19 oct 2026/6 min de lecturaIA y ML
Presentamos Snowflake Decision Fast: decisiones estructuradas al ritmo del negocio
Hace apenas dos semanas, presentamos Snowflake Decision en Cortex AI Functions en vista previa privada. Diseñado específicamente para la clasificación, la puntuación, el filtrado y el enrutamiento, aborda tareas de gran volumen con respuestas acotadas. En lugar de texto abierto, devuelve una respuesta tipada, como una categoría concreta, una puntuación numérica o una probabilidad de sí o no, sobre la que tu flujo de trabajo puede actuar directamente.
Nuestros clientes enseguida señalaron la necesidad de una “velocidad de arcade” para las decisiones integradas en flujos de trabajo interactivos o sensibles a la latencia, como pasos de enrutamiento en tiempo real, comprobaciones de fraude en tiempo real o el primer paso de triaje de un agente. En estos entornos, la velocidad es fundamental.
Hoy, en vista previa privada, ampliamos la oferta de Snowflake Decision para responder a estas necesidades con las siguientes capacidades, todas ellas respaldadas por la misma gobernanza, controles de acceso y políticas de auditoría en las que ya confías:
snowflake-decision-fast: Una variante de snowflake-decision con menor latencia, diseñada para workloads en los que el tiempo de respuesta importa tanto como la calidad de las decisiones.
Compatibilidad con REST API: Invoca los modelos de Snowflake Decision mediante Cortex AI Gateway para que las aplicaciones, los servicios y los agentes externos a SQL puedan utilizar la toma de decisiones estructuradas.
Cortex AI Functions: snowflake-decision-fast está disponible de forma nativa a través de AI_COMPLETE en SQL.
Toma de decisiones en acción: clasificación de texto en tiempo real
Para demostrar la capacidad interactiva de snowflake-decision-fast, creamos una aplicación de clasificación de texto en tiempo real. Cuando un cliente abre una incidencia de soporte, por ejemplo, una reclamación por un cobro duplicado, la aplicación evalúa rápidamente el texto en tiempo real para tomar tres decisiones simultáneas: enrutar la incidencia al equipo adecuado, marcar su urgencia e interpretar el sentimiento del cliente.
Con cada pulsación de tecla, la aplicación interactiva evalúa el estado actual del texto y plantea al modelo preguntas acotadas para determinar el siguiente paso del flujo de trabajo. Esta capacidad interactiva puede ejecutarse de forma externa a través de Cortex AI Gateway:
import os
from typesafe_sdk import Choice, Noul, Score, TypeSafeClient
client = TypeSafeClient(
api_key=os.environ["SNOWFLAKE_PAT"],
base_url="https://<your-gateway-host>/api/v2/aigateways/<GATEWAY_NAME>",
model="snowflake-decision-fast",
)
response = client.system_one(
state=(
"hi i have a question about my account. i was charged twice for my "
"subscription and would like a refund. i need this resolved today "
"before our finance 5pm cutoff. this is the 3rd time i contacted support."
),
questions={
"needs_attention_now": Noul(
instructions="Does this ticket need attention now because it is urgent or time-sensitive?"
),
"team": Choice(
instructions="Which support team should handle this ticket?",
criteria={
"billing": "Payments, invoices, subscriptions, duplicate charges, refunds.",
"technical_support": "Product bugs, outages, broken integrations, API issues.",
"account_access": "Login, password, MFA, locked account, authentication.",
"sales": "Pricing, plan upgrades, renewals, contracts, purchasing.",
"general": "Unclear, mixed, or uncategorized requests.",
},
),
"customer_tone": Score(
instructions="How frustrated does the customer sound? This is about tone, not issue severity.",
criteria=["Calm", "Frustrated", "Very frustrated"],
),
},
)
print(response.nouls["needs_attention_now"].noul)
print(response.choices["team"].choice)
print(response.choices["team"].probabilities)
print(response.scores["customer_tone"].score) # 0=Calm, 1=Frustrated, 2=Very frustrated
Así funciona:
Figura 1. Con nuestra herramienta de clasificación de texto, puedes abrir una incidencia de soporte y snowflake-decision-fast toma tres decisiones a la vez y en tiempo real: quién debe gestionarlo, cuál es su grado de urgencia y cómo se siente el cliente.
Este caso de uso interactivo pone de relieve los mecanismos fundamentales de los modelos de decisión:
Restricciones de construcción: La aplicación solo ofrece acciones válidas como opciones de selección. El modelo no puede devolver una acción no válida, por lo que tu código no necesita analizadores sintácticos, bucles de reintento ni una gestión de errores compleja.
Probabilidades como producto: El modelo devuelve el valor elegido y las probabilidades de cada opción, en lugar de un razonamiento en texto libre. Una confianza alta de 0,99 para una ruta de “Facturación” proporciona una señal concluyente sobre la que puedes establecer un umbral en los flujos de trabajo en tiempo.
Latencia visible: La interfaz en tiempo real depende de decisiones casi instantáneas mientras el usuario escribe, con recorridos de ida y vuelta al punto de conexión que se completan sistemáticamente en menos de 300 ms. La ejecución en snowflake-decision-fast garantiza que la latencia se mantenga lo bastante baja como para ofrecer una experiencia de usuario fluida y en tiempo real.
Escalado a operaciones masivas sobre tablas
Aunque REST API es idónea para decisiones interactivas puntuales, las mismas capacidades de toma de decisiones estructuradas también están disponibles mediante Cortex AI Functions, lo que permite a los desarrolladores aplicar lógica de clasificación y enrutamiento directamente a grandes conjuntos de datos con SQL sencillo.
Imagina una plataforma global de soporte que necesita realizar el triaje y el enrutamiento de millones de incidencias o mensajes entrantes cada día. El uso de un large language model (LLM) de uso general para una tarea de clasificación muy específica puede introducir complejidad, costes y sobrecarga de procesamiento innecesarios, especialmente cuando cada registro solo requiere un pequeño conjunto de decisiones estructuradas.
Al utilizar snowflake-decision-fast en AI_COMPLETE, los equipos pueden aplicar la misma lógica de decisión a tablas completas sin crear pipelines de inferencia independientes ni gestionar integraciones con API externas.
Por ejemplo, la siguiente consulta clasifica las incidencias de soporte entrantes por cola de enrutamiento y determina si cada una requiere un escalado, generando resultados estructurados listos para su procesamiento posterior:
SELECT
ticket_id,
AI_COMPLETE(
model => 'snowflake-decision-fast',
prompt => TO_JSON({
'state': ticket_body,
'questions': {
'routing_queue': {
'type': 'choice',
'instructions': 'Determine the correct support queue for this ticket.',
'criteria': {
'billing': 'Invoices, payments, or subscription changes',
'technical': 'System errors, bugs, or API issues',
'account': 'Password resets or profile updates'
}
},
'requires_escalation': {
'type': 'noul',
'instructions': 'The customer is expressing extreme frustration or threatening to churn'
}
}
})
)::VARIANT AS decision_output
FROM incoming_support_tickets_10m;
Lo que funciona para una llamada a una REST API en tiempo real puede ampliarse a la clasificación de gran volumen, la puntuación sin conexión y el triaje asíncrono directamente en tus pipelines de datos.
Velocidad con una calidad en la que puedes confiar
El panorama de la toma de decisiones estructuradas mediante IA evoluciona con rapidez, y estamos realizando iteraciones a gran velocidad para mejorar tanto la calidad como la velocidad bruta de ejecución de nuestros modelos. Nuestros esfuerzos de ingeniería se centran en ampliar de forma decidida los límites de la precisión en las decisiones en pruebas comparativas consolidadas y, al mismo tiempo, reducir la latencia y los costes de cómputo de las aplicaciones en tiempo real.
snowflake-decision-fast es nuestro último paso para ofrecer a los desarrolladores el perfil de rendimiento exacto que exige su arquitectura, y en los próximos meses puedes esperar actualizaciones rápidas y continuas de la calidad del modelo.
Figura 2. La precisión media y el tiempo medio de procesamiento de las filas de las tablas. La diferencia entre snowflake-decision y snowflake-decision-fast se calcula mediante nuestra prueba comparativa interna de decisiones.
Primeros pasos
Para solicitar acceso anticipado a los modelos de decisión, ponte en contacto con tu equipo de cuenta de Snowflake. Un comercial se pondrá en contacto contigo para indicarte los pasos siguientes, incluida la documentación completa sobre la vista previa privada.
Las decisiones rápidas y estructuradas permiten aplicar patrones que antes no eran prácticos: agentes que verifican cada paso antes de actuar, pipelines que puntúan cada registro en el momento en que llega y flujos de trabajo en tiempo real que enrutan al instante. La pregunta deja de ser “¿podemos permitirnos usar IA aquí?” y pasa a ser “¿dónde más podríamos incorporar una decisión?”.
