写点什么

强强联合：借助 Snowflake 与 Amazon Quick，释放 AI 驱动的商业智能潜能 ｜ 技术实践

  • 2026-03-11
    北京

  • 本文字数：4887 字

    阅读完需：约 16 分钟

2026 年，智能体将在企业级应用中取得哪些实质性突破？点击下载《2026 年 AI 与数据发展预测》白皮书，获悉专家一手前瞻，抢先拥抱新的工作方式！

Snowflake 是一个完全托管的 Data & AI 平台，以易用性、广泛的连接能力，以及对企业数据资产的无缝集成而备受全球成千上万客户的信赖。该平台与 Amazon Web Services 深度集成，旨在加速企业级数据与人工智能（AI）技术的落地应用。本快速入门指南将重点介绍 Snowflake 与 Amazon Quick 的集成方案，帮助用户构建由 AI 驱动的商业智能（BI）能力，实现对企业全域数据源的统一智能分析，并打通从洞察获取到行动执行的“最后一公里”关键环节。

本次集成的核心亮点在于 Snowflake 引入的全新架构对象——语义视图。语义视图赋予原始企业数据以业务含义与上下文，通过定义“指标”（例如总观看量、用户评分）与“维度”（如电影、类型），在人机交互的自然语言与复杂数据结构之间建立起一座可靠的桥梁。语义视图将组织的业务上下文与数据定义直接嵌入数据层，从而确保 AI 与 BI 系统能够以统一方式解读数据，提供可信的分析结果，并显著降低 AI 模型产生幻觉的风险。

用户可在 Cortex Analyst 中直接使用语义视图，并在 SELECT 查询中对其进行调用。此外，语义视图支持通过私有列表、Snowflake 市场上的公共列表以及组织内部列表进行共享。通过在物理数据之上附加明确的业务语义，语义视图有效提升了数据驱动决策的精准度，并确保不同企业应用之间的业务定义保持一致。

作为 Snowflake 的原生架构对象，语义视图还提供对象级别的访问控制能力：用户可像对待普通表和视图一样，授予或限制对语义视图的使用与查询权限，从而确保在 SQL 查询、BI 分析以及 AI 应用等多个访问端点上，数据的访问均经过严格授权与合规管控。

Semantic View diagram

使用案例

在本教程中，您将学习如何通过 Snowflake Cortex Analyst 对某传媒公司的客户评论数据进行处理与分析，并利用亚马逊云科技 QuickSuite 套件中的 Amazon Quick Sight 构建可视化仪表板。本案例将以包含电影传媒公司客户评论的电影数据集为操作对象，帮助您将原始数据转化为可执行的业务洞察。

该集成方案充分利用了 Snowflake 的原生能力，能够将从 Amazon S3 获取的结构化影评数据直接导入数据库模式中。通过 SQL 定义包含表关系、维度和指标的 Snowflake 语义视图，可以显著增强人工智能分析的效果。将语义模型从传统的 BI 工具层迁移至核心数据平台，可确保所有分析工具使用统一的语义概念，提升数据的一致性和可复用性。

关键步骤与优势

数据摄入与语义视图创建：使用 Snowflake 原生数据摄入工具，从 Amazon S3 加载数据，并通过 SQL 构建语义视图，为业务用户简化底层数据库结构，提升数据可理解性。

基于 Cortex Analyst 的自助式分析：业务团队和非技术用户可通过 Snowflake Cortex Analyst，利用自然语言进行自助式数据分析，从 Snowflake 中的结构化数据快速获取业务洞察。

Amazon Quick Sight 集成：遵循 Jupyter Notebook 中的 QuickSight 数据集生成器指南，通过 Snowflake DDL 创建 QuickSight 数据集，涵盖从配置凭证到数据集共享的完整流程，并可使用 AWS Cloudshell 以编程方式调用 Amazon Quick Sight API，实现自动化部署与管理。

增强的人工智能商业智能：该集成方案助力商业智能团队通过自然语言交互，便捷地创建交互式图表与仪表板、构建计算字段、开发数据故事、开展假设情景分析，同时有效降低人工智能幻觉的风险。此外，商业智能团队可将基于 Snowflake 的仪表板集成至(Amazon Quick) Movies 空间，将其他文件、仪表板、主题、知识库与应用操作整合为一个统一且可定制的企业知识中心，进一步提升数据驱动决策的效率和准确性。

architecture diagram

学习目标

• 掌握 Snowflake 中仓库、数据库及模式的配置方法；

• 学习如何将 Amazon S3 数据导入 Snowflake 平台；

• 了解并实践 Snowflake 语义视图的完整构建流程，涵盖表结构、关联关系、维度与指标的定义；

• 初步掌握 Snowflake Notebook 的使用方法；

• 理解语义视图如何助力 AI 驱动的分析（通过 Cortex Analyst 智能体），并在跨 BI 工具（如 Amazon QuickSight）使用中确保数据一致性。

构建内容

您将搭建一个基础且实用的 Snowflake Cortex Analyst 智能体环境。通过构建完整的数据视图及语义模型，实现基于 Amazon QuickSight 的统一数据查询能力，为 AI 和 BI 应用提供一致的数据基础。

准备工作

• 具备 Snowflake 平台使用经验。如无账户，可点击此处注册试用版；

• 选择 AWS 云环境中的企业版服务

• 拥有具备 ACCOUNTADMIN 角色权限的账户，以便创建语义视图

• 熟悉 AWS 服务。如无账户，请先注册 AWS 并开通 QuickSight 服务；

• 请确保在上述两个平台均选择支持的区域进行注册。当前 QuickSight 服务已在以下四个区域开放：美国东部（弗吉尼亚）、美国西部（俄勒冈）、亚太地区（悉尼）及欧洲（爱尔兰）。更多信息可参阅 Amazon QuickSight 官方文档；

• 掌握 SQL 与 Python 基础知识；

• 理解数据分析基本概念与方法。

环境设置

概述

您将使用 Snowflake 的网页界面 Snowsight 导入并运行笔记本，以创建所需环境。

• 下载笔记本文件：从资产文件夹中下载 SF_Quick_Quickstart.ipynb 笔记本文件。

Snowflake 笔记本预装了用于数据科学和机器学习的常见 Python 库，例如 numpy、pandas、matplotlib 等。如果您需要使用其他软件包，可以点击右上角的 "Packages"（软件包）下拉菜单，将额外的软件包添加到您的笔记本中。

• 点击 "+ 创建" 按钮 -> 选择 "Notebook"（笔记本）-> 点击 "Import"（导入）以下载的笔记本文件。

import notebook

接受默认设置，并确保选择 Run on Warehouse（在虚拟仓库上运行）。

默认情况下，笔记本使用的虚拟仓库设置为 SYSTEM$STREAMLIT_NOTEBOOK_WH。不过，您也可以在创建笔记本时，从下拉列表中选择一个不同的虚拟仓库。

notebook creation

我们将通过此笔记本创建一个名为 WORKSHOPWH 的新虚拟仓库和一个名为 movies 的数据库，用于组织我们的数据。

笔记本创建完成后，您可以通过笔记本设置选择其他虚拟仓库。

notebook wh

我们将运行笔记本中的单元格，将数据加载到数据库 MOVIES 中，然后继续运行 第 1 部分 和 第 2 部分 以及笔记本的其余部分。

run notebook

重要步骤！！ 在运行包含以下 SQL 语句的 Get_SV_DDL 单元格后：

SELECT TO_VARCHAR( GET_DDL(  'SEMANTIC_VIEW',  'MOVIES.PUBLIC.MOVIE_ANALYTICS_SV'));
复制代码

请务必点击 "Download as CSV"（下载为 CSV），并将此文件重命名为 SF_DDL.csv。

export-sv-ddl

至此，Snowflake 端的设置已完成。

此时，您可以在 Snowsight 中查看语义视图 MOVIES_ANALYST_SV，并通过 Cortex Analyst 使用自然语言提问。

如需在 UI 中查看已创建的语义视图：

  • 在 Snowsight 中，选择 AI 与机器学习 -> Cortex Analyst；

  • 确保已选中之前创建的 SEMANTIC_QUICK_START_ROLE 角色和 WORKSHOPSH 仓库；

  • 选择 Movies 数据库和 Public 模式；

  • 查看语义视图 MOVIES_ANALYST_SV 的详细信息。

如需使用 SQL 查看语义视图，请参考此处的示例。

movie SV ready

  • 欢迎在操作台中自由探索并解释数据集；

  • 退出前请务必保存。

SV in snowsight

欢迎添加更多已验证的查询。

已验证查询是带有正确答案的示例黄金问题，它为大语言模型（LLM）提供了准确答案的范例。这有助于提高准确性、降低延迟，并为您的语义视图生成更好的建议。

例如：验证“2023 年所有电影的平均评分是多少？”这个问题，可以确保 Cortex Analyst 能为所有类似表述的问题生成正确的 SQL。

Cortex Analyst 仅会在用户提问与已验证查询相似时使用它们。

请尝试以下示例问题：

• 按电影名称展示总的评分值；

• 列出有史以来最受欢迎的 10 部电影。

verify sql in cortext

使用 AWS CloudShell 调用 Quicksight API 的 QuickSight 数据集生成器

按照笔记本中的指南完成以下流程：基于 Snowflake DDL 创建 QuickSight 数据集、设置凭证以及将数据集共享给用户。请从 assets 文件夹下载 QuickSight 数据集生成器_Solution_Package.zip。

完整工作流程

打开 AWS 控制台 --> cloudshell --> 上传 Solution_Package.zip

cloudshell upload

创建 AWS Secret（存储 Snowflake 凭证）

创建 QuickSight 数据源（使用该 secret）

生成 QuickSight 架构（基于之前保存为 SF_DDL.csv 的 Snowflake DDL）

**Expected Output**Parsing Snowflake DDL from: SF_DDL.csvFound 3 tablesFound 2 relationshipsFound 17 dimensionsFound 1 factsFound 7 metricsGenerating complete QuickSight dataset schema...Complete schema saved to: quicksight_schema_complete.jsonThis schema includes:  ✓ All 3 physical tables (MOVIES, USERS, RATINGS)  ✓ Logical tables with joins  ✓ Column renames based on DDL aliases  ✓ Type casts (IDs to STRING)  ✓ Calculated fields (USER_FULL_NAME, DISTINCT_MOVIES)  ✓ Column descriptions from DDL comments
复制代码

创建数据集（基于生成的架构）

**Expected Output**✓ Dataset created: movie-analytics-dataset✓ Status: 201✓ Ingestion started: ingestion-1769081615
复制代码

启动 SPICE：超快速并行内存计算引擎 数据摄取（加载数据）

"IngestionId": "ingestion-1769082493",        "IngestionStatus": "COMPLETED",        "ErrorInfo": {},        "RowInfo": {            "RowsIngested": 378436,            "RowsDropped": 0,            "TotalRowsInDataset": 378436
复制代码

共享数据集（给其他用户）- 可选步骤

数据集创建完成且数据摄取结束后，您可以进入 Amazon QuickSight 控制台查看数据集、创建 Q 主题、仪表板，甚至为您的团队生成 Movies 空间。

我们可以使用相同的已验证查询来生成仪表板

例如：显示评分最高的电影

popular movies

附录

附录 1：适用于希望在导入 Notebook 前，使用 SQL 工作表创建仓库和数据库的用户

• 或者，你也可以在工作表中复制并运行以下 SQL 语句，以创建 Snowflake 对象（仓库、数据库）。

一旦仓库和数据库创建完成，你就可以上传 Notebook 并执行引导式单元格，开始后续操作。

-- =============================================-- PART 1: Snowflake Setup for semantic view quick start-- =============================================USE ROLE ACCOUNTADMIN;-- Create role for semantic view quick startCREATE ROLE IF NOT EXISTS semantic_quick_start_roleCOMMENT = 'Role for semantic view quick start demo';-- Set variablesSET my_user = CURRENT_USER();    --Grant role to your user GRANT ROLE semantic_quick_start_role TO USER IDENTIFIER($my_user);    -- create database, schema and warehouseCREATE WAREHOUSE IF NOT EXISTS WORKSHOPWH WITH WAREHOUSE_SIZE = 'XSMALL' AUTO_SUSPEND = 1800 AUTO_RESUME = TRUE COMMENT = 'Warehouse for semantic view quick start demo';CREATE DATABASE IF NOT EXISTS movies;GRANT OWNERSHIP ON DATABASE movies TO ROLE semantic_quick_start_role COPY CURRENT GRANTS;GRANT OWNERSHIP ON SCHEMA movies.PUBLIC TO ROLE semantic_quick_start_role COPY CURRENT GRANTS;GRANT OWNERSHIP ON WAREHOUSE workshopwh TO ROLE semantic_quick_start_role COPY CURRENT GRANTS;-- Grant privileges to create semantic viewsGRANT CREATE SEMANTIC VIEW ON SCHEMA movies.PUBLIC TO ROLE semantic_quick_start_role;GRANT CREATE STAGE ON SCHEMA movies.PUBLIC TO ROLE semantic_quick_start_role;
复制代码

总结与资源

恭喜你完成本实验！你已成功利用 Snowflake 生成洞察，并掌握了其与 Amazon Quick Suite 的集成方法。

本课要点

  • 如何使用 Snowflake Cortex Analyst 分析数据；

  • 如何通过语义 SQL 定义包含表、关系、维度和指标的 Snowflake 语义视图；

  • Snowflake 与 Amazon Quick Suite 之间的集成方法。

相关资源

● GitHub 代码库链接

● 语义视图入门指南

● Cortex Analyst 快速入门指南

原文地址：https://www.snowflake.com/en/developers/guides/better-together-snowflake-sv-amazon-quicksight/

点击链接立即报名注册：Ascent - Snowflake Platform Training - China，更多 Snowflake 精彩活动请关注专区。

Copyright © 2026, Geekbang Technology Ltd. All rights reserved. 极客邦控股（北京）有限公司 | 京 ICP 备 16027448 号 - 5京公网安备京公网安备 11010502039052号 | 产品资质