Snowflake für KI: Intelligenz dort einsetzen, wo Arbeit stattfindet

KI wird zum neuen Betriebsmodell für Unternehmen. Unternehmen möchten die Art und Weise, wie Arbeit erledigt wird, transformieren – von der Vertriebsplanung und Finanzprüfungen bis hin zu Kundenprozessen, Prognosen und Entscheidungsfindung in großem Maßstab.

Aber Produktions-KI ist grundlegend schwieriger als eine Demo. Enterprise-KI-Systeme müssen den Geschäftskontext verstehen, die richtigen Tools auswählen, über strukturierte und unstrukturierte Daten hinweg logische Schlüsse ziehen, Unternehmensrichtlinien befolgen und sich kontinuierlich verbessern, während sie in großem Maßstab effizient arbeiten. Auf Unternehmensebene ist das schwierigste Problem nicht mehr nur die Modellintelligenz allein, sondern der Kontext. Die nächste Generation der Enterprise-KI wird durch Systeme definiert, die kontrollierte Unternehmensdaten, operatives Wissen und intelligente Orchestrierung direkt innerhalb von Geschäfts-Workflows kombinieren können.

Mit der vollständig integrierten Plattform für Daten und KI von Snowflake wenden mehr als 13.900 Kund:innen kontextbezogene KI-Anwendungen und operative Workflows auf kontrollierte Unternehmensdaten an.

Heute stellt Snowflake neue Innovationen vor, die Unternehmen dabei helfen, intelligente Agenten dorthin zu bringen, wo Arbeit stattfindet: über Workflows, Geschäftsabläufe und Unternehmensanwendungen hinweg, die alle durch dieselben Sicherheits-, Compliance- und operativen Kontrollen kontrolliert werden, denen Unternehmen bereits vertrauen.

Von Systemen der Erkenntnis zu Systemen der Aktion

Jahrelang halfen Unternehmensplattformen Unternehmen dabei, zu verstehen, was passiert ist. Die nächste Generation von KI-Plattformen muss Unternehmen bei der Entscheidung helfen, was als Nächstes zu tun ist, und diese Entscheidungen zunehmend über Unternehmens-Workflows und -Anwendungen hinweg ausführen.

Dadurch verlagert sich KI von der reaktiven Beantwortung von Fragen hin zur proaktiven operativen Ausführung.

Anstatt Dashboards manuell zusammenzustellen, Analysen zu koordinieren und Workflows über unzusammenhängende Systeme hinweg zu verknüpfen, können Teams nun Geschäftsergebnisse in natürlicher Sprache beschreiben und KI-Systeme Analysen koordinieren, Ergebnisse generieren und Workflows im gesamten Unternehmen initiieren lassen.

Anstatt als Chatbot zu fungieren, der auf Dashboards aufsetzt, wird Enterprise-KI zu einer kontrollierten Ausführungsebene für die Unternehmensarbeit.

Knowledge Worker profitieren mit Snowflake CoWork von den Vorteilen der KI

Snowflake CoWork (ehemals Snowflake Intelligence) ist ein persönlicher Agent, der Knowledge Workern hilft, über Unternehmensdaten hinweg logische Schlüsse zu ziehen, Workflows zu automatisieren und kontrollierte Aktionen über die Tools hinweg durchzuführen, die ihre Teams bereits verwenden.

_{Abbildung 1: Snowflake CoWork: Ein persönlicher Agent für alle Knowledge Worker.}

• Die Snowflake CoWork iOS-App (in Kürze allgemein verfügbar) ermöglicht es Mitarbeitenden, überall mit der Enterprise Intelligence verbunden zu bleiben, wo sie arbeiten. Dank Face ID-Authentifizierung und Konversationsverlauf können Nutzer:innen von unterwegs aus handeln, sei es am Flughafen, bei einem Kundenmeeting oder auf einer Messe.
• Die Snowflake CoWork Slack-App (in Kürze in der Private Preview) bringt kontrollierte Enterprise Intelligence in Slack-Konversationen, wo Mitarbeitende CoWork in jedem Slack-Kanal oder -Thread Fragen stellen, Antworten mit inline gerenderten Diagrammen erhalten und nachfassen können, ohne die Plattform zu verlassen.

Die Grundlage für diese Erlebnisse bildet Cortex Agents, das verwaltete Agenten-Framework von Snowflake zur Erstellung von Enterprise-KI-Agenten, die Tasks planen und Tools aufrufen können. So können Teams Erkenntnisse liefern und in Unternehmenssystemen handeln, ohne sich selbst um Orchestrierung, Infrastruktur oder Laufzeitkomplexität kümmern zu müssen.

CoWork passt sich mithilfe des Unternehmenskontexts an die Arbeitsweise der Mitarbeitenden an

Cortex Sense (in Kürze in der Private Preview) lernt, wie ein Unternehmen sein Geschäft definiert, einschließlich Workflows und Beziehungen zwischen Datenbeständen. Mithilfe von Abfrageverlauf, Dashboards und Agenten-Trajektorien unterstützt Cortex Sense Snowflake CoCo und Snowflake CoWork dabei, vom ersten Tag an fundierte geschäftliche Schlussfolgerungen zu ermöglichen. Darüber hinaus wandelt die Fähigkeit von Semantic View Autopilot, Metriken und Geschäftslogik automatisch aus Power BI-Dashboards (Public Preview) zu erfassen, die BI-Assets eines Unternehmens sofort in eine kontrollierte semantische Schicht für Agenten um. Diese Grundlagen ermöglichen es Mitarbeitenden, von der reinen Informationssuche zum Verstehen und Handeln überzugehen.

Deep Research (in Kürze allgemein verfügbar) hilft Nutzer:innen bei der Untersuchung komplexer Geschäftsfragen und liefert modernste Performance über Unternehmensdaten hinweg, wobei es Einzelagentensysteme im Hybrid Deep Research Benchmark von Snowflake um mehr als ein Drittel übertrifft. Analytical Search (in Kürze in der Public Preview) ermöglicht berechnete Analysen über Dokumentensammlungen wie Verträge und Support-Dokumente hinweg. Zusammen ermöglichen diese Funktionen der Enterprise-KI, über den gesamten operativen Kontext des Unternehmens hinweg Schlüsse zu ziehen.

Die Multi-Agent-Orchestrierung (in Kürze in der Public Preview) leitet Anfragen automatisch an die richtigen Tools und Workflows weiter, während das persistente Memory (in Kürze in der Public Preview) es CoWork ermöglicht, im Laufe der Zeit Nutzerpräferenzen und wiederkehrende Tasks zu erlernen.

User Skills (in Kürze in der Public Preview) ermöglicht es Teams, Workflows in natürlicher Sprache zu erfassen und in wiederverwendbare organisatorische Fähigkeiten umzuwandeln. Skills können auch das Code Execution Tool (in Kürze in der Public Preview) aufrufen, um kontrollierte Geschäftsergebnisse wie Berichte (PDFs), Präsentationen einschließlich PowerPoint-Decks, Analysen und Visualisierungen direkt in CoWork zu generieren. Skills und Plugins können nun auch über einen Link geteilt werden (Private Preview), werden bei einer Frage automatisch entdeckt und durch integrierte RBAC und Sicherheitsscans kontrolliert. Im Laufe der Zeit bauen Unternehmen ein gemeinsames operatives Wissen auf, anstatt isolierte Workflows in einzelnen Chats oder Notizen gefangen zu halten.

Snowflake CoWork macht Enterprise Intelligence zudem teamübergreifend wiederverwendbar. Artifacts (in Kürze allgemein verfügbar) ermöglichen es Nutzer:innen, Live-Analysen, Dashboards und Konversationen unter Beibehaltung des vollen Kontexts und kontrolliert durch rollenbasierte Zugriffskontrollen zu speichern und zu teilen. Interaktive Dashboards (in Kürze in der Public Preview) erweitern dies, indem sie es Teams ermöglichen, Metriken im Dialog zu erkunden und mithilfe einer gemeinsamen Source of Truth zusammenzuarbeiten.

_{Abbildung 2: Interaktive Dashboards für die kollaborative Analyse in Snowflake CoWork.}

CoWork hilft Unternehmen dabei, Enterprise-KI sicher und in großem Maßstab zu operationalisieren.

Automatisierungen und zeitbasierte Abonnements (in Kürze in der Public Preview) analysieren Unternehmensaktivitäten und liefern proaktive Briefings über Slack, E-Mail oder mobile Benachrichtigungen. Die Async Agent API (in Kürze allgemein verfügbar) ermöglicht es Agenten, asynchron an länger andauernden Workflows und Untersuchungen zu arbeiten.

Agent Studio (in Kürze allgemein verfügbar) bietet eine zentrale Umgebung für die Bereitstellung und Governance von Unternehmensagenten. Rollenbasierte Zugriffskontrollen und Audit-Trails helfen Unternehmen dabei, sicherzustellen, dass jede Interaktion sicher und vollständig überprüfbar bleibt. Die Agentenidentität liefert ein erkennbares Signal zur Unterscheidung von Aktionen, die von KI-Agenten im Auftrag von Benutzer:innen ausgeführt werden, und ermöglicht so die operative Verantwortlichkeit über Unternehmens-Workflows hinweg.

MCP-Konnektoren ermöglichen den Einsatz von CoWork in den Unternehmenstools, die Teams bereits verwenden, darunter Slack, Jira, Gmail, Salesforce und mehr – und das alles innerhalb der Governance-Grenzen von Snowflake.

Effizientes Post-Training von Open-Weight-Foundation-Modellen

Modelle sind die Grundlage jedes agentenbasierten Workflows, und Snowflake investiert in die Vereinfachung des Trainings jedes Modells auf Ihre Domänenanforderungen.

Beim Versuch, agentenbasierte Workflows anzupassen, haben KI-native Start-ups und Unternehmen oft mit den Einschränkungen der Frontier-Modell-Optionen und der gewaltigen Herausforderung der Beschaffung und Verwaltung von GPUs zu kämpfen. Cortex Training (in Private Preview) ermöglicht es Start-ups und Unternehmen, Open-Weight-Foundation-Modelle wie die Qwen- oder Mistral-Modellfamilie an ihre eigenen Domänen-, Daten- und Kostenanforderungen anzupassen, ohne um knappe GPU-Kapazitäten kämpfen oder sich wegen geringer Auslastung über die hohen Kosten des GPU-Besitzes Sorgen machen zu müssen. Mit Cortex Training müssen Kund:innen keine komplexe verteilte Trainingsinfrastruktur verwalten. Snowflake bietet sofortigen Zugriff auf eine vollständig verwaltete Gruppe von GPUs, die basierend auf Experimenten und Demos von Snowflake Research mit einer Auslastung von fast 100 % verfügbar sind, ohne Reservierungsprozesse oder benutzerdefinierte Orchestrierungseinrichtung. Dies schafft eine bedeutende Gelegenheit für Start-up- und Enterprise-User:innen, die Genauigkeit und Latenz ihrer KI-Lösungen in großem Maßstab kostengünstig zu verbessern und gleichzeitig eine einheitliche Governance über Experimente, Evaluierung und Bereitstellung hinweg aufrechtzuerhalten.

_{Abbildung 3: Mit Cortex Training erzielen Sie eine höhere Auslastung, bis zu einer ~2-fachen Steigerung, um Ihre GPU-Ausgaben zu optimieren. Die obigen Ergebnisse basieren auf Experimenten und Demos von Snowflake Research.}

Resolve AI, die KI für die Ausführung und den Betrieb von Software in der Produktion, hat sich über zwei Jahre hinweg mit mehreren Millionen Dollar verpflichtet, Cortex Training zu nutzen, um durch Reinforcement Learning (RL) auf proprietären Trainingsdaten domänenspezifische Modelle zu erstellen. Resolve AI nutzt Cortex Training, um das Modelltraining in einer sicheren, kontrollierten Umgebung zu konsolidieren und so die Arbeit zu beschleunigen, die zuvor das Zusammenfügen von Infrastruktur über mehrere Plattformen hinweg erforderte.

Resolve AI bietet domänenspezifische KI-Agenten für die Produktion, die auf Multi-Agenten-Harnesses, simulierten Umgebungen und Evaluierungs-Workflows aufbauen. Da KI-Modelle mithilfe von RL weiter verfeinert werden, benötigen Teams eine Infrastruktur, die die stark GPU-intensiven Teile von Training und Inferenz bewältigen kann, ohne dass sie die Kontrolle über ihre Daten oder Umgebungen aufgeben müssen. Resolve AI bietet dieses Gleichgewicht mit skalierbarer Rechenressourcen-Abstraktion für Performance, während Kund:innen die Kontrolle über ihre Systeme, Daten und Bereitstellungsumgebungen behalten. Cortex Training bietet Resolve AI eine kontrollierte Infrastruktur, um RL-Trainings-Workloads kontinuierlich auszuführen und Modelle zu erstellen und zu verbessern, die Allzweckalternativen bei den Reasoning-Tasks übertreffen, die für Enterprise-Engineering-Teams in der Produktion am wichtigsten sind. Snowflake ist ebenfalls Kund:in von Resolve AI, wobei Snowflake-Engineering-Teams Resolve AI in ihre bestehenden agentenbasierten Workflows integrieren, um Produktionssysteme in großem Maßstab auszuführen und zu verwalten. Dies wiederum bietet Unternehmen schnellere, zuverlässigere KI-Erlebnisse.

Schnellere Erstellung und Bereitstellung von Produktions-Workflows mit agentenbasiertem ML

Maschinelles Lernen durchläuft einen grundlegenden Wandel, da Coding-Agenten die Schwelle von der einfachen Autovervollständigung zu komplexem Reasoning und autonomer Ausführung überschreiten. Bei Snowflake leisten wir Pionierarbeit für die neue Ära des agentenbasierten ML, indem wir stark in Snowflake CoCo investieren, den Coding-Agenten der Snowflake-KI, der das Herzstück von Snowflake ML bildet. Durch die Nutzung ML-optimierter Skills und nativ integrierter Kontextwahrnehmung über all Ihre Daten und Modelle hinweg können Ihre ML- und Data Science-Teams Snowflake CoCo verwenden, um den Weg von der Idee zu geschäftskritischen Ergebnissen um das Zehnfache zu beschleunigen.

Mit über 6.000 monatlich aktiven Konten, die Millionen von Modellen und Billionen von Inferenzanfragen ausführen, investiert Snowflake ML kontinuierlich in weitere Produktivitätsverbesserungen, die über Cortex Code zugänglich sind, damit Ihre Teams schneller in die Produktion gehen, Entwicklungstools erweitern und eine schnellere Echtzeit-Inferenz erreichen können.

_{Abbildung 4. Kund:innen können ML-Workflows mit nativer Kontextwahrnehmung über Daten, Modelle, Notebooks und Features hinweg mit agentenbasierten Workflows in Snowflake beschleunigen.}

Für eine skalierbare Entwicklung können Sie bereits Modelle mit Terabytes an Daten in Snowflake Notebooks trainieren. Jetzt können Sie Modelle sicher und nahtlos remote von VS Code und Cursor aus erstellen, ohne Daten zu verschieben. Die VS Code- und Cursor-Erweiterung von Snowflake (in Kürze in Public Preview) ermöglicht es Ihnen nun, sich mit Remote-Rechenressourcen-Umgebungen zu verbinden, sodass Sie ML-Pipelines über CPU- oder GPU-Rechenressourcen-Pools entwickeln können, ohne Ihre IDE zu verlassen. Darüber hinaus erweitern wir die Flexibilität, Ihre eigenen Pakete und Konfigurationen in Ihrer Snowflake-Umgebung zu verwenden. Custom Container Runtime (in Public Preview) ermöglicht es Teams, von der Organisation genehmigte, auf Sicherheit geprüfte Container-Images in Snowflake Notebooks oder ML Jobs zu verwenden.

_{Abbildung 5. Nativ integriertes verteiltes xgboost, lightgbm, pytorch und HPO liefern eine überlegene Preis-Performance, wobei der TPCx-AI-Anwendungsfall bei einem Skalierungsfaktor von 1000 einen Median von 3x niedrigeren Kosten im Vergleich zu Databricks für XGBoost zeigt. Niedriger ist besser.}

Für Inferenz, die Ihre Produktionsanforderungen unterstützt, kündigen wir schnelleres Feature-Serving, Online-Modell-Observability und multimodale Unterstützung für Batch-Inferenz an. ML-Teams können jetzt Online-Features in 10 ms aus dem Snowflake Feature Store mit Streaming-Feature-Unterstützung (in Kürze allgemein verfügbar) bereitstellen. Diese Verbesserungen liefern eine Datenaktualität von <2 s von der Erfassung bis zur Bereitstellung, eine bessere Entwicklererfahrung mit CI/CD-Integration und eine effiziente Berechnung von Zeitfenster-aggregierten Features.

Während des Modell-Servings können Sie nun ganz einfach A/B-Tests für Echtzeit-Modelle (Public Preview) durchführen, um schnell mit Live-Traffic in einer kontrollierten Umgebung zu experimentieren, die Modell-Performance zu vergleichen und das Modell mit der besten Performance in die Produktion zu überführen. Darüber hinaus ermöglicht die Inferenzunterstützung für unstrukturierte Daten (allgemein verfügbar) KI-Anwendungsfälle wie Objekterkennung, visuelle Q&A und automatische Spracherkennung auf Snowflake ohne komplexe Pipelines oder Datenbewegungen.

_{Abbildung 6. Führen Sie Inferenz 2- bis 5-mal schneller und bis zu 3-mal günstiger aus, indem Sie Datenbewegungen eliminieren und den Rechenressourcen-Durchsatz maximieren. Niedriger ist besser.}

Intelligenz, die innerhalb der Grenzen agiert, denen Unternehmen vertrauen

Da Enterprise-KI über Workflows, Anwendungen und Entscheidungsfindungssysteme hinweg operativ wird, wird Governance noch wichtiger. Die KI-Innovationen von Snowflake basieren auf derselben vertrauenswürdigen Datengrundlage, auf die sich Unternehmen für Sicherheit, Compliance und Enterprise-Governance-Funktionen verlassen.

Rollenbasierte Zugriffskontrollen, Datenmaskierung, Überprüfbarkeit, Observability und Richtliniendurchsetzung gelten durchgängig, unabhängig davon, ob geschäftliche User mit CoWork interagieren, ein Agent Workflows ausführt oder ein Team KI-gestützte Anwendungen bereitstellt.

Snowflake bringt Intelligenz dorthin, wo Arbeit stattfindet, verankert im Unternehmenskontext, operativ über Workflows hinweg und gesteuert durch dieselben Kontrollen, denen Unternehmen bereits vertrauen.

Um mit KI bei Snowflake loszulegen, sehen Sie sich die folgenden Ressourcen an:

• Lesen Sie die vollständige Ankündigung zu Snowflake CoWork und erfahren Sie, wie kontrollierte Agenten die Arbeitsweise von Unternehmen verändern.
• Entdecken Sie die Dokumentation, die Produktseite und die Implementierungsleitfäden zu Snowflake CoWork.
• Folgen Sie dieser geführten Lösung, um Ihre erste agentische ML-Pipeline zu erstellen.

Alle obigen Verweise auf CoWork beziehen sich auf Snowflake CoWork.

Zukunftsgerichtete Aussagen

Dieser Artikel enthält zukunftsgerichtete Aussagen, unter anderem über künftige Produktangebote. Diese Aussagen stellen keine Garantie dar, dass diese Angebote wirklich bereitgestellt werden. Die tatsächlichen Ergebnisse und Angebote können abweichen und unterliegen bekannten und unbekannten Risiken und Unsicherheiten. Weitere Informationen finden Sie in unserem jüngsten 10-Q-Formular.