Snowflake Semantic View Autopilot: modelado semántico con IA en minutos

Una semántica gobernada y fiable es un requisito básico para disponer de datos preparados para la IA. Hoy anunciamos la disponibilidad general de Semantic View Autopilot (SVA), un sistema que genera automáticamente vistas semánticas a partir de tus consultas existentes y recursos de inteligencia empresarial (BI).

El problema es la falta de definición, no el LLM

En 2025, los equipos que creaban agentes de IA aprendieron que incluso los modelos más inteligentes tenían dificultades si la lógica empresarial era incoherente. La barrera no era la capacidad de la IA, sino la definición de los datos.

Prashanth Sanagavarapu, SVP of Engineering en VTS, señala que “crear y mantener una capa semántica coherente requería un importante esfuerzo manual” para evitar cifras contradictorias. Por eso creamos Semantic View Autopilot: para automatizar la creación de esa capa gobernada y fiable.

“Semantic View Autopilot proporciona a nuestros sistemas de IA una comprensión coherente y gobernada de las métricas empresariales..., lo que nos permite ofrecer una personalización fiable y una interacción basada en IA en la que nuestros clientes pueden confiar”, afirma Matt Walker, CTO en Simon AI.

Snowflake automatiza la creación de vistas semánticas

Las vistas semánticas aportan contexto sobre el significado y la intención de tus datos, no solo sobre su estructura. Indican a los LLM cómo traducir los datos a conceptos empresariales, pero crearlas suele llevar mucho tiempo y requiere mucho trabajo manual.

Para los equipos de datos, el objetivo es una lógica coherente. Pero crearlas manualmente es una carga. El equipo de producto puede definir los “ingresos recurrentes mensuales” de una forma, sin saber que el equipo financiero excluye las comisiones de configuración puntuales. Estas reglas ocultas solo salen a la luz tras la implementación, cuando las cifras no cuadran.

SVA cierra esta brecha al automatizar la creación y la gobernanza de las vistas semánticas. En lugar de exigir que los ingenieros programen definiciones desde cero, SVA propone métricas y filtros aprendidos del historial de consultas y de recursos de BI fiables, para que los equipos puedan revisarlos, certificarlos e implementarlos en minutos en lugar de semanas.

Cómo funciona: aprendizaje a partir de patrones de consenso

El principio fundamental de SVA es que la semántica ya está definida en el historial de consultas, el uso de datos y los paneles. Esto convierte el modelado semántico de una tarea de programación a una de curación: ahora los equipos pueden centrarse únicamente en revisar la lógica que SVA saca a la superficie. Estas definiciones gobernadas impulsan Snowflake Cortex Analyst, Cortex Agents y Snowflake Intelligence para ofrecer resultados más precisos y de confianza.

SVA analiza tres señales clave, tal y como se describe a continuación.

Reconocimiento de patrones y extracción basada en consenso

SVA utiliza algoritmos de clustering que analizan patrones de consultas y preguntas en lenguaje natural para identificar una lógica empresarial de consenso. Cuando existen definiciones contradictorias, como distintos filtros de “usuario activo”, SVA muestra el patrón más común como propuesta.

Por ejemplo, si más de 200 consultas calculan sistemáticamente “usuario activo” como user_engagement_score > 50 AND last_login_days < 30, SVA propone este filtro incluso si un usuario ha ejecutado recientemente una consulta diferente.

Aprendizaje multiseñal a partir de fuentes de alta confianza

La fuente de mayor confianza suele ser los paneles de BI existentes, donde ya reside la lógica empresarial de años. Tableau es la primera herramienta de BI compatible con SVA; habrá más a través de nuestros más de 20 partners de OSI. SVA convierte paneles estáticos en IA conversacional en minutos (ver el laboratorio práctico).

Los equipos también pueden cargar directamente consultas SQL de confianza. SVA extrae relaciones y métricas, y las almacena como consultas verificadas para su uso futuro. Y, como todo se ejecuta dentro de Snowflake, SVA puede analizar tus datos reales. La cardinalidad de las columnas revela tipos de relaciones e impulsa sugerencias como añadir un servicio Cortex Search para mejorar la precisión.

Iteración continua basada en el uso en evolución

SVA supervisa los patrones de uso para mantener las vistas semánticas actualizadas. Si una organización lanza un nivel de suscripción “Pro”, SVA detecta que las nuevas consultas incluyen subscription_tier = 'pro' y propone incorporarlo, para que las respuestas sigan siendo coherentes a medida que evolucionan las reglas empresariales.

El cambio de BI a agentes de IA requiere una base semántica fundamentada en el uso de los datos, no en las suposiciones de los LLM. Semantic View Autopilot es la vía más rápida hacia una IA gobernada y con reconocimiento de contexto, disponible ahora en todas las regiones de Snowflake donde Cortex Analyst está disponible.

Empieza hoy mismo. Prueba SVA en tu cuenta y descubre las mejores prácticas para crear vistas semánticas para Cortex Analyst.