakeへ直接接続して、手動エクスポートなしで表形式データを準備する。ユーザーはImport and prepareを選び、Tabularを選択し、データソースをSnowflakeに設定し、接続名、Account ID、ユーザー名、パスワードで接続を作成する。最初のSQLステップは、クレジットカードとカテゴリの組み合わせごとにカード単位の外れ値しきい値を作成し、不正検知データセットがカード保有者の通常行動と異なる取引金額をフラグ化できるようにする。

ワークフローは次に、取引単位の特徴量と加盟店別の不正指標でデータセットを補強するため、2つ目のSnowflakeソースを追加する。補強クエリは、時刻や曜日などの時間パターン、年齢カテゴリなどの属性情報、加盟店レベルの外れ値しきい値を加える。インポートされた2つのSnowflakeソースは、Categoryを結合キーとして左外部結合で統合され、データフローへ追加される前にプレビューされる。

Canvasでのデータ変換は、Spark SQLの式構文を使うCustom Formulaステップを通じて外れ値特徴量を追加する。ガイドはCC_FLAGとMERCHANT_AMT_FLAGという出力列を作成し、その後、Manage Columns変換をDrop columnに設定して、機密または不要なフィールドを削除する。削除される列はCC_NUM、AMT_OUTLIER、MERCHANT、MERCHANT_AMT_OUTLIERで、ソースはこれらをカード番号、加盟店名、外れ値金額に結びつく機密情報だとしている。

準備後、ユーザーはターゲット列をIS_FRAUD、問題タイプをClassification、データサイズをSampled Datasetとして、Data Quality and Insights Reportを実行する。レポートは数分以内に生成され、データ要約、特徴量要約、重複行、異常サンプル、訓練データセットと検証データセット向けのQuick model精度指標、混同行列を含む。特徴量要約には特徴量重要度も表示され、予測力の低い特徴量を削除する判断に使える。

モデル構築は、最終変換ノードからCreate modelを選び、モデル名を入力し、Export and create modelを選択して始まる。Build画面で、ユーザーはIS_FRAUDをTarget Columnに設定し、Configure modelを選び、2カテゴリモデルを選択し、XGBoostによるEnsemble trainingを使う。ガイドはFRAUD_HISTORYとMERCHANT_FRAUD_HISTORYの選択を外したうえでStandard buildを選ぶよう説明しており、モデル訓練には約15–30分かかる。

訓練後、Analyzeタブには不正分類モデルの特徴量影響度、散布図、チャート、Advanced Metricsが表示される。予測では、ユーザーがサンプル予測CSVファイルをダウンロードし、Predictタブを開き、Manual Create Datasetを選択し、データセットをアップロードしてプレビューし、作成したうえでGenerate Predictionsを選ぶ。Canvasは数分で予測を生成し、完了するとジョブをReadyと表示する。

最後のセクションは、視覚分析のために予測結果をAmazon Quick Sightへ送る。必要な設定には、Quick SightとSageMaker CanvasドメインのAWS Regionを一致させること、SageMaker IAM実行ロールへQuick Sight権限を追加すること、sagemaker-{region}-{account_id}というSageMaker S3バケットへのQuick Sightアクセスを許可すること、Quick SightユーザーにAuthorまたはAdminロールを追加することが含まれる。ユーザーはその後、予測ジョブを選択し、Send to Amazon Quick Sightを選び、許可されたダッシュボード閲覧者を追加して結果を送信する。Part 3では、Quick Sightダッシュボードを使ってML駆動のインサイトを可視化する。