{"allowedRenditionsWidth":["320","480","640","768","960","1200","1440","1920"],"cssClassNames":"blog-page page basicpage summit-page","canonicalLink":"https://www.snowflake.com/it/blog/snowflake-internal-context-layer-for-ai-agents/","robotsTags":["index","follow"],"language":"it","templateName":"blog-page","description":"Scopri le best practice per creare un livello semantico utilizzando le viste semantiche Snowflake. Migliora l’accuratezza dei dati e scala le prestazioni degli agenti AI in tutto il tuo stack.","title":"Creare un livello di contesto per agenti AI | Snowflake","analyticsPageType":"homepage","analyticsCategory":"general","analyticsSubCategory":"","excludeFromAnalytics":false,":path":"/content/snowflake-site/global/it/blog/snowflake-internal-context-layer-for-ai-agents",":hierarchyType":"page",":items":{"root":{"columnClassNames":{"experiencefragment-banner":"aem-GridColumn aem-GridColumn--default--12","experiencefragment-sub-header":"aem-GridColumn aem-GridColumn--default--12","experiencefragment-pre-footer":"aem-GridColumn aem-GridColumn--default--12","experiencefragment-header":"aem-GridColumn aem-GridColumn--default--12","markup_editor-table":"aem-GridColumn aem-GridColumn--default--12","responsivegrid":"aem-GridColumn aem-GridColumn--default--12","experiencefragment-footer":"aem-GridColumn aem-GridColumn--default--12","markup_editor":"aem-GridColumn aem-GridColumn--default--12","container_47873732":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","columnCount":12,":items":{"experiencefragment-banner":{"id":"experiencefragment-725a834219","localizedFragmentVariationPath":"/content/experience-fragments/snowflake-site/language-masters/en/site/pushdown-banner/pushdown-banner-blank/jcr:content","configured":true,":type":"snowflake-site/components/experiencefragment","xfModelPath":"/content/experience-fragments/snowflake-site/language-masters/en/site/pushdown-banner/pushdown-banner-blank.xfmodel.json"},"experiencefragment-header":{"id":"experiencefragment-2e38ae0317","localizedFragmentVariationPath":"/content/experience-fragments/snowflake-site/language-masters/it/site/mega-nav-header/master/jcr:content","configured":true,":type":"snowflake-site/components/experiencefragment","xfModelPath":"/content/experience-fragments/snowflake-site/language-masters/it/site/mega-nav-header/master.xfmodel.json","languageNavPath":"/content/snowflake-site/global/it/blog/snowflake-internal-context-layer-for-ai-agents.languagenav.json","appliedCssClassNames":"snowflake-sticky-nav-host"},"experiencefragment-sub-header":{"id":"experiencefragment-c1b4f73fcd","localizedFragmentVariationPath":"/content/experience-fragments/snowflake-site/language-masters/it/site/sub-navigation/master/jcr:content","configured":true,":type":"snowflake-site/components/experiencefragment","xfModelPath":"/content/experience-fragments/snowflake-site/language-masters/it/site/sub-navigation/master.xfmodel.json"},"responsivegrid":{"columnClassNames":{"container_breadcrumb":"aem-GridColumn aem-GridColumn--default--12","container_main_content":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","columnCount":12,":items":{"container_breadcrumb":{"columnClassNames":{"breadcrumb":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","layout":"RESPONSIVE_GRID","columnCount":12,"id":"blog-page-breadcrumb-indentation",":items":{"breadcrumb":{"id":"breadcrumb-325900a8d6","breadcrumbItems":[{"title":"Blog","path":"/it/blog/","active":false},{"title":"Prodotto e tecnologia","path":"/it/blog/product-and-technology/","active":false},{"title":"Creare un livello di contesto interno per gli agenti AI in Snowflake","path":"/it/blog/snowflake-internal-context-layer-for-ai-agents/","active":false}],":type":"snowflake-site/components/blog/breadcrumb"}},":itemsOrder":["breadcrumb"],"appliedCssClassNames":"snowflake-container",":type":"snowflake-site/components/container"},"container_main_content":{"columnClassNames":{"flexible_column_container":"aem-GridColumn aem-GridColumn--default--12","related_content":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","layout":"RESPONSIVE_GRID","columnCount":12,"id":"main-content",":items":{"flexible_column_container":{"id":"flexible-column-container-5a3940e416","propertiesId":"snowflake-blog-template-main-container","type":"2-column-60-40","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"none","bottomPadding":"none","spaceBetween":"none","reverseOnMobile":true,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-9414a87048",":items":{"container_hero":{"columnClassNames":{"blog_hero":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","layout":"RESPONSIVE_GRID","columnCount":12,"id":"container-1be83564f1",":items":{"blog_hero":{"id":"blog-hero-cc7dd7b7a8","showClaude":true,"showChatGpt":true,"image":{"id":"image-99f0a7ab3d","src":"https://www.snowflake.com/adobe/dynamicmedia/deliver/dm-aid--5bee734e-add5-4c21-ad1c-e6ca84c266ee/18-ai.png?quality=85&preferwebp=true","lazyEnabled":true,"height":"720","width":"1680","isLcpImage":false,":type":"snowflake-site/components/image"},"publicationDate":"AUG 17, 2026","timeToRead":"8","authors":[{"authorImage":{"id":"image-4af4cb4074","src":"https://www.snowflake.com/adobe/dynamicmedia/deliver/dm-aid--db167c3d-7d49-4abc-8edb-41510b90bac8/aniruth-narayanan.jpg?quality=85&preferwebp=true","lazyEnabled":true,"height":"1901","width":"1900","isLcpImage":false,":type":"snowflake-site/components/image"},"authorCta":{"id":"button-f0f913fe4f","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"/en/blog/authors/aniruth-narayanan/"},"linkTargetContentType":"DOCUMENT_LEARN","linkType":"SNOWFLAKE_INTERNAL",":type":"snowflake-site/components/button","text":"Aniruth Narayanan"}}],"tag":{"tagText":"Prodotto e tecnologia","tagColor":"#3F808A"},"title":{"lines":["Creare un livello di contesto interno per gli agenti AI in Snowflake"],"type":"heading2",":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/blog/blog-hero"}},":itemsOrder":["blog_hero"],":type":"snowflake-site/components/container"},"responsivegrid_content":{"columnClassNames":{"image":"aem-GridColumn aem-GridColumn--default--12","blog_text_780361790":"aem-GridColumn aem-GridColumn--default--12","blog_text_472101785":"aem-GridColumn aem-GridColumn--default--12","blog_text_1146053579":"aem-GridColumn aem-GridColumn--default--12","image_679668369":"aem-GridColumn aem-GridColumn--default--12","blog_text_1390016524":"aem-GridColumn aem-GridColumn--default--12","code_snippet_1451248663":"aem-GridColumn aem-GridColumn--default--12","blog_text_190091065":"aem-GridColumn aem-GridColumn--default--12","code_snippet":"aem-GridColumn aem-GridColumn--default--12","code_snippet_189871437":"aem-GridColumn aem-GridColumn--default--12","blog_text":"aem-GridColumn aem-GridColumn--default--12","image_1878868536":"aem-GridColumn aem-GridColumn--default--12","code_snippet_459763898":"aem-GridColumn aem-GridColumn--default--12","blog_text_2131723365":"aem-GridColumn aem-GridColumn--default--12","quote_item":"aem-GridColumn aem-GridColumn--default--12","blog_text_2124538559":"aem-GridColumn aem-GridColumn--default--12","blog_text_1132243723":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","columnCount":12,"appliedCssClassNames":"snowflake-layout-container-inner-padding-small",":items":{"blog_text":{"id":"blog-text-44675804b0","text":"\u003Cp\u003ELe aziende moderne raccolgono e gestiscono milioni di fonti dati e segnali in tutta la propria organizzazione. In Snowflake usiamo internamente Snowflake per monitorare su scala i nostri sistemi aziendali e la telemetria dei prodotti, attraverso ogni singola query, warehouse e click. Ma senza una comprensione condivisa, petabyte di dati grezzi diventano una fonte di risposte contrastanti, anziché una base solida per l’azione.\u003C/p\u003E\n\u003Cp\u003EPer sfruttare i nostri dati su scala sia per gli utenti umani sia per gli agenti AI, curiamo un livello semantico interno. In questo post spieghiamo come abbiamo creato il nostro livello di contesto utilizzando la semantica e le best practice che abbiamo appreso lungo il percorso.\u003C/p\u003E\n\u003Cp\u003E \u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/blog/blog-text"},"image":{"id":"image-02eb386069","alt":"fig 1","src":"https://www.snowflake.com/adobe/dynamicmedia/deliver/dm-aid--9d9f23c8-5e99-45a3-b6f6-59229ebed5f3/figure-1-building-internal-png.png?quality=85&preferwebp=true","lazyEnabled":true,"height":"1920","width":"3180","isLcpImage":true,":type":"snowflake-site/components/image"},"blog_text_2131723365":{"id":"blog-text-73668a4420","text":"\u003Cp\u003E\u003Csub\u003EFigura 1: L’ambiente interno di Snowflake utilizza un livello semantico per consentire a qualsiasi entità di interrogare dati coerenti e accurati.\u003C/sub\u003E\u003C/p\u003E\n\u003Ch2\u003EIl collo di bottiglia non sono mai stati i dati: era il contesto\u003C/h2\u003E\n\u003Cp\u003EL’immensa quantità di telemetria interna offre un potenziale straordinario, ma la stessa complessità di scala rende frustranti le modalità di errore. Prendiamo una domanda all’apparenza semplice come: “Che cos’è un cliente attivo?” Questa domanda potrebbe produrre risposte diverse a seconda della tabella e delle differenti definizioni delle metriche:\u003C/p\u003E\n\u003Cul\u003E\n\u003Cli\u003E\u003Cp\u003EAttivo è WHERE days_since_last_login < 30 dalla tabella login_counts\u003C/p\u003E\n\u003C/li\u003E\n\u003Cli\u003E\u003Cp\u003EAttivo è WHERE credits_consumed \u003E 0 and account_type != ‘TRIAL’ dalla tabella customers\u003C/p\u003E\n\u003C/li\u003E\n\u003Cli\u003E\u003Cp\u003EAttivo è COUNT(DISTINCT account_id) senza identificatore di regione dalla tabella customers_with_accounts\u003C/p\u003E\n\u003C/li\u003E\n\u003C/ul\u003E\n\u003Cp\u003EIn base ai nostri casi d’uso interni e a quanto riscontrato presso i clienti, l’onere di chiarire il significato dei dati ricade solitamente sui team di data science: Gli utenti progettano le query e le verificano con un data scientist di riferimento, che evidenzia errori e criticità.\u003C/p\u003E\n\u003Cp\u003EIl problema dell’allineamento peggiora in modo esponenziale con l’AI. Nuove metriche e fonti dati vengono create a una velocità incredibile, generando lacune informative persino per gli analisti più esperti. Se un Cortex Agent riporta un numero e una dashboard legacy ne mostra un altro, nessuno sa di quale fonte fidarsi.\u003C/p\u003E\n\u003Ch2\u003EUn’unica definizione per ogni interfaccia AI e BI\u003C/h2\u003E\n\u003Cp\u003EOgni interfaccia necessita di un significato coerente, ovvero di un contesto, per i propri dati: un obiettivo raggiungibile grazie a un livello semantico. Una vista semantica è un oggetto di livello superiore posizionato tra i consumatori a valle e le tabelle di dati grezzi, che traduce la logica aziendale governata in schemi fisici di database.\u003C/p\u003E\n\u003Cp\u003EAnziché esporre direttamente le tabelle grezze a dashboard o agenti AI, la vista semantica standardizza il flusso di dati dalle tabelle fisiche a fatti, dimensioni e metriche. In questo modo, persone e strumenti dispongono di un contesto coerente sul significato dei dati prima ancora di interrogarli.\u003C/p\u003E\n\u003Cp\u003E \u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/blog/blog-text"},"image_679668369":{"id":"image-3a69378897","alt":"fig 2","src":"https://www.snowflake.com/adobe/dynamicmedia/deliver/dm-aid--13ccc887-cfcf-4ec9-8689-5f36e1dd511a/figure-2-building-interna.png?quality=85&preferwebp=true","lazyEnabled":true,"height":"2000","width":"2400","isLcpImage":false,":type":"snowflake-site/components/image"},"blog_text_1146053579":{"id":"blog-text-65ceb7f730","text":"\u003Cp\u003E\u003Csub\u003EFigura 2: Le viste semantiche combinano nomi logici, metriche e metadati AI al di sopra delle tabelle fisiche per alimentare i consumi a valle.\u003C/sub\u003E\u003C/p\u003E\n\u003Cp\u003E \u003C/p\u003E\n\u003Cp\u003EGli agenti AI ottengono due vantaggi principali quando utilizzano le viste semantiche per interrogare dati su scala:\u003C/p\u003E\n\u003Cul\u003E\n\u003Cli\u003E\u003Cp\u003E\u003Cb\u003EEsecuzione più rapida:\u003C/b\u003E Gli agenti che interrogano dati grezzi perdono tempo a cercare, comprendere e campionare più fonti dati. Su larga scala, questi processi possono incidere pesantemente sul tempo di esecuzione. Utilizzando le viste semantiche, invece, gli agenti possono passare direttamente all’esecuzione SQL.\u003C/p\u003E\n\u003C/li\u003E\n\u003Cli\u003E\u003Cp\u003E\u003Cb\u003ECosti inferiori:\u003C/b\u003E Gli agenti utilizzano i token in modo molto più efficiente quando sfruttano le relazioni tra le tabelle e i dati di join presenti nelle viste semantiche. Grazie alla materializzazione, l’SQL semantico sfrutta in modo nativo i dati pre-aggregati, riducendo l’elaborazione ripetuta.\u003C/p\u003E\n\u003C/li\u003E\n\u003C/ul\u003E\n\u003Cp\u003ECon un’architettura dati orientata alla semantica, i vantaggi si moltiplicano rapidamente in tutto lo stack:\u003C/p\u003E\n\u003Cul\u003E\n\u003Cli\u003E\u003Cp\u003E\u003Cb\u003EMaggiore accuratezza: \u003C/b\u003Efornisce ai modelli un contesto aziendale preciso. Nei \u003Ca href=\"https://www.atscale.com/blog/enable-nat%20%20%20ural-language-prompting-with-semantic-l%20%20%20ayer-genai/\" target=\"_blank\" rel=\"nofollow noopener noreferrer\"\u003Etest di benchmark\u003C/a\u003E di AtScale, l’aggiunta del contesto semantico ha portato l’accuratezza text-to-SQL dal 20% a oltre il 90% su 40 domande aziendali basate su TPC-DS.\u003C/p\u003E\n\u003C/li\u003E\n\u003Cli\u003E\u003Cp\u003E\u003Cb\u003EUn’unica fonte di verità: \u003C/b\u003Esostituisci le semantiche isolate e specifiche dei singoli strumenti con un unico livello semantico.\u003C/p\u003E\n\u003C/li\u003E\n\u003Cli\u003E\u003Cp\u003E\u003Cb\u003EGovernance inclusa: \u003C/b\u003Esfrutta in modo nativo i controlli degli accessi di Snowflake sulle viste semantiche e sugli oggetti metrica.\u003C/p\u003E\n\u003C/li\u003E\n\u003Cli\u003E\u003Cp\u003E\u003Cb\u003EVero self-service: \u003C/b\u003Econsenti a qualsiasi utente di porre in autonomia domande ad hoc in linguaggio naturale.\u003C/p\u003E\n\u003C/li\u003E\n\u003C/ul\u003E\n","richText":true,":type":"snowflake-site/components/blog/blog-text"},"quote_item":{"id":"quote-item-da6eae8464","alignment":"left","layout":"card","quoteSourceName":"Zachary Blackwood","quoteSourceTitle":"Staff Data Scientist, Snowflake","showQuoteIcon":false,"quote":"\"Con le Semantic View otteniamo un golden layer, un'unica API affidabile per i nostri dati. Con le materializzazioni delle viste semantiche, questa API semantica è ora disponibile per tutti i consumer downstream, inclusi i casi d'uso in cui le prestazioni delle query sono critiche. Le query provenienti da dashboard, sistemi AI e workflow ad hoc possono ora essere eseguite attraverso la stessa API dati affidabile.\"\r\n\r\n","showHangingPunctuation":false,":type":"snowflake-site/components/quote-item"},"blog_text_1390016524":{"id":"blog-text-88b3324730","text":"\u003Cp\u003E \u003C/p\u003E\n\u003Cp\u003EIl team interno di product data science di Snowflake utilizza un agente che sfrutta il livello semantico interno per rispondere alle domande sui prodotti provenienti dall’intera azienda. Solo nel mese di luglio 2025, oltre 400 utenti interni distinti hanno eseguito più di 5400 query tramite l’agente di product data science e il livello semantico. Nello stesso arco temporale, oltre 5600 dipendenti interni, in tutti i team e agenti Snowflake, hanno eseguito più di 320.000 query utilizzando l’ampio livello semantico nei settori sales, HR, supporto e in altre aree.\u003C/p\u003E\n\u003Cp\u003E \u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/blog/blog-text"},"image_1878868536":{"id":"image-d0e3b8e5a3","alt":"fig 3","src":"https://www.snowflake.com/adobe/dynamicmedia/deliver/dm-aid--441614b6-5a21-414f-a168-f0d4c2f90b89/figure-3-building-interna.png?quality=85&preferwebp=true","lazyEnabled":true,"height":"1600","width":"3200","isLcpImage":false,":type":"snowflake-site/components/image"},"blog_text_190091065":{"id":"blog-text-5a0da043b3","text":"\u003Cp\u003E\u003Csub\u003EFigura 3: Con un livello semantico unificato, tutti gli strumenti e le interfacce ottengono un significato dei dati unico, coerente e governato.\u003C/sub\u003E\u003C/p\u003E\n\u003Ch2\u003EBest practice per il livello semantico\u003C/h2\u003E\n\u003Ch3\u003EGestire le versioni, testare e valutare le viste semantiche\u003C/h3\u003E\n\u003Cp\u003EIl livello semantico deve essere trattato con lo stesso rigore riservato al software di produzione. Grazie all’integrazione nativa di Snowflake con data build tool (dbt), siamo in grado di gestire in modo completo il controllo delle versioni, la peer review e le procedure di integrazione e distribuzione continue (CI/CD) per le nostre metriche. Sebbene in Snowflake sviluppiamo le viste semantiche principalmente tramite codice, utilizziamo l’interfaccia utente per effettuare test e suggerire miglioramenti che si integrano con il nostro codice. Poiché l’interfaccia utente e il codice sottostante sono perfettamente sincronizzati, gli utenti possono facilmente passare dalla creazione di una vista nell’interfaccia utente Snowflake al commit dei campi nei repository.\u003C/p\u003E\n\u003Cp\u003EPer valutare le viste semantiche, dovevamo accedere alle domande che le persone pongono concretamente. Una fonte di alto valore per le valutazioni è rappresentata dai riquadri delle dashboard più utilizzate, creati e usati proprio per rispondere a domande specifiche. Registriamo inoltre le domande più comuni per affinare i nostri set di valutazione.\u003C/p\u003E\n\u003Ch3\u003EPrioritizzare le prestazioni con il data engineering\u003C/h3\u003E\n\u003Cp\u003ESe il tuo livello semantico si basa su query lente e tabelle strutturate male, anche i tuoi agenti AI saranno lenti. All’inizio abbiamo provato a puntare una vista semantica verso più tabelle di eventi grezzi contenenti miliardi di righe. Ogni volta che un utente poneva una domanda, la vista scansionava ed eseguiva il join di queste tabelle, causando una latenza enorme.\u003C/p\u003E\n\u003Cp\u003EIn un primo momento, abbiamo creato e gestito direttamente i nostri slice pre-aggregati tramite le Dynamic Tables. Ogni dashboard disponeva del livello di aggregazione e del dettaglio necessari. Tuttavia, estendendo la copertura semantica per supportare nuove domande e domini, abbiamo dovuto aggiungere manualmente nuove pipeline e tabelle, trovandoci a gestire un patrimonio di dati in rapida crescita.\u003C/p\u003E\n\u003Cp\u003EGrazie alle \u003Ca rel=\"nofollow noopener noreferrer\" target=\"_blank\" href=\"https://docs.snowflake.com/en/user-guide/views-semantic/materializations\"\u003Ematerializzazioni delle viste semantiche\u003C/a\u003E, possiamo modellare le viste semantiche direttamente su tabelle sorgente ad alto dettaglio e definire quali combinazioni di dimensioni e metriche debbano garantire risposte rapide. Snowflake gestisce in background questi slice in modo intelligente, riducendo i tempi di risposta.\u003C/p\u003E\n\u003Cp\u003EInoltre, abbiamo utilizzato Snowflake CoCo per tracciare e perfezionare i nostri processi semantici e di dati, grazie alle sue funzionalità integrate per le viste semantiche progettate appositamente per questi casi d’uso.\u003C/p\u003E\n\u003Ch3\u003ECurare con precisione e instradare in modo intelligente\u003C/h3\u003E\n\u003Cp\u003EUn livello semantico disordinato e incoerente vanifica l’obiettivo di standardizzare le metriche. Per le aree di prodotto chiave su cui vengono eseguite frequenti query, curiamo le viste semantiche (tramite CoCo) per rispondere a quesiti specifici. Ogni query viene registrata all’interno di Snowflake, compresi i risultati restituiti. In questo modo, possiamo sviluppare facilmente nuove viste semantiche e query verificate per estendere continuamente la copertura in base alle richieste degli utenti.\u003C/p\u003E\n\u003Cp\u003EPer l’instradamento intelligente, i Cortex Agent scansionano automaticamente tutte le viste semantiche utilizzando le nostre istruzioni di instradamento personalizzate per individuare il contesto corretto per una determinata query. Infine, per un’ampia copertura della long tail dei dati, ci affidiamo a Cortex Sense, che valuta i dati in tutto il nostro ambiente per instradare le domande verso i set di dati pertinenti.\u003C/p\u003E\n\u003Ch2\u003ECrea oggi stesso il tuo livello semantico\u003C/h2\u003E\n\u003Cp\u003EI dati grezzi non rispondono alle domande: è il contesto a farlo. Il livello semantico agisce come un “golden layer”, definendo la logica aziendale un’unica volta per alimentare ogni dashboard, app Streamlit e Cortex Agent nell’azienda orientata agli agenti.\u003C/p\u003E\n\u003Cp\u003EÈ possibile iniziare a creare una vista semantica utile con un solo file. Nota: in questo esempio utilizziamo YAML, ma la definizione delle viste semantiche tramite SQL è pienamente supportata.\u003C/p\u003E\n\u003Cp\u003E \u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/blog/blog-text"},"code_snippet":{"id":"code-snippet-9cb92d73c5","codeSnippet":"name: account_activity_model\r\ntables:\r\n  - name: daily_account_usage\r\n    base_table:\r\n      database: core\r\n      schema: metrics\r\n      table: daily_account_usage\r\n\r\n    dimensions:\r\n      - name: region\r\n        expr: region\r\n        data_type: VARCHAR\r\n        description: \"The geographic region of the account.\"   # AI metadata\r\n        synonyms: [\"location\", \"geography\", \"area\"]                          # AI metadata\r\n\r\n    metrics:\r\n      - name: compute_spend\r\n        expr: SUM(credits_used)\r\n        description: \"The total number of Snowflake credits consumed.\"       # AI metadata\r\n        synonyms: [\"cost\", \"spend\", \"credits used\", \"usage\"]                 # AI metadata\r\n\r\nverified_queries:                                                            # AI metadata\r\n  - name: total_spend\r\n    question: \"What is the total compute spend?\"\r\n    use_as_onboarding_question: true\r\n    sql: |\r\n      SELECT\r\n        SUM(credits_used) AS compute_spend\r\n      FROM core.metrics.daily_account_usage\r\n      ORDER BY compute_spend DESC\r\n","multiLine":true,":type":"snowflake-site/components/code-snippet"},"blog_text_2124538559":{"id":"blog-text-4272d0514b","text":"\u003Cp\u003E \u003C/p\u003E\n\u003Cp\u003EOra è possibile interrogare direttamente la vista semantica tramite SQL standard, senza doversi preoccupare dei join sottostanti o dei nomi delle colonne grezze:\u003C/p\u003E\n\u003Cp\u003E \u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/blog/blog-text"},"code_snippet_459763898":{"id":"code-snippet-5f1e45ebc3","language":"sql","codeSnippet":"SELECT\r\n    region,\r\n    AGG(compute_spend) as compute_spend\r\nFROM account_activity_model\r\nGROUP BY region\r\nORDER BY compute_spend DESC;\r\n","multiLine":true,":type":"snowflake-site/components/code-snippet"},"blog_text_472101785":{"id":"blog-text-d91e70b344","text":"\u003Cp\u003E \u003C/p\u003E\n\u003Cp\u003EPer migliorare le prestazioni, possiamo anche materializzare questa vista semantica per pre-aggregare le metriche (compute_spend) lungo le dimensioni (region):\u003C/p\u003E\n\u003Cp\u003E \u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/blog/blog-text"},"code_snippet_1451248663":{"id":"code-snippet-21dca5faee","language":"sql","codeSnippet":"ALTER SEMANTIC VIEW account_activity_model SET MAX_STALENESS = '1 hour';\r\n\r\nALTER SEMANTIC VIEW account_activity_model \r\nADD MATERIALIZATION spend_by_region\r\nWAREHOUSE = semantic_wh\r\nAS \r\n  DIMENSIONS \r\n    region\r\n  METRICS \r\n    compute_spend;\r\n","multiLine":true,":type":"snowflake-site/components/code-snippet"},"blog_text_1132243723":{"id":"blog-text-e95927c84c","text":"\u003Cp\u003E \u003C/p\u003E\r\n\u003Cp\u003ELe viste semantiche Snowflake sono interoperabili anche con \u003Ca rel=\"nofollow noopener noreferrer\" target=\"_blank\" href=\"https://www.snowflake.com/it/blog/apache-ossie-open-semantic-interchange-incubator/\"\u003EApache Ossie™ (in incubazione)\u003C/a\u003E. Ossie è lo standard open neutrale rispetto ai vendor per i modelli semantici e di contesto aziendale. Ciò consente di utilizzare la propria semantica con lo strumento e la piattaforma che si preferisce. Anche se i modelli semantici sono archiviati altrove, è sempre possibile leggerli in Snowflake con una singola chiamata di funzione:\u003C/p\u003E\r\n\u003Cp\u003E \u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/blog/blog-text"},"code_snippet_189871437":{"id":"code-snippet-14dbda4044","language":"sql","codeSnippet":"SELECT SYSTEM$READ_OSSIE_YAML_FROM_SEMANTIC_VIEW('db.schema.account_activity');","multiLine":true,":type":"snowflake-site/components/code-snippet"},"blog_text_780361790":{"id":"blog-text-89178a0a13","text":"\u003Cp\u003E \u003C/p\u003E\n\u003Cp\u003ELa semantica costituisce la base condivisa per l’intero stack di AI e analisi dei dati. Inizia subito a creare un’unica fonte di verità governata \u003Ca href=\"https://docs.snowflake.com/en/user-guide/views-semantic/overview\" target=\"_blank\" rel=\"nofollow noopener noreferrer\"\u003Econ Snowflake\u003C/a\u003E e continua a seguirci: nel prossimo post analizzeremo casi reali di clienti che utilizzano la semantica in produzione.\u003C/p\u003E\n\u003Cp\u003E \u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/blog/blog-text"}},":itemsOrder":["blog_text","image","blog_text_2131723365","image_679668369","blog_text_1146053579","quote_item","blog_text_1390016524","image_1878868536","blog_text_190091065","code_snippet","blog_text_2124538559","code_snippet_459763898","blog_text_472101785","code_snippet_1451248663","blog_text_1132243723","code_snippet_189871437","blog_text_780361790"],":type":"wcm/foundation/components/responsivegrid"},"responsivegrid_premium_content_banner":{"columnClassNames":{},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","columnCount":12,"appliedCssClassNames":"snowflake-responsive-component-top-padding-medium",":items":{},":itemsOrder":[],":type":"wcm/foundation/components/responsivegrid"},"container_author_chip":{"columnClassNames":{"author_chip":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","layout":"RESPONSIVE_GRID","columnCount":12,"id":"container-636cd83a71",":items":{"author_chip":{"id":"author-chip-6ae0d233d0","title":{"id":"title","type":"heading2","lines":["Learn more about the authors"],":type":"snowflake-site/components/title-v2"},"authors":[{"authorImage":{"id":"image-4af4cb4074","src":"https://www.snowflake.com/adobe/dynamicmedia/deliver/dm-aid--db167c3d-7d49-4abc-8edb-41510b90bac8/aniruth-narayanan.jpg?quality=85&preferwebp=true","lazyEnabled":true,"height":"1901","width":"1900","isLcpImage":false,":type":"snowflake-site/components/image"},"authorCta":{"id":"button-f0f913fe4f","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"/en/blog/authors/aniruth-narayanan/"},"linkTargetContentType":"DOCUMENT_LEARN","linkType":"SNOWFLAKE_INTERNAL",":type":"snowflake-site/components/button","text":"Aniruth Narayanan"},"authorTitle":"Product Manager"}],":type":"snowflake-site/components/blog/author-chip"}},":itemsOrder":["author_chip"],"appliedCssClassNames":"snowflake-responsive-component-top-padding-medium",":type":"snowflake-site/components/container"},"container_share_article":{"columnClassNames":{"share_article":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","layout":"RESPONSIVE_GRID","columnCount":12,"id":"container-12d9a44a8c",":items":{"share_article":{"id":"share-article-a0fad2ac62","linkedInShareUrl":"https://www.linkedin.com/shareArticle?mini=true&url=https%3A%2F%2Fwww.snowflake.com%2Fcontent%2Fsnowflake-site%2Fglobal%2Fit%2Fblog%2Fsnowflake-internal-context-layer-for-ai-agents&title=Creare+un+livello+di+contesto+interno+per+gli+agenti+AI+in+Snowflake","twitterShareUrl":"https://x.com/intent/post?url=https%3A%2F%2Fwww.snowflake.com%2Fcontent%2Fsnowflake-site%2Fglobal%2Fit%2Fblog%2Fsnowflake-internal-context-layer-for-ai-agents&text=Creare+un+livello+di+contesto+interno+per+gli+agenti+AI+in+Snowflake","facebookShareUrl":"https://www.facebook.com/sharer/sharer.php?u=https%3A%2F%2Fwww.snowflake.com%2Fcontent%2Fsnowflake-site%2Fglobal%2Fit%2Fblog%2Fsnowflake-internal-context-layer-for-ai-agents",":type":"snowflake-site/components/blog/share-article"}},":itemsOrder":["share_article"],"appliedCssClassNames":"snowflake-responsive-component-top-padding-small",":type":"snowflake-site/components/container"}},":itemsOrder":["container_hero","responsivegrid_content","responsivegrid_premium_content_banner","container_author_chip","container_share_article"],":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container"},"flexible_column_content_container_2":{"layout":"SIMPLE","id":"container-b033844ef5",":items":{"blog_table_of_content":{"id":"blog-table-of-content-e0c92cbb63","tableOfContents":[],":type":"snowflake-site/components/blog/blog-table-of-content"}},":itemsOrder":["blog_table_of_content"],":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container"},"isBlogPage":true,":type":"snowflake-site/components/flexible-column-container","isActiveTOC":false},"related_content":{"id":"related-content-5b58bc3a32","relatedContent":[],"isBlogPage":true,":type":"snowflake-site/components/blog/related-content"}},":itemsOrder":["flexible_column_container","related_content"],"appliedCssClassNames":"snowflake-container",":type":"snowflake-site/components/container"}},":itemsOrder":["container_breadcrumb","container_main_content"],":type":"wcm/foundation/components/responsivegrid"},"container_47873732":{"additionalClasses":"section--blog-newsletter","columnClassNames":{"flexible_column_cont":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","layout":"RESPONSIVE_GRID","columnCount":12,"id":"container-4313d6216e",":items":{"flexible_column_cont":{"id":"flexible-column-container-c0be9a0d6d","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"small","bottomPadding":"none","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"propertiesCSSClasses":"section--blog-newsletter","backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-9831af5992",":items":{"marketo_v2":{"id":"marketo-v2-7be41b74c0","marketoForm":{"edit":false,"formId":"3320","successUrl":null,"hidden":null,"script":null,"values":null},"title":{"id":"title","type":"heading3","lines":["Subscribe to our blog newsletter","Get the best, coolest and latest delivered to your inbox each week"],":type":"snowflake-site/components/title-v2"},"munchkinId":"252-RFO-227","serverInstance":"252-RFO-227.mktoweb.com","partnerCampaignPage":false,"formConfigured":true,"marketoConfigured":true,":type":"snowflake-site/components/form/marketo-v2"},"text":{"id":"text-ff675c3fdf","additionalClasses":"newsletter-disclaimer","text":"\u003Cp\u003EBy submitting this form, I understand Snowflake will process my personal information in accordance with their Privacy Notice.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text"}},":itemsOrder":["marketo_v2","text"],":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container"},"isBlogPage":true,":type":"snowflake-site/components/flexible-column-container","isActiveTOC":false}},":itemsOrder":["flexible_column_cont"],"appliedCssClassNames":"snowflake-container",":type":"snowflake-site/components/container"},"experiencefragment-pre-footer":{"id":"experiencefragment-89574f4b75","localizedFragmentVariationPath":"/content/experience-fragments/snowflake-site/language-masters/it/site/get-started-pre-footer/get-started-pre-footer/jcr:content","configured":true,":type":"snowflake-site/components/experiencefragment","xfModelPath":"/content/experience-fragments/snowflake-site/language-masters/it/site/get-started-pre-footer/get-started-pre-footer.xfmodel.json"},"markup_editor":{"id":"markup-editor-6d1a81a5bf","title":"Page CSS","cssContent":"@media screen and (min-width:768px){.snowflake-blog-author-chip-wrapper{justify-content:flex-start}.snowflake-blog-related-content-on-blog-page{max-width:1408px;margin-left:auto;margin-right:auto}.snowflake-text{font-family:Lato,sans-serif;font-weight:400;font-size:16px;line-height:24px}}.section--blog-newsletter{max-width:none;width:100%;padding-left:0;padding-right:0;margin-left:0;margin-right:0;margin-bottom:0}.section--blog-newsletter .mktoField{background-color:transparent !important}.section--blog-newsletter\u003E.container{padding-left:0;padding-right:0}@media screen and (min-width:768px){.section--blog-newsletter\u003E.container{padding-left:0;padding-right:0}}.newsletter-disclaimer p{font-size:14px !important}.section--blog-newsletter .snowflake-marketo-form-container{margin-bottom:24px;background-color:#f6f9fa;gap:48px;box-shadow:none}.section--blog-newsletter .snowflake-title p.snowflake-title-line:first-child{font-family:Texta;font-size:24px;line-height:26px;font-weight:700;margin-bottom:4px}.section--blog-newsletter .snowflake-title p.snowflake-title-line{text-transform:none;font-family:\"Lato\",sans-serif;font-size:16px;line-height:24px;font-weight:normal}@media screen and (min-width:1024px){.section--blog-newsletter .snowflake-marketo-form-container{display:flex;justify-content:center}.section--blog-newsletter .snowflake-title .snowflake-title-line{text-align:left}.section--blog-newsletter .snowflake-marketo-form .mktoFormRow:has(\u003E input[type=\"hidden\"]){flex-grow:0}.section--blog-newsletter .snowflake-marketo-form{display:flex;width:50% !important}.section--blog-newsletter .snowflake-marketo-form .mktoButtonRow{flex-grow:0;width:auto !important;margin-left:0;margin-right:0}.section--blog-newsletter .snowflake-marketo-form .mktoFormRow{flex-grow:1}.section--blog-newsletter\u003E.container{padding-left:0;padding-right:0}.section--blog-newsletter .snowflake-marketo-form-title{width:50%;margin-bottom:0 !important}.section--blog-newsletter .center .snowflake-title{align-items:flex-start}}.snowflake-sub-navigation a.snowflake-sub-navigation-primary-link{width:auto !important}.snowflake-blog-hero{align-items:stretch !important}","isGSAPEnabled":false,":type":"snowflake-site/components/markup-editor"},"markup_editor-table":{"id":"markup-editor-5ad388902b","title":"Table Styling CSS","cssContent":"#snowflake-blog-template-main-container table{width:100%;background-color:var(--ui-background-01);border-collapse:collapse;border:2px solid var(--ui-background-09);font-family:'Lato',sans-serif;color:var(--ui-background-09)}#snowflake-blog-template-main-container table thead{background-color:var(--ui-01)}#snowflake-blog-template-main-container table th,#snowflake-blog-template-main-container table td{border:2px solid var(--ui-background-09);padding:var(--spacing-01)}","isGSAPEnabled":false,":type":"snowflake-site/components/markup-editor"},"experiencefragment-footer":{"id":"experiencefragment-b90ebc8982","localizedFragmentVariationPath":"/content/experience-fragments/snowflake-site/language-masters/it/site/footer/master/jcr:content","configured":true,":type":"snowflake-site/components/experiencefragment","xfModelPath":"/content/experience-fragments/snowflake-site/language-masters/it/site/footer/master.xfmodel.json"}},":itemsOrder":["experiencefragment-banner","experiencefragment-header","experiencefragment-sub-header","responsivegrid","container_47873732","experiencefragment-pre-footer","markup_editor","markup_editor-table","experiencefragment-footer"],":type":"wcm/foundation/components/responsivegrid"}},":itemsOrder":["root"],"analyticsDebugMode":false,"analyticsData":{"excludeFromAnalytics":false,"subCategory":"","pageType":"homepage","templateName":"blog-page","siteName":"snowflake","pageUrl":"/content/snowflake-site/global/it/blog/snowflake-internal-context-layer-for-ai-agents","language":"it","category":"general","pageName":"Creare un livello di contesto interno per gli agenti AI in Snowflake","contentTags":["snowflake-site:taxonomy/blog/product-and-technology","snowflake-site:taxonomy/blog/product-and-technology/ai-ml"]},":mappedPath":"/it/blog/snowflake-internal-context-layer-for-ai-agents/",":type":"snowflake-site/components/structure/page","coveoConfig":{"pipeline":"snowflake.com","apiKey":"xx335921a6-2a0a-40f2-a167-e390b4766c3d","organizationId":"snowflakecomputingproduction8neljofn","searchHub":"snowflake.com"},"analyticsContentTags":["snowflake-site:taxonomy/blog/product-and-technology","snowflake-site:taxonomy/blog/product-and-technology/ai-ml"],"locale":"it","isPasswordProtected":false,"analyticsEnabled":true}