19. Okt. 2026/Lesezeit: 5 MinutenKI und ML
Wir stellen vor: Snowflake Decision Fast: Strukturierte Entscheidungen in Geschäftsgeschwindigkeit
Erst vor zwei Wochen haben wir Snowflake Decision in Cortex AI Functions in Private Preview eingeführt. Es wurde speziell für Klassifizierung, Bewertung, Filterung und Weiterleitung entwickelt und bewältigt großvolumige Aufgaben mit begrenzten Antworten. Anstelle von offenem Text wird eine typisierte Antwort zurückgegeben, z. B. eine bestimmte Kategorie, eine numerische Bewertung oder eine Ja/Nein-Wahrscheinlichkeit, auf die Ihr Workflow direkt reagieren kann.
Unsere Kunden haben schnell den Bedarf an „Arcade-Geschwindigkeit“ für Entscheidungen in interaktiven oder latenzempfindlichen Workflows hervorgehoben, wie z. B. Live-Routing-Schritte, Betrugsprüfungen in Echtzeit oder den ersten Triage-Schritt eines Agenten. In diesen Umgebungen ist Geschwindigkeit entscheidend.
Heute erweitern wir in Private Preview die Snowflake Decision-Angebote, um diese Anforderungen mit den folgenden Funktionen zu erfüllen, die alle durch dieselbe Governance, dieselben Zugriffskontrollen und Audit-Richtlinien unterstützt werden, auf die Sie sich bereits verlassen:
snowflake-decision-fast: Eine Variante von snowflake-decision mit geringerer Latenz, die für Workloads entwickelt wurde, bei denen die Reaktionszeit genauso wichtig ist wie die Entscheidungsqualität.
REST-API-Unterstützung: Rufen Sie Snowflake Decision-Modelle über das Cortex AI Gateway auf, sodass Anwendungen, Dienste und Agenten außerhalb von SQL strukturierte Entscheidungsfindung nutzen können.
Cortex AI Functions: snowflake-decision-fast ist nativ über AI_COMPLETE in SQL verfügbar.
Entscheidungen in Aktion sehen: Textklassifizierung in Echtzeit
Um die interaktive Leistungsfähigkeit von snowflake-decision-fast zu demonstrieren, haben wir eine Anwendung zur Textklassifizierung in Echtzeit entwickelt. Während ein:e Kund:in ein Support-Ticket eingibt, z. B. eine Beschwerde über eine doppelte Abbuchung, wertet die Anwendung den Live-Text schnell aus, um drei gleichzeitige Entscheidungen zu treffen: Weiterleitung des Tickets an das richtige Team, Markierung der Dringlichkeit und Erfassung der Stimmung der Kund:innen.
Bei jedem Tastendruck wertet die interaktive Anwendung den aktuellen Textstatus aus und stellt dem Modell begrenzte Fragen, um den nächsten Workflow-Schritt zu bestimmen. Diese interaktive Funktion kann extern über das Cortex AI Gateway ausgeführt werden:
import os
from typesafe_sdk import Choice, Noul, Score, TypeSafeClient
client = TypeSafeClient(
api_key=os.environ["SNOWFLAKE_PAT"],
base_url="https://<your-gateway-host>/api/v2/aigateways/<GATEWAY_NAME>",
model="snowflake-decision-fast",
)
response = client.system_one(
state=(
"hi i have a question about my account. i was charged twice for my "
"subscription and would like a refund. i need this resolved today "
"before our finance 5pm cutoff. this is the 3rd time i contacted support."
),
questions={
"needs_attention_now": Noul(
instructions="Does this ticket need attention now because it is urgent or time-sensitive?"
),
"team": Choice(
instructions="Which support team should handle this ticket?",
criteria={
"billing": "Payments, invoices, subscriptions, duplicate charges, refunds.",
"technical_support": "Product bugs, outages, broken integrations, API issues.",
"account_access": "Login, password, MFA, locked account, authentication.",
"sales": "Pricing, plan upgrades, renewals, contracts, purchasing.",
"general": "Unclear, mixed, or uncategorized requests.",
},
),
"customer_tone": Score(
instructions="How frustrated does the customer sound? This is about tone, not issue severity.",
criteria=["Calm", "Frustrated", "Very frustrated"],
),
},
)
print(response.nouls["needs_attention_now"].noul)
print(response.choices["team"].choice)
print(response.choices["team"].probabilities)
print(response.scores["customer_tone"].score) # 0=Calm, 1=Frustrated, 2=Very frustrated
Hier ist sie in Aktion:
Abbildung 1: Mit unserem Textklassifizierungs-Tool können Sie ein Support-Ticket erstellen, und snowflake-decision-fast trifft drei Entscheidungen auf einmal, in Echtzeit: wer es bearbeiten soll, wie dringend es ist und wie sich der:die Kund:in fühlt.
Dieser interaktive Anwendungsfall hebt die Kernmechanik von Entscheidungsmodellen hervor:
Konstruktionsgrenzen: Die App bietet nur gültige Züge als Auswahlmöglichkeiten an. Das Modell kann keine ungültige Aktion zurückgeben, wodurch Parser, Wiederholungsschleifen oder komplexe Fehlerbehandlung in Ihrem Code überflüssig werden.
Wahrscheinlichkeiten als Produkt: Das Modell gibt den gewählten Wert und die Wahrscheinlichkeiten pro Option anstelle einer Freitextbegründung zurück. Ein sehr zuversichtlicher Wert von 0,99 für eine „Abrechnungs“-Route liefert ein definitives Signal, das Sie für Live-Workflows als Schwellenwert verwenden können.
Sichtbare Latenz: Die Live-Schnittstelle verlässt sich auf nahezu sofortige Entscheidungen während der Eingabe durch den:die Nutzer:in, wobei Endpunkt-Roundtrips konsistent in unter 300 ms abgeschlossen werden. Die Ausführung auf snowflake-decision-fast stellt sicher, dass die Latenz niedrig genug bleibt, um ein nahtloses Nutzererlebnis in Echtzeit zu bieten.
Skalierung auf massive Tabellenoperationen
Während die REST-API ideal für einmalige, interaktive Entscheidungen ist, sind dieselben strukturierten Entscheidungsfunktionen auch über Cortex AI Functions verfügbar, sodass Entwickler:innen Klassifizierungs- und Routing-Logik mithilfe von einfachem SQL direkt auf große Datensätze anwenden können.
Stellen Sie sich eine globale Support-Plattform vor, die jeden Tag Millionen von eingehenden Tickets oder Nachrichten sichten und weiterleiten muss. Die Verwendung eines Allzweck-LLM für eine eng definierte Klassifizierungsaufgabe kann unnötige Komplexität, Kosten und Verarbeitungsaufwand mit sich bringen, insbesondere wenn jeder Datensatz nur eine kleine Anzahl strukturierter Entscheidungen erfordert.
Durch die Verwendung von snowflake-decision-fast in AI_COMPLETE können Teams dieselbe Entscheidungslogik auf ganze Tabellen anwenden, ohne separate Inferenz-Pipelines aufzubauen oder externe API-Integrationen zu verwalten.
Beispielsweise klassifiziert die folgende Abfrage eingehende Support-Tickets nach Routing-Warteschlange und ermittelt, ob jedes Ticket eskaliert werden muss, wobei strukturierte Ausgaben zurückgegeben werden, die für die nachgelagerte Verarbeitung bereit sind:
SELECT
ticket_id,
AI_COMPLETE(
model => 'snowflake-decision-fast',
prompt => TO_JSON({
'state': ticket_body,
'questions': {
'routing_queue': {
'type': 'choice',
'instructions': 'Determine the correct support queue for this ticket.',
'criteria': {
'billing': 'Invoices, payments, or subscription changes',
'technical': 'System errors, bugs, or API issues',
'account': 'Password resets or profile updates'
}
},
'requires_escalation': {
'type': 'noul',
'instructions': 'The customer is expressing extreme frustration or threatening to churn'
}
}
})
)::VARIANT AS decision_output
FROM incoming_support_tickets_10m;
Was für einen REST-API-Aufruf in Echtzeit funktioniert, lässt sich auf hochvolumige Klassifizierung, Offline-Bewertung und asynchrone Triage direkt in Ihren Daten-Pipelines skalieren.
Geschwindigkeit bei Qualität, der Sie vertrauen können
Die Landschaft der strukturierten KI-Entscheidungsfindung entwickelt sich rasant, und wir iterieren schnell, um sowohl die Qualität als auch die reine Ausführungsgeschwindigkeit unserer Modelle zu verbessern. Unser technischer Fokus liegt darauf, die Grenzen der Entscheidungsgenauigkeit bei etablierten Benchmarks aggressiv zu verschieben und gleichzeitig die Latenz und die Kosten für Rechenressourcen für Anwendungen in Echtzeit zu senken.
snowflake-decision-fast ist unser neuester Schritt, um Entwickler:innen genau das Performance-Profil zu bieten, das ihre Architektur erfordert, und Sie können in den kommenden Monaten schnelle, fortlaufende Updates der Modellqualität erwarten.
Abbildung 2: Die durchschnittliche Genauigkeit und Zeit zur Verarbeitung von Tabellenzeilen. Der Unterschied zwischen snowflake-decision und snowflake-decision-fast wird anhand unseres internen Entscheidungs-Benchmarks berechnet.
Erste Schritte
Um frühzeitigen Zugriff auf die Entscheidungsmodelle anzufordern, wenden Sie sich an Ihr Snowflake-Account-Team Ein:e Vertreter:in wird sich mit den nächsten Schritten bei Ihnen melden, einschließlich einer umfassenden Dokumentation zur Private Preview.
Schnelle, strukturierte Entscheidungen eröffnen Muster, die zuvor nicht praktikabel waren: Agenten, die jeden Schritt vor dem Handeln überprüfen, Pipelines, die jeden Datensatz bei der Ankunft bewerten, und Live-Workflows, die in Echtzeit weiterleiten. Die Frage verlagert sich von „Können wir es uns leisten, hier KI einzusetzen?“ zu „Wo könnte sonst noch eine Entscheidung getroffen werden?“
