Von Daten zu prädiktiven Einblicken: Automatisierung mit Agentic ML in Snowflake

Die Entwicklung und das Verschieben von Modellen über die Pipeline für maschinelles Lernen (ML) erfolgt in der Regel langsam und manuell und zwingt Data Scientists zu mühsamen Fehlerbehebungszyklen. Snowflake verändert nun die Arbeitsweise von Teams, indem es agentisches ML durch Cortex Code (allgemein verfügbar), den KI-Programmieragenten von Snowflake, einführt. Data-Science-Teams können Cortex Code verwenden, um die Entwicklung produktionsreifer ML-Lösungen aus Prompts in natürlicher Sprache auf derselben Plattform wie ihre kontrollierten Daten zu automatisieren.

Viele Kunden nutzen bereits die Leistungsfähigkeit von agentischem ML, um die Produktionsabläufe in Snowflake ML zu beschleunigen, darunter auch die First National Bank of Omaha, eine Multi-State-Holding mit einem Vermögen von 35 Milliarden US-Dollar und mehr als 4.500 Mitarbeitern.

Agentic ML weitet den Zugang zu maschinellem Lernen im gesamten Unternehmen aus. Bei Kargo, einer kreativen Performance-Plattform, die den Einkauf moderner Medien neu gestaltet, nutzen Teams ohne technische Vorkenntnisse Cortex Code, um ML-Konzepte zu erkunden und so eine engere Zusammenarbeit mit Data-Science-Teams zu ermöglichen.

Agentische ML-Workflows mit Cortex Code

Agentic ML ermöglicht verlässlichere Einblicke durch die Automatisierung mühseliger Arbeit, sodass sich Teams auf Initiativen mit größerer Wirkung konzentrieren können. Cortex Code verfügt über umfassende ML-spezifische Skills, die das Design, die Implementierung und die Optimierung von End-to-End-Workflows in Snowflake ML optimieren. Egal, ob Sie Modelle trainieren, Modelle für Inferenz bereitstellen, verteiltes Training durchführen, Hyperparameter anpassen oder die Performance überwachen – Cortex Code beschleunigt intelligent einen oder mehrere Schritte im ML-Lebenszyklus, indem es die entsprechenden spezialisierten Skills auslöst. 

Data-Science-Teams können schnell voll funktionsfähige, hochwertige ML-Pipelines entwickeln, indem sie Cortex Code verwenden, um für jeden Entwicklungs- und Inferenzschritt agentisch zu planen, zu schlussfolgern und die optimale Technik auszuwählen. Anstatt viel Zeit mit dem Durchsuchen der Dokumentation, der Fehlerbehebung oder dem Zusammenfügen von APIs zu verbringen, können Sie sich auf die Anwendung Ihrer Fachkenntnisse und Ihrer Intuition konzentrieren, um Modelle zu verfeinern und Erkenntnisse zu gewinnen.

Ein Beispiel, in dem agentisches ML die Produktivität steigert, ist Feature Engineering. Die Bewertung der Feature-Wichtigkeit und das Identifizieren neuer Feature-Empfehlungen waren zuvor manuelle und zeitaufwendige Aufgaben. In diesem Demo-Video sehen Sie, wie einfach es ist, mit nur wenigen Prompts in natürlicher Sprache in Cortex Code einen Abwanderungsmodell-Prototyp schnell zu iterieren, die Bedeutung von Features über Modelltypen hinweg zu bewerten, redundante oder fragile Features zu bereinigen und genau die Stellen zu finden, an denen das Modell Schwächen aufweist, und neue Feature-Ideen aufzudecken.

Cortex Code entwickelt sich mit den Innovationen von Snowflake ML weiter, um neue Funktionen und Optimierungen zu integrieren, sodass Sie sich keine Gedanken über die Komplexität von verteiltem Training, DAG-basierter Orchestrierung oder multimodaler Inferenz machen müssen. Das führt zu deutlichen Produktivitätssteigerungen, die eine schnellere Iteration und schnellere Wege von der Idee zur Wirkung ermöglichen.

Cortex Code nutzt die vollständig integrierte Plattform von Snowflake ML, um Workloads nahtlos zwischen CPUs und GPUs mit integrierten Optimierungen zu skalieren. So bietet Cortex Code Performancevorteile wie das drei- bis siebenmal schnellere Training als Open-Source-Bibliotheken und eine bis zu zehnmal schnellere Inferenzlatenz für XGBoost-Modelle als ältere Cloud-Anbieter.

Erste Schritte 

Das Erstellen von agentenbasierten ML-Pipelines in Snowflake kann ganz einfach direkt in Ihre vorhandenen Workflows integriert werden, unabhängig davon, wo Sie lieber arbeiten. Cortex Code ist direkt in der Snowflake Snowsight-Benutzeroberfläche (allgemein verfügbar) oder in jedem Terminal oder Code-Editor wie VS Code oder Cursor mit der CLI (allgemein verfügbar) verfügbar. 

Cortex Code bietet in Snowsight verifizierte Lösungen in Form voll funktionsfähiger ML-Pipelines, die direkt von einem Snowflake Notebook in Workspaces ausgeführt werden können. Snowflake Notebooks werden in einer Jupyter-basierten Container-Laufzeitumgebung ausgeführt, die speziell für umfangreiche KI/ML-Produktionsworkflows entwickelt wurde. 

Cortex Code CLI ermöglicht es Entwickler:innen, schneller zu transformieren, Orchestrierungsworkflows zu optimieren und Debugging mit vollem Kontext direkt vom Terminal aus durchzuführen. 

Um noch heute mit der Entwicklung von agentischen ML-Pipelines mit Cortex Code zu beginnen, empfehlen wir Ihnen diesen Quickstart zur Betrugserkennung in Echtzeit mit Cortex Code (entweder in der CLI oder in Snowsight aus der kostenlosen Testversion) und den Best Practices Guide für technische Beispiele.