22. Juni 2026/Lesezeit: 5 MinutenProdukt & Technologie
Millisekunden-Latenz im großen Maßstab: Warum unser ML Feature Store auf Snowflake Postgres läuft
Die Bereitstellungsebene ist fast immer der Punkt, an dem es für ML-Teams schmerzhaft wird. Der Teil des Feature Engineering ist in Ordnung: Sie schreiben SQL in Ihrem Warehouse. Sie haben alle Daten; es funktioniert. Aber dann benötigen Sie diese Features zum Zeitpunkt der Vorhersage, mit geringer Latenz und hohem Durchsatz. Plötzlich fügen Sie ein zweites System mit einem Synchronisierungsjob dazwischen zusammen.
Als unser ML-Team hier bei Snowflake den Online Feature Store von Snowflake entwickelte, wollte es genau das: Rechenressource in Snowflake, Bereitstellung aus Postgres, keine mittlere Ebene.
Hier ist der Grund, warum sie sich für Snowflake Postgres entschieden haben.
Produktionsbereit ab Tag 1: SLA, Sicherheit und Skalierbarkeit integriert
Snowflake Postgres baut auf jahrelanger Postgres-Expertise von Crunchy Data auf. Seine soliden Produktionsgrundlagen sind darauf ausgelegt, die anspruchsvollsten Unternehmens-Workloads zu verwalten: Apps und KI, die Verfügbarkeitszusagen, Sicherheitskontrollen und kontinuierlichen Betrieb im großen Maßstab erfordern.
Hier glänzt Snowflake Postgres. Es wird heute ausgeliefert mit:
Produktionsreife: Sie können mit einem Service-Level-Agreement (SLA) von 99,95 % Verfügbarkeit, verwaltetem Connection Pooling und direkten Upgrades der Postgres-Hauptversion mit minimaler Unterbrechung sicher arbeiten.
Verbundene Daten: Replizieren Sie Änderungen von Snowflake Postgres in Sekundenschnelle in Ihre Analytics. Dies wird durch pg_lake unterstützt, unsere Open Source-Erweiterung, die direkt in dieselbe Speicherebene schreibt, aus der Snowflake liest, ohne Zwischen- oder versteckte Prozesse.
Optimierte Entwicklererfahrung: Lift-and-Shift-Apps ohne Codeänderungen dank 100 % Postgres-Kompatibilität, Postgres 18, einer Speicherobergrenze von 64 TB und nativer logischer Replikation.
Integrierte Funktionen für Sicherheit und Compliance: Verlassen Sie sich auf erweiterte Kontrollen wie PrivateLink und vom Kunden verwaltete Schlüssel sowie auf einen Sicherheitsbereich für transaktionale und analytische Daten.
Unterstützung von ML mit 2,5-mal geringerer Latenz und 7-mal höherem Durchsatz, basierend auf Produktions-Benchmarks
Genau aus diesem Grund hat das ML-Team von Snowflake auf Snowflake Postgres gesetzt, um den Online Feature Store (Public Preview) zu entwickeln, der frische, latenzempfindliche ML-Signale – Risikobewertungen, Aktivitätsmuster, Verhaltens-Features – zum Zeitpunkt der Vorhersage an Modelle liefert. Diese Workloads erfordern Tausende von Vorhersagen pro Sekunde, wobei jedes Feature in Millisekunden zurückgegeben werden muss.
Snowflake Postgres ermöglicht es dem ML-Team, komplexes Feature Engineering auf der Kern-Snowflake-Engine auszuführen und Daten nahtlos mit dem Online-Store zu synchronisieren. In ersten Tests zeigte es die erforderlichen niedrigen Latenzen ohne jegliche Anpassung und erfüllte problemlos die hohen Skalierbarkeitsanforderungen der größten Kunden von Snowflake. Die Wahl von Snowflake Postgres ermöglicht es dem Team auch, das breitere Postgres-Ökosystem zu nutzen, einschließlich Erweiterungen wie pg_vector, um die zukünftige Feature-Bereitstellung zu beschleunigen.
In Produktions-Benchmarks gegen den Databricks Online Feature Store, der von Databricks Lakebase unterstützt wird, zeigte Snowflake Postgres:
2,5-mal geringere Latenz bei gleichem Durchsatz
7-mal höhere Abfragen pro Sekunde (QPS) auf vergleichbaren Instanzen
10 ms P50 bei 1.500 QPS anhaltend
Wie Teams auf Snowflake Postgres aufbauen
Der Snowflake Online Feature Store ist nur ein Beispiel. Unternehmen auf der ganzen Welt nutzen Snowflake Postgres, um ihren Umgang mit Daten zu transformieren. Hier ist ein Blick auf einige wichtige Anwendungsfälle.
Operativer Speicher
Unternehmen konsolidieren fragmentierte Datenbankbestände, mustern Altlast-Systeme aus und optimieren Multi-Vendor-Bereitstellungen mit Snowflake Postgres, alles ohne Code neu zu schreiben.
Ericsson sammelt weltweit Daten über jedes Kundennetzwerk – Softwareversionen, Hardware, Lizenzen – und unterstützt über tausend Anwendungsfälle von KI bis hin zum Kundensupport. Sie konsolidierten vier Altlast-Datenbanken auf Snowflake Postgres, eliminierten Synchronisierungs-Pipelines und reduzierten die Datenverarbeitungszeit um 99 %.
SimCorp verwaltet Investitionsdaten aus mehr als 40 Jahren und verarbeitet Tausende von gleichzeitigen transaktionalen Updates pro Minute mit komplexen Workflow-Status und feingranularem Locking. Nach der Migration verzeichneten sie im Vergleich zu ihrer vorherigen Postgres-Lösung 10-mal schnellere Festplattenoperationen.
Schnellere Analytics
Frische operative Daten sollten ohne die versteckte Steuer von ETL für die Analyse bereit sein. Snowflake Postgres macht dies möglich.
Sigma Computing bietet seinen Kunden Live-Analytics zu den aktuellsten transaktionalen Daten, die direkt in Snowflake abgefragt werden, ohne dass externe Systeme oder Pipeline-Infrastruktur gewartet werden müssen.
Moderne KI- und App-Entwicklung
Intelligente Apps und Agenten benötigen sofortigen Zugriff auf frischen operativen Kontext. Snowflake Postgres ist darauf ausgelegt, Transaktionen mit hohem Durchsatz und groß angelegte Analytics gleichzeitig auf einer einzigen Plattform zu unterstützen.
BlueCloud unterstützt transaktionale Workloads mit geringer Latenz neben Analytics und KI auf einer Plattform, wodurch der Infrastruktur-Overhead reduziert wird und ihre Kunden schneller agieren können.
Superblocks ermöglicht es Entwickler:innen, Full-Stack-Unternehmens-Apps mit dem Coding-Agenten von Snowflake, Snowflake CoCo, zu erstellen. Da Superblocks direkt mit Snowflake Postgres verbunden ist, erhalten Entwickler:innen vertraute SQL-Tools zur Verwendung mit Live-Daten, ohne Pipelines.
Snowflake Postgres ist schneller und zuverlässiger als Lakebase
Bei der Bewertung von verwalteten Postgres-Angeboten werden die Unterschiede besonders im großen Maßstab deutlich. Snowflake Postgres zeichnet sich durch eine Benchmark-Performance aus, die etwa 4-mal schneller ist als Databricks Lakebase.1 Es bietet ein veröffentlichtes Verfügbarkeits-SLA von 99,95 %, während Lakebase keine öffentliche SLA-Zusage hat. Snowflake Postgres unterstützt außerdem bis zu 64 TB Speicherplatz und übertrifft damit das 16-TB-Limit, das Lakebase einschränkt, deutlich.
Operativ vereinfacht Snowflake Postgres die Verwaltung durch direkte Upgrades der Postgres-Hauptversion mit minimaler Unterbrechung und vermeidet so schmerzhafte Ausfallzeiten. Darüber hinaus unterstützt Snowflake Postgres die standardmäßige logische Replikation, was Unternehmen mehr Flexibilität für Datenbewegungs-, Migrations- und Integrationsszenarien bietet. Lakebase unterstützt keine logische Replikation.
Zusammen machen diese Funktionen Snowflake Postgres zu einer großartigen Wahl für Unternehmen, die nach führender Postgres-Performance, Skalierbarkeit und Ausfallsicherheit suchen.
Jetzt entdecken
Snowflake Postgres ist produktionsbereit und heute allgemein verfügbar. Der Snowflake Online Feature Store ist in Public Preview. Sehen Sie sich diese Ressourcen an, um loszulegen:
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 aktuellen Formular 10-Q.
Performance-Vergleiche basierend auf internen Benchmarks, April 2026. Tatsächliche Ergebnisse können je nach Workload, Konfiguration und Region variieren.
1 Basierend auf PostgreSQL-Transaktionen pro Minute, Vergleich von Snowflake Postgres HIGHMEM_4XL (96 WH) mit Databricks Lakebase 64 CU (96 WH).
