☁️AWS Machine Learning Blog•最新收集於 22m
將舊版 Topics 遷移至 Amazon QuickSight 語義數據集
💡學習如何集中化業務邏輯，以實現更強大且易於維護的數據分析。
⚡ 30-Second TL;DR
有什麼變化
理解數據集豐富化概念
為什麼重要
透過將業務邏輯集中在數據集層而非呈現層，提升了數據治理與一致性。
下一步行動
檢視您現有的 QuickSight Topics，並識別哪些業務邏輯可以遷移至語義數據集層。
誰應關注：Developers & AI Engineers
關鍵要點
- •理解數據集豐富化概念
- •比較舊版 Topics 與語義數據集的差異
- •遵循三種具體的遷移場景
🧠 深度解析
AI-generated analysis for this event.
🔑 增強重點摘要
- •Amazon QuickSight 語義數據集（Semantic Datasets）透過將業務邏輯封裝在數據層，實現了「一次定義，多處使用」的架構，解決了舊版 Topics 在跨儀表板維護時的重複配置問題。
- •遷移過程利用了 QuickSight 的 API 或控制台工具，將原本綁定於特定 Topic 的計算欄位（Calculated Fields）與層次結構（Hierarchies）轉換為數據集層級的元數據。
- •語義數據集支援更複雜的數據建模，包括定義數據之間的關聯性（Relationships）與預設聚合方式，這在舊版 Topics 中通常需要透過複雜的查詢語句實現。
- •遷移至語義數據集後，使用者可利用 QuickSight Q 的自然語言查詢功能，直接存取經過語義豐富化的數據，提升了自助式分析的準確度與一致性。
- •此遷移策略是 AWS 推動「數據即產品」（Data as a Product）架構的一部分，旨在降低數據工程師與業務分析師之間的溝通成本。
📊 競品分析▸ Show
| 特性 | Amazon QuickSight (語義層) | Microsoft Power BI (Semantic Models) | Tableau (Data Server/Model) |
|---|---|---|---|
| 核心架構 | 雲原生語義數據集 | Power BI Datasets / Fabric | Tableau Data Model |
| 整合性 | AWS 生態系深度整合 | Microsoft 365 / Azure 生態 | Salesforce 生態系 |
| 語義定義 | 數據集層級定義 | DAX 語言與模型定義 | 關係模型與計算欄位 |
| 定價模式 | 按使用量/讀者計費 | 按使用者/容量計費 | 按使用者/角色計費 |
🛠️ 技術深入
- 語義數據集架構：將數據邏輯從視覺化層（Visual Layer）解耦，透過 SPICE 引擎進行預計算與快取。
- 遷移機制：透過 QuickSight API 的 UpdateDataSet 操作，將舊有的 Topic 定義映射至新的數據集 Schema。
- 關聯模型：支援星狀架構（Star Schema）與雪花架構（Snowflake Schema），並允許定義多對多關係。
- 權限管理：支援列級安全性（Row-level Security, RLS）與欄級安全性（Column-level Security, CLS），確保語義層定義的安全性繼承至所有下游儀表板。
🔮 前景展望AI analysis grounded in cited sources
QuickSight 將全面淘汰舊版 Topics 功能。
隨著語義數據集功能的成熟，AWS 傾向於將所有自然語言查詢與數據建模需求整合至單一數據集架構中以簡化維護。
生成式 AI 將自動化語義數據集的建模過程。
AWS 正積極將 Bedrock 模型整合至 QuickSight，未來數據集定義將能透過自然語言描述自動生成。
⏳ 時間線
2020-11
Amazon QuickSight Q 發布，引入自然語言查詢功能。
2022-12
AWS 推出 QuickSight 數據集層級的語義建模功能。
2024-05
AWS 強化 QuickSight 語義層，支援更複雜的計算與數據關聯。
2026-01
AWS 發布官方遷移指南，正式推動舊版 Topics 向語義數據集轉型。
📰
AI 週報
閱讀本週精選 AI 大事摘要 →
👉相關動態
AI 策展新聞聚合。所有內容版權歸原始發布者所有。
原始來源： AWS Machine Learning Blog ↗