8 oct 2026/6 min de lecturaIA y ML
Presentamos Snowflake Decision en Cortex AI Functions
Muchos workloads de inteligencia artificial (IA) empresarial plantean problemas de decisión: determinar a qué categoría pertenece un registro, qué riesgo entraña una transacción y si una incidencia debe seguir procesándose. Muchas de estas tareas tienen un conjunto limitado de respuestas y se ejecutan con un gran volumen de datos en tablas de gran tamaño.
Los large language models (LLM) de uso general pueden abordar estas tareas, pero a veces suponen un coste y una latencia superiores a lo necesario. Los modelos de decisión están diseñados específicamente para tareas sencillas y de gran volumen que no requieren un razonamiento complejo, como la clasificación, la puntuación, el filtrado y el enrutamiento. Devuelven una respuesta tipada, como una categoría, una puntuación o una probabilidad de sí/no, que tu flujo de trabajo puede utilizar directamente.
Los clientes ya utilizan Cortex AI Functions para clasificar, puntuar y enrutar datos a escala. Ahora presentamos Snowflake Decision (en vista previa privada), un modelo de decisión disponible mediante AI_COMPLETE, que ayuda a los equipos a escalar tareas sencillas y de gran volumen con mayor eficiencia. La llamada se ejecuta en Snowflake Cortex AI Functions, por lo que la gobernanza, los controles de acceso y las políticas de auditoría que ya tienes implantados se aplican a cada decisión.
Un modelo diseñado para tomar decisiones estructuradas precisas y eficientes
Consideremos un flujo de trabajo de asistencia que procesa de miles a millones de incidencias. Antes de que una incidencia llegue a un agente, debe asignarse al equipo adecuado. El mismo mensaje puede necesitar también una puntuación de frustración del cliente y comprobar si expresa urgencia. En lugar de abordar estas cuestiones mediante llamadas independientes al modelo, un modelo de decisión puede evaluar las tres a la vez y devolver respuestas estructuradas que tu flujo de trabajo puede utilizar directamente.
Al elegir un modelo para estos flujos de trabajo, la calidad de las decisiones importa tanto como la velocidad, el coste y el formato de respuesta. Por eso nos complace poner Snowflake Decision a disposición de los clientes. En nuestra evaluación, Snowflake Decision obtuvo la puntuación de calidad más alta entre los 72 modelos comparados en las pruebas de referencia de Jev Decision Index 0.2.1. Para los clientes, unas decisiones de mayor calidad pueden traducirse en una clasificación, una puntuación y un enrutamiento más fiables en flujos de trabajo de gran volumen.
Nota: Evaluamos Snowflake Decision en 29 pruebas de referencia de Jev Decision Index 0.2.1 que se ejecutaron de principio a fin en nuestra interfaz actual y abarcaban 88 837 solicitudes de prueba relacionadas con el razonamiento, el lenguaje, la recuperación, el uso de herramientas y el criterio creativo. Estas 29 pruebas de referencia son un subconjunto de la prueba de referencia general Hugging Face; los límites actuales de la interfaz, como un máximo de 32 opciones, nos impiden ejecutar la prueba de referencia completa. Snowflake Decision obtuvo 57,63 puntos, la puntuación de calidad más alta entre los 72 modelos evaluados en las mismas 29 pruebas de referencia. Para garantizar una comparación equitativa, calculamos la puntuación de cada modelo a partir de los mismos resultados de las pruebas de referencia y la metodología publicada del índice que tiene en cuenta el azar.
Clasificar las incidencias de soporte con Cortex AI Functions
Cortex AI Functions incorpora las llamadas a modelos en SQL. Se invoca al modelo de decisión a través de AI_COMPLETE pasando la solicitud en formato JSON en el argumento del prompt. Se proporciona el texto de la incidencia y preguntas claramente definidas mediante tres tipos de preguntas compatibles:
Opción: Selecciona una opción de una lista definida, como facturación, asistencia técnica o ventas.
Puntuación: Puntúa la entrada según una escala ordenada, como tranquilo, frustrado pero educado o muy enfadado.
Sí o no (noul): Devuelve una probabilidad de 0 a 1 para una afirmación como “El mensaje transmite urgencia”.
En este ejemplo, cada fila de la tabla support_tickets contiene un mensaje de un cliente en la columna ticket_text . Una sola llamada a Snowflake Decision enruta la incidencia, puntúa la frustración y evalúa la urgencia:
SELECT AI_COMPLETE(
model => 'snowflake-decision',
prompt => TO_JSON({
'state': ticket_text,
'questions': {
'department': {
'type': 'choice',
'instructions': 'Which team should handle this',
'criteria': {
'billing': 'Payment or subscription issues',
'technical': 'Bugs or integration problems',
'sales': 'Pricing or account questions'
}
},
'frustration': {
'type': 'score',
'instructions': 'How frustrated the customer appears',
'criteria': ['Calm', 'Frustrated but civil', 'Very angry']
},
'is_urgent': { 'type': 'noul', 'instructions': 'The message conveys urgency' }
}
})
) FROM support_tickets;
El resultado se devuelve como un mapa de respuestas, indexado por los nombres de tus preguntas, con el valor elegido, las probabilidades de cada opción y, en el caso de las preguntas de opción y puntuación, un valor de confianza.
Response
{
"answers": {
"department": {
"choice": "billing",
"confidence": 0.9305973965815073,
"probabilities": {
"billing": 0.9537315977210048,
"sales": 0.017468203540633418,
"technical": 0.02880019873836161
},
"type": "choice"
},
"frustration": {
"confidence": 0.7082686180607838,
"legend": {
"0": "Calm",
"1": "Frustrated but civil",
"2": "Very angry"
},
"probabilities": {
"0": 0.014753474459327466,
"1": 0.1797341135001498,
"2": 0.8055124120405226
},
"score": 1.790758937581195,
"type": "score"
},
"is_urgent": {
"noul": 0.8807970779778823,
"type": "noul"
}
}
}
Qué puedes hacer con un modelo de decisión en Snowflake
Actualmente, Cortex AI Functions ofrece a los equipos distintas opciones de modelos para diferentes tareas. Nuestro modelo de decisión amplía esta selección con una opción adicional junto con los modelos de uso general que ya están disponibles. Es idóneo para decisiones limitadas y de gran volumen que se ejecutan en numerosas filas: clasificación, enrutamiento, puntuación, filtrado y triaje.
Cuándo recurrir a un modelo de decisión:
- La respuesta es una opción en un conjunto conocido de opciones, una puntuación en una escala o un sí/no.
- Ejecutas la decisión en miles de filas.
- La velocidad y el coste son importantes.
- Quieres una probabilidad a la que puedas aplicar un umbral.
- Quieres utilizar un modelo de decisión para el enrutamiento y la categorización como primer paso de un pipeline de LLM de varios pasos.
Cuándo resulta más adecuado un modelo de uso general:
- Necesitas resúmenes, razonamiento abierto o extracción en formato libre.
- El espacio de respuestas no está limitado.
- La tarea requiere razonamiento en varios pasos o generación creativa.
Los equipos están estudiando el uso de modelos de decisión para tareas como las siguientes:
- Operaciones de asistencia: Un equipo de asistencia necesita asignar cada incidencia entrante a una cola antes de que un agente se haga cargo de él. Una sola llamada devuelve la cola, una puntuación de frustración y un indicador de urgencia para cada incidencia de la tabla.
- Analíticas de reseñas de clientes: Un equipo de producto quiere saber qué problemas aparecen con mayor frecuencia en un corpus de reseñas de gran tamaño. Una sola llamada puede devolver una categoría de reseña y una puntuación de gravedad, de modo que el equipo pueda agregar fácilmente las opiniones y priorizar funcionalidades.
- Comprobaciones de la calidad de las respuestas: Un equipo que utiliza un asistente de IA quiere saber si sus respuestas cumplen una política determinada. El modelo de decisión evalúa cada respuesta conforme a esa política y puntúa hasta qué punto responde a la solicitud del cliente, de modo que los revisores solo tengan que leer las que no cumplan los requisitos.
- Creación de un pipeline de datos de IA: Actualmente, algunos pipelines envían todas las solicitudes a un modelo de gran tamaño. El modelo de decisión evalúa el nivel de razonamiento necesario para cada solicitud. Después, los clientes pueden crear un pipeline que envíe los casos difíciles al modelo de mayor tamaño y mantenga el resto en una ruta más rentable.
Primeros pasos
Para solicitar acceso, ponte en contacto con tu equipo de cuenta de Snowflake. Un miembro del equipo de Snowflake se pondrá en contacto contigo para indicarte los pasos siguientes, incluida la documentación de la vista previa privada.
