Blog
Beschleunigung von scikit-learn und pandas in Snowflake mit GPUs
Erfahren Sie, wie Sie mit GPUs die Modellentwicklung für scikit-learn, pandas, UMAP und HDBSCAN beschleunigen können – ohne Codeänderungen.
FUNKTION
Snowflake ML
Beschleunigen Sie maschinelles Lernen mit verteilten GPUs oder CPUs auf derselben Plattform wie Ihre kontrollierten Daten. Optimieren Sie die Modellentwicklung sowie MLOps für Echtzeit- und Batch-Workflows ohne manuellen Konfigurations- oder Wartungsaufwand für die Infrastruktur – alles über eine einzige, zentrale Benutzeroberfläche.
Übersicht
Schluss mit komplexen Tool-Kombinationen für ML-Workflows: Bringen Sie Modelle schneller zur Produktionsreife – mit nur einer Plattform.
Entwickeln, implementieren und überwachen Sie ML-Features und -Modelle auf einer vollständig integrierten Plattform, die Tools, Echtzeit- und Batch-Workflows und skalierbare Rechenressourcen mit den Daten zusammenführt.
Integrierte Entwicklung und MLOps
Vereinheitlichen Sie Modell-Pipelines durchgängig mit jedem beliebigen Open-Source-Modell auf derselben Plattform, auf der sich auch Ihre Daten befinden.
Mühelose Skalierung von Modellen
Skalieren Sie ML-Pipelines über CPUs oder GPUs mit integrierten Infrastrukturoptimierungen – keine manuelle Anpassung oder Konfiguration erforderlich.
Zuverlässige ML-Einblicke
Entdecken, verwalten und kontrollieren Sie Features und Modelle in Snowflake über den gesamten Lebenszyklus hinweg.
ML-Workflow
Schneller von der Entwicklung in die Produktionmit Snowflake ML
Modellentwicklung
Erstellen Sie skalierbare Modelle auf Basis von Snowflake-Daten mit agentenbasierten ML-Workflows
- Generieren, iterieren und verfeinern Sie autonom vollständig ausführbare ML-Pipelines aus Prompts in natürlicher Sprache mithilfe von Cortex Code.
Optimieren Sie das Laden von Daten und verteilen Sie das Modelltraining mit ML Jobs – direkt aus Snowflake Notebooks oder einer IDE Ihrer Wahl.
- Nutzen Sie vorinstallierte Bibliotheken wie XGBoost und PyTorch oder installieren Sie beliebige Pakete von Open-Source-Hubs wie PyPi und HuggingFace einfach per pip install.
Feature-Management
Entwickeln und verwalten Sie Features in Batch und Echtzeit für produktionsreife Pipelines
Erstellen, verwalten und stellen Sie ML-Features bereit – mit kontinuierlicher, automatisierter Aktualisierung für Batch- oder Streaming-Daten in unter 30 Millisekunden mithilfe des Snowflake Feature Store.
Verbessern Sie die Auffindbarkeit, Wiederverwendbarkeit und Governance von Features über das gesamte Training und die Inferenz hinweg.
Suchen Sie ganz einfach nach Features und verfolgen Sie diese in der gesamten Pipeline visuell nach – über die integrierte Feature Store-Benutzeroberfläche.
Produktion
Stellen Sie ML-Modelle beliebigen Ursprungs für Batch- und Online-Inferenz bereit
- Registrieren Sie Modelle beliebigen Ursprungs in der Snowflake Model Registry und stellen Sie diese für Batch- oder Echtzeit-Prognosen auf Basis von Snowflake-Daten mit CPUs oder GPUs bereit.
Stellen Sie Modelle in unter 100 Millisekunden bereit, um Online-Anwendungsfälle mit niedriger Latenz wie personalisierte Empfehlungen und Betrugserkennung zu unterstützen.
- Überwachen Sie mühelos Performance- und Drift-Metriken mit der integrierten ML Observability.
„Früher dauerte es eine halbe Stunde, all diese Modelle zu trainieren und Vorhersagen zu erzeugen. Das zentralisierte Snowflake-Modell ist superschnell: Prognosen für Hunderttausende Kund:innen sind binnen weniger Minuten generiert. Diese Geschwindigkeit und Einfachheit ebnen unserem Unternehmen den Weg zu zusätzlichen Möglichkeiten wie Simulationen und Szenarioprognosen.“
Dan Shah
Manager of Data Science
„Indem wir in Snowflake vollständig automatisierte Echtzeit-Gebührenschätzungen mit einer Genauigkeit von 97 bis 99 % bereitstellen, können wir die Kostentransparenz steigern und das Vertrauen in Abrechnungs- und Berichtsprozesse stärken.“
Venkata Kalyan Sanaboyina
Senior Engineering Lead
Funktionsüberblick
Erfahren Sie mehr über die integrierten Funktionen für Entwicklung
und Produktion in Snowflake ML
Erste Schritte
Gehen Sie den nächsten Schrittmit Snowflake
Starten Sie noch heute Ihre kostenfreie 30-tägige Testversion
- 400 $ kostenfreies Startguthaben
- Sofort Zugriff auf die neuesten Snowflake ML-Funktionen
- Ein Modell mit CPUs oder GPUs erstellen und bereitstellen
End-to-End-ML
Häufig gestellte Fragen
Kann ich sowohl CPUs als auch GPUs für ML-Workflows in Snowflake verwenden?
Ja, Data Scientists und ML Engineers können Modelle mit verteilter Verarbeitung auf CPUs oder GPUs entwickeln und bereitstellen. Möglich wird dies durch die zugrunde liegende, moderne, Ray-basierte Container-Infrastruktur, auf der die Snowflake ML-Plattform aufbaut.
Unterstützt Snowflake sowohl Batch- als auch Echtzeit-ML-Workflows?
Ja, Snowflake ML verarbeitet sowohl Online- als auch Batch-Workloads. Für Echtzeitanforderungen stehen unser Online-Feature Store und die Online-Modellinferenz allgemein zur Verfügung, um Anwendungsfälle wie personalisierte Empfehlungen, Betrugserkennung, Preisoptimierung und Anomalieerkennung zu unterstützen.
Kann ich nur Modelle in der Produktion ausführen, die in Snowflake entwickelt wurden?
Nein, Sie können Modelle, die an beliebigen Orten extern entwickelt wurden, mit Snowflake-Daten in der Produktion ausführen. Während der Inferenz können Sie von integrierten MLOps-Funktionen wie ML-Beobachtbarkeit und RBAC-Governance profitieren.
Ist Snowflake ML mit Open Source kompatibel?
Ja, Snowflake ML ist vollständig mit jeder Open-Source-Bibliothek kompatibel. Greifen Sie über pip sicher auf Open-Source-Repositorys zu und importieren Sie beliebige Modelle von Hubs wie Hugging Face.
Wie funktioniert die Preisgestaltung für Snowflake ML?
Snowflake arbeitet nach einem verbrauchsabhängigen Preismodell. Sie finden die neueste Credit-Pricing-Tabelle hier.
Kann ich Snowflake ML kostenlos testen?
Ja, Sie können jeden unserer ML-Quickstarts direkt über die kostenlose Testversion ausprobieren.
