AWS聯手史丹福：QuickSight助學生搞科研，仲有AI添！

zero comment

亞馬遜 QuickSight 與斯坦福 SHTEM 實習計劃合作，賦能學生於生成式 AI 和研究領域
作者：Julia Bernstein，發佈於2025年2月17日

成立於2019年的斯坦福大學 SHTEM（科學、人文、技術、工程和數學）計劃，由斯坦福壓縮論壇創立，是一個旨在為來自不同背景的高中生和社區學院學生提供早期接觸機會的夏季計劃，讓他們進行跨學科的合作和研究。今年，學生們的研究主題涵蓋了從脈衝星檢測到減少電路功率損失等各個方面。該計劃的一個主要目標是打破進入 SHTEM 相關領域的障礙，特別是針對少數族裔學生。

2024年夏季的展示日
今年夏天，亞馬遜 QuickSight 與斯坦福工程教授及 SHTEM 計劃創始人之一的 Tsachy (Itschak) Weissman 合作，將生成式 AI 和數據可視化的學習融入該計劃，並向學生介紹亞馬遜 QuickSight 和 Amazon Q。這項合作的目標有兩個：一是使學生研究人員在夏季結束前獲得有價值的數據分析和可視化技能，二是激發他們對生成式 AI 潛力的熱情。

在這篇文章中，我們將聽取四位學生和導師對他們在斯坦福 SHTEM 實習期間使用亞馬遜 QuickSight 的經歷分享。

大衛的經歷
大衛·何塞·弗洛雷斯·羅德里格斯是 SHTEM 計劃的導師和協調員，他談到了作為導師和協調員的經歷，同時也學習了亞馬遜 QuickSight 中 Amazon Q 的強大功能。他的團隊選擇了一個計算機視覺項目，專注於從圖像中檢測和分割槍支，以應對全國的槍支暴力問題。通過將訓練數據輸入亞馬遜 QuickSight，他的學生能夠從數據中獲得洞察，這使他們能夠確定哪些模型最適合他們的項目。

大衛決定加入 SHTEM 作為導師和協調員，因為他發現該計劃“尋找那些特別有動力的學生，並幫助他們填補公立學校系統提供的教育和他們在大學成功所需之間的差距。”他對 QuickSight 的初學者友好功能表示感謝，包括其低代碼、無代碼的數據分析選項，這為他團隊的核心研究節省了時間。大衛表示：“我本來需要教他們繪圖庫和一些數據分析及調試的知識，但有了 QuickSight，我們可以跳過這些，這真的很不錯。”他相信，使用 QuickSight，缺乏技術專業知識的學生能夠快速專注於他們的項目，因為該工具提供了可訪問的數據分析能力。

庫希的觀點
高中生庫希·烏帕迪亞參加了今年的 SHTEM 計劃。她的團隊的研究項目專注於脈衝星，即發出電磁波束的死去或爆炸的星體的殘骸。他們的研究目標包括：

1. 分析綠銀行望遠鏡收集的數據，試圖發現新的脈衝星。
2. 使脈衝星數據對非專家更易於理解，從而提高對脈衝星的整體認識。
3. 開發一種機器學習算法來分類圖表，判斷其是否代表脈衝星。
4. 分析已發現的脈衝星數據，尋找之前未顯現的新模式或趨勢，使用來自澳大利亞望遠鏡國家設施 (ATNF) 目錄的所有已知脈衝星數據。

起初，庫希不確定她的團隊是否能有效使用 QuickSight 來分析科學數據，因為她以前見過它主要用於商業和銷售分析。然而，她“興奮地發現 QuickSight 與數據的兼容性是如此無縫，且其使用案例範圍廣泛。”

庫希的創造力在她闡述學習使用 QuickSight 的經歷時熠熠生輝。她解釋說，學習過程本身幾乎和製作儀表板一樣有趣，因為她能夠通過實踐來探索這個工具。除了參加 QuickSight 的作者課程（第一部分和第二部分）外，她還利用了 DemoCentral 等有用工具，這是一個用戶可以通過示例儀表板探索 QuickSight 功能的平台，以及 QuickSight 社區，這是一個 QuickSight 用戶可以提問、回答問題、訪問學習資源和了解活動的在線資源。庫希還從 QuickSight Arena Gallery 獲得靈感，解釋道：“通過查看其他人正在做什麼，以及他們在儀表板中構建了哪些功能，我能夠獲得很多關於我自己儀表板的想法。”

脈衝星特徵分析 QuickSight 儀表板
庫希的團隊能夠對所有約 3000 顆已知脈衝星進行深入數據分析，包括超過 60 個天文參數和 15 個以上的計算字段。這次分析非常成功，他們的團隊成功構建了超過 20 個主要脈衝星特徵之間的可視化和圖表，識別出有意義的趨勢、模式和關鍵異常。使用 Amazon Q 在 QuickSight 中精煉可視化的能力對於創建複雜科學數據的詳細表示和製作美觀的儀表板來說是一個重大突破。舉個例子，能夠繪製對數圖形非常重要，因為這對顯示某些關係至關重要，並且可以變更軸步長。

脈衝星表面磁場 QuickSight 儀表板
她的團隊在今年的研究項目中大量使用了 Amazon Q。她對 QuickSight 中 Amazon Q 的生成式 AI 能力印象深刻，特別是能夠使用自然語言詢問數據並在幾分鐘內識別洞察。她表示，QuickSight“在可用性和功能性方面超出了我的預期，因為它提供了一個強大而直觀的解決方案，真正發揮數據的力量。”

脈衝星年齡 QuickSight 儀表板
通過使用 QuickSight，庫希和她的團隊能夠加快朝向兩個主要學習目標的進展。首先，使用儀表板使她的團隊能夠深入理解脈衝星及其指標。其次，通過使用 QuickSight 的數據故事講述能力，她的團隊吸引了用戶，提供了無縫的用戶數據互動，實現了使脈衝星數據和洞察更易於探索和理解的目標。對於他們的團隊而言，給用戶提供更多方式來發現和探索脈衝星數據，同時保持用戶體驗的簡單直觀是首要任務。

艾莉對 QuickSight 的擁抱
艾莉·漢是 SHTEM 計劃的一名高中生，她與庫希合作分析數據，以發現和分類脈衝星，使用 QuickSight 獲得關鍵洞察。艾莉解釋說：“QuickSight 非常有效地幫助我們可視化數據。”

通過互動式儀表板和圖表，她的團隊能夠更有效地可視化和分析脈衝星數據。艾莉的團隊創建了散點圖，以比較色散測量（DM）——地球與脈衝星之間的氣體量——與脈衝星的頻率和位置。通過檢查這些關係，艾莉和她的團隊能夠估計脈衝星的距離，並確定信號是否可能來自真正的脈衝星。較高的 DM 值表明脈衝星距離較遠，頻率和 DM 的比較有助於區分真實脈衝星信號和其他空間現象。這種可視化方法使艾莉能夠快速理解複雜的脈衝星數據，提高了她識別這些獨特天體的能力。

儘管艾莉在導航 QuickSight 功能方面面臨了一些初步挑戰，但在項目導師和在線資源的幫助下，她迅速掌握了使用技巧，例如 QuickSight 作者課程和瀏覽亞馬遜 QuickSight 網站。

雖然時間限制使她無法充分探索 QuickSight 的 AI 和 ML 能力，但艾莉對該平台加速數據驅動發現的潛力印象深刻。她表示：“我不知道 AI 在研究中有多麼重要，這讓我感到驚訝。”

作為下一步，艾莉正在獨立進行研究，涉及通過脈衝星檢測引力波，將研究從尋找脈衝星提升到使用它們來尋找引力波。她還有興趣參加更多亞馬遜網絡服務（AWS）課程並獲得認證。總體而言，艾莉的經歷展示了數據可視化和分析工具在賦能學生解決複雜研究挑戰中的強大作用。

曼雅的見解
曼雅·辛格拉申請 SHTEM 實習是因為她希望獲得研究經驗。在去年的團隊中，曼雅的目標是確定將寬帶隙半導體納入電路是否能減少功率損失。寬帶隙材料在高電壓或高溫環境下仍能保持效率。曼雅和她的團隊決定使用 QuickSight 來幫助講述他們的研究數據故事。

由於她對亞馬遜 QuickSight 是新手，曼雅花時間試驗各種不同的功能，包括 QuickSight 中的 Amazon Q。她發現，在 QuickSight 中玩弄數據幫助她更加深入地理解團隊的研究。例如，她解釋說，QuickSight 使她能夠輕鬆查看一致的溫度對電路不同屬性的影響，通過切換速度和功率損失的變量。當她撰寫最終報告時，曼雅在 QuickSight 中的經驗使她能夠以更深入的見解來進行分析。

曼雅發現 QuickSight 的另一個重要方面是它能夠處理他們正在處理的大型數據集，這得益於亞馬遜 QuickSight 使用的超快速並行內存計算引擎（SPICE）。這一強大的內存引擎設計用於快速執行高級計算並提供數據。使用 SPICE，曼雅的團隊能夠更快地專注於數據實驗。

曼雅使用 QuickSight 視覺化研究變量之間的關係
曼雅認為 SHTEM 是一個非常有價值的學習經驗。她解釋說：“在最終產品方面，對確保一切完美的壓力可能會有點大，因為最終結果是人們閱讀的重點和焦點，但在 SHTEM 這樣的實習中，他們的教育價值真的很高，因為你的教授和導師會鼓勵你展示你在實際產出中的學習過程。”通過使用亞馬遜 QuickSight，曼雅了解了數據可視化清晰度和簡單性的重要性。她認識到，以有意義的方式展示數據至關重要，因為這“增加了她研究的影響力”。

賦能下一代研究人員
亞馬遜 QuickSight 與斯坦福 SHTEM 計劃的合作使一群多元化的學生研究人員得以探索數據可視化、分析和生成式 AI 的力量。威斯曼教授強調了該計劃的目標和成果：“通過將亞馬遜 QuickSight 融入 SHTEM 計劃，我們旨在賦能學生使用先進的數據可視化和生成式 AI 工具。直觀的 QuickSight 功能使他們能夠在項目中發現有意義的洞察，並有效地傳達他們的發現，同時獲得對這些技術轉型潛力的工作認識和欣賞。”

該計劃不僅為參與者提供了最先進的工具，還激發了他們對這些技術在各學科研究中變革潛力的熱情。通過提供 QuickSight 的實踐經驗，這項實習幫助培養了下一代基於數據的問題解決者和創新者，為他們在未來的學術和職業生涯中解決複雜挑戰做好準備。

致謝
衷心感謝斯坦福 SHTEM 實習團隊，特別是威斯曼教授及計劃協調員大衛·何塞·弗洛雷斯·羅德里格斯、薇薇安·陳、蘇珊·瑪麗·西姆斯和盧克雷西亞·金-博斯威爾。他們的努力確保了亞馬遜 QuickSight 的無縫整合。特別感謝大衛·何塞·弗洛雷斯·羅德里格斯、庫希·烏帕迪亞、艾莉·漢和曼雅·辛格拉分享對 QuickSight 使用的寶貴見解。最後，感謝吉爾·弗洛朗特啟動了與斯坦福的這一合作並在其實施中發揮了重要作用。

關於作者
Julia Bernstein 是亞馬遜 QuickSight 的計劃經理，這是一項以雲為中心的全託管商業智能服務，並且是亞馬遜 QuickSight 社區的開發人員聯絡人。

—

這篇文章展示了亞馬遜 QuickSight 如何在教育中發揮重要作用，尤其是在促進學生的數據分析和可視化技能方面。這不僅是對工具的介紹，更是對未來科技人才培養的關注。透過這樣的實習計劃，學生們不僅學會了使用先進的技術，還能將其應用於真正的研究問題，這對於他們未來的學術和職業生涯都是一種積極的推動。隨著生成式 AI 和數據分析技術的快速發展，這些經驗將為他們在科技領域的競爭力奠定基礎。

以上文章由特價GPT API KEY所翻譯及撰寫。而圖片則由FLUX根據內容自動生成。