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
Mit Snowflake CoCo können Sie schneller von Daten zu prädiktiven Erkenntnissen gelangen. Erstellen Sie produktionsreife ML-Pipelines in natürlicher Sprache – genau dort, wo sich Ihre kontrollierten Daten befinden.
Übersicht
Modelle mit Agentic ML schneller in Produktion bringen
Beschleunigen Sie den Modelllebenszyklus mit automatisierten ML-Pipelines. Gewinnen Sie prädiktive, auf Ihr Unternehmen zugeschnittene Einblicke mit nativem Kontext – über Ihre Daten, Features, Modelle und Notebooks hinweg – auf einer einheitlichen, kontrollierten Plattform.
Integration von ML-Workflows auf einer einzigen Plattform
Vereinheitlichen Sie Workflows für Entwicklung, Inferenz und Betrieb – genau dort, wo sich Ihre Daten bereits befinden.
Zuverlässige ML-Einblicke
Entdecken, verwalten und kontrollieren Sie Features und Modelle in Snowflake über den gesamten Lebenszyklus hinweg – mit zentraler Lineage und rollenbasierter Zugriffskontrolle (RBAC).
ML-Workflow
Vom Notebook in die Produktion mit Snowflake ML
Modellentwicklung
Nutzen Sie Agentic ML, um skalierbare Modelle mit nativem Kontextbewusstsein zu erstellen
- Generieren und iterieren Sie ML-Pipelines mit Prompts in natürlicher Sprache von Snowflake CoCo.
Optimieren Sie das Laden von Daten und beschleunigen Sie das Training aus Snowflake Notebooks oder direkt aus VS Code mit Snowflakes VS Code Extension oder über Cursor.†
Nutzen Sie vorinstallierte Bibliotheken wie XGBoost und PyTorch oder installieren Sie beliebige Pakete von Open-Source-Hubs wie PyPI und Hugging Face einfach per pip install.
Passen Sie Open-Weight Foundation-Modelle an und trainieren Sie sie – mit Cortex Training.*
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 20 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.
Modellmanagement
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.
Erreichen Sie Antwortzeiten von unter 100 Millisekunden bei der Modellbereitstellung, um Online-Anwendungsfälle mit niedriger Latenz zu unterstützen, einschließlich Customer Lifetime Value und Betrugserkennung.
- 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
Funktionsüberblick
Erfahren Sie mehr über die integrierten Funktionen für Entwicklung
und Produktion in Snowflake ML
Erste Schritte
Gehen Sie den nächsten Schrittmit Snowflake
Probieren Sie einen ML-Quickstart aus – mit der 30-tägigen 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
Haben Sie Fragen zu Snowflake ML? Wir haben die Antworten. Hier sind einige der am häufigsten gestellten Fragen, die Ihnen helfen zu verstehen, wie es funktioniert und wie Sie starten können.
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 mit einem verbrauchsabhängigen Preismodell. Entdecken Sie die aktuelle Credit Pricing Table.
Kann ich Snowflake ML kostenlos testen?
Ja, Sie können jeden unserer ML-Quickstarts direkt über die Testversion ausprobieren.
