
Traditionnellement, le développement et le déploiement de modèles dans un pipeline de machine learning reposaient sur des processus lents et manuels, imposant aux data scientists de fastidieux cycles de dépannage. Aujourd’hui, Snowflake transforme les méthodes de travail des équipes en proposant le ML agentique via CoCo (disponible pour tous nos clients), l’agent de codage IA de Snowflake. Les équipes de data science peuvent utiliser CoCo pour automatiser le développement de solutions de ML prêtes pour la production à partir de prompts en langage naturel, sur la même plateforme que leurs données gouvernées.

De nombreux clients exploitent déjà la puissance du ML agentique pour accélérer leurs workflows de production dans Snowflake ML. C’est notamment le cas de First National Bank of Omaha, un groupe holding présent dans plusieurs États, qui gère 35 milliards de dollars US d’actifs et emploie plus de 4 500 personnes.
« À la First National Bank of Omaha, nous utilisons Cortex Code pour automatiser le développement de modèles de machine learning destinés aux prévisions et à la détection d’anomalies dans les données de notre centre de contact. Comme nous n’avons plus à passer constamment d’un outil à l’autre et que Cortex Code comprend parfaitement nos données et nos droits d’accès, notre productivité a été multipliée par dix et nos workflows sont nettement plus efficaces. »
Arun Swarnabadran
Director of Data Engineering, First National Bank of Omaha
Le ML agentique démocratise l’accès au machine learning dans toute l’entreprise. Chez Kargo, une plateforme de performance créative qui réinvente l’achat média moderne, les équipes non techniques utilisent CoCo pour explorer les concepts de ML, ce qui renforce leur collaboration avec les équipes de data science.
« Chez Kargo, l’équipe chargée de la stratégie Marketplace utilise Cortex Code pour tester de nouvelles idées et en définir le périmètre, avant que l’équipe data science ne les développe et ne les analyse. Cortex Code rend la data science accessible à tous dans l’entreprise : il suffit de s’exprimer en langage courant pour exploiter des modèles de machine learning et tirer des enseignements des données. »
Kyle Green
VP of Marketplace Strategy, Kargo
Workflows de ML agentique avec CoCo
Le ML agentique automatise les tâches fastidieuses pour produire des insights plus fiables et permettre aux équipes de se concentrer sur les initiatives à plus fort impact. CoCo propose un large éventail de compétences propres au ML pour simplifier la conception, la mise en œuvre et l’optimisation de workflows de bout en bout dans Snowflake ML. Qu’il s’agisse d’entraînement de modèles, de déploiement pour l’inférence, d’entraînement distribué, de réglage des hyperparamètres ou de suivi des performances, CoCo accélère intelligemment une ou plusieurs étapes du cycle de vie du ML en activant les compétences spécialisées adaptées.
Les équipes de data science peuvent rapidement créer des pipelines de ML complets et de haute qualité. CoCo mobilise ses capacités agentiques pour planifier, raisonner et sélectionner la technique optimale à chaque étape du développement et de l’inférence. Au lieu de perdre du temps à parcourir la documentation, à corriger des erreurs ou à assembler des API, vous pouvez mettre à profit votre expertise métier et votre intuition pour affiner les modèles et dégager des insights.
Le feature engineering illustre parfaitement les gains de productivité générés par le ML agentique. Auparavant, évaluer l’importance des fonctionnalités et identifier de nouvelles recommandations en la matière constituait des tâches manuelles et chronophages. Dans cette vidéo de démo, découvrez comme il est simple d’utiliser quelques prompts en langage naturel dans CoCo pour itérer rapidement sur un prototype de modèle d’attrition, évaluer l’importance des fonctionnalités selon les types de modèles, éliminer les redondances ou les faiblesses et repérer précisément les lacunes du modèle afin de proposer de nouvelles idées.

À mesure que Snowflake ML innove, CoCo évolue pour intégrer de nouvelles fonctionnalités et optimisations. Vous n’avez donc plus à vous soucier de la complexité de l’entraînement distribué, de l’orchestration basée sur des DAG ou de l’inférence multimodale. Résultat : des gains de productivité significatifs, des itérations plus rapides et un passage accéléré de l’idée à l’impact.
En coulisses, CoCo s’appuie sur la plateforme entièrement intégrée de Snowflake ML pour faire évoluer les workloads de façon fluide sur les CPU et les GPU, grâce à des optimisations intégrées. À la clé, des gains de performance majeurs, notamment un entraînement jusqu’à 3 à 7 fois plus rapide qu’avec les bibliothèques open source et une latence d’inférence des modèles XGBoost jusqu’à 10 fois plus faible que chez les fournisseurs de cloud hérité.
Premiers pas
Vous pouvez facilement intégrer la création de pipelines de ML agentique dans Snowflake à vos workflows existants, quel que soit votre environnement de travail préféré. CoCo est directement accessible dans l’interface Snowflake Snowsight (disponible pour tous nos clients), ainsi que dans n’importe quel terminal ou éditeur de code, comme VS Code ou Cursor, via la CLI (disponible pour tous nos clients).
Dans Snowsight, CoCo fournit des solutions validées sous forme de pipelines de ML entièrement fonctionnels, directement exécutables depuis un notebook Snowflake dans Workspaces. Les Snowflake Notebooks s’exécutent dans un environnement basé sur Jupyter et doté de Container Runtime, spécialement conçu pour les workflows de production IA/ML à grande échelle.
La CLI CoCo permet aux développeurs d’accélérer leurs transformations, d’optimiser les workflows d’orchestration et de déboguer directement depuis le terminal avec tout le contexte nécessaire.
Pour commencer dès aujourd’hui à créer des pipelines de ML agentique avec CoCo, testez ce guide de démarrage rapide consacré à la détection des fraudes en temps réel avec CoCo, dans la CLI ou Snowsight depuis l’essai gratuit. Consultez également le guide des bonnes pratiques pour découvrir des exemples techniques.



