Blog
Optimiser scikit-learn et pandas dans Snowflake avec des GPU
Apprenez comment accélérer les cycles de développement de modèles pour scikit-learn, pandas, UMAP et HDBSCAN avec des GPU, sans modifier de code.
Fonctionnalité
Snowflake ML
Passez plus vite des données aux insights prédictifs avec Snowflake CoCo. Créez des pipelines de ML prêts pour la production en langage naturel, là où résident vos données gouvernées.
Présentation
Accélérez la mise en production des modèles avec le ML agentique
Accélérez le cycle de vie des modèles grâce à des pipelines de ML automatisés. Obtenez des insights prédictifs adaptés à votre activité avec un contexte natif sur l’ensemble de vos données, features, modèles et notebooks, sur une plateforme unifiée et gouvernée.
Intégrez les workflows de ML sur une plateforme unique
Unifiez les workflows de développement, d’inférence et d’opérations là où résident déjà vos données.
Dimensionnez des modèles prêts à l’emploi
Répartissez les pipelines de ML sur des CPU et GPU grâce à des optimisations intégrées qui accélèrent l’entraînement, l’inférence par batch et l’inférence en temps réel, sans réglage manuel.
Générez par ML des informations fiables
Découvrez, gérez et gouvernez les features et les modèles dans Snowflake sur l’ensemble du cycle de vie grâce à une traçabilité des données centralisée et au contrôle d’accès basé sur les rôles (RBAC).
Flux de travail de ML
Passez du notebook à la production avec Snowflake ML
Développement de modèles
Utilisez le ML agentique pour créer des modèles évolutifs avec une compréhension native du contexte
- Générez et itérez des pipelines de ML avec des prompts en langage naturel grâce à Snowflake CoCo.
Optimisez le chargement des données et accélérez l’entraînement depuis Snowflake Notebooks ou directement depuis VS Code à l’aide de l’extension VS Code de Snowflake ou via Cursor.†
Utilisez des bibliothèques préinstallées comme XGBoost et PyTorch, ou installez des packages avec pip depuis des hubs open source comme PyPI et Hugging Face.
Personnalisez et entraînez des modèles de fondation à poids ouverts (open weight) avec Cortex Training.*
Gestion de features
Développez et gérez des features par batch et en temps réel pour les pipelines de production
Créez, gérez et servez des features de ML avec une actualisation continue et automatisée sur des données en batch ou en streaming en moins de 20 millisecondes à l’aide du Snowflake Feature Store.
Favorisez la découvrabilité, la réutilisation et la gouvernance des features à travers l’entraînement et l’inférence.
Recherchez et suivez visuellement des features dans le pipeline en toute simplicité grâce à l’interface utilisateur intégrée de Feature Store.
Gestion des modèles
Déployez des modèles de ML pour une inférence par batch et en ligne, quel que soit leur environnement d'origine
Enregistrez des modèles, quelle que soit leur plateforme de création, dans Snowflake Model Registry, puis utilisez-les pour des prédictions par batch ou en temps réel sur les données Snowflake avec des CPU ou des GPU.
Exécutez vos modèles avec une latence inférieure à 100 millisecondes pour alimenter des cas d’usage en ligne à faible latence, notamment la valeur vie client et la détection de la fraude.
- Contrôlez facilement les indicateurs de performances et d’écarts grâce à l’intégration de ML Observability.
« Tout unifier dans Snowflake ML, travailler de façon fluide sans avoir à penser à la sécurité ni à la gouvernance : c’est un formidable accélérateur de productivité. »
Tuhin Ghosh
Head of Data Science for the Platform Product Group at Coinbase
Présentation des fonctionnalités
En savoir plus sur les fonctionnalités intégrées pour le développement
et la production dans Snowflake ML.
Premiers pas
Passez à l’étape suivanteavec Snowflake
Lancez votre premier projet ML dès aujourd’hui dans le cadre d’un essai de 30 jours
- 400 USD de crédits gratuits
- Accès immédiat aux dernières features de Snowflake ML
- Créez et déployez un modèle avec des CPU ou des GPU
ML de bout en bout
Questions fréquentes
Vous avez des questions sur Snowflake ML ? Nous sommes là pour vous répondre. Voici quelques-unes des questions les plus courantes pour vous aider à en comprendre le fonctionnement et comment vous lancer.
Puis-je utiliser des CPU ou des GPU pour les flux de travail de ML dans Snowflake ?
Oui, les data scientists et les ML engineers peuvent créer et déployer des modèles avec traitements distribués dans des CPU ou GPU. C’est possible grâce à l’infrastructure de conteneurs modernes basés sur Ray de la plateforme Snowflake ML.
La plateforme Snowflake prend-elle en charge les flux de travail de ML par batch et en temps réel ?
Oui, Snowflake ML gère les workloads en ligne et par batch. Pour les besoins en temps réel, notre feature store en ligne et l’inférence de modèle en ligne sont disponibles pour tous nos clients afin d’alimenter des cas d’usage, notamment les recommandations personnalisées, la détection des fraudes, l’optimisation de la tarification et la détection des anomalies.
Les modèles créés dans Snowflake sont-ils les seuls exécutables en production ?
Non, vous pouvez exécuter en production sur des données Snowflake des modèles créés n’importe où en externe. Pendant l’inférence, vous pouvez tirer parti des fonctionnalités de MLOps intégrées telles que l’observabilité du ML et la gouvernance RBAC.
Snowflake ML est-il compatible open source ?
Oui, Snowflake ML est entièrement compatible avec toute bibliothèque open source. Vous accédez en toute sécurité aux référentiels open source via pip et vous pouvez importer n’importe quel modèle depuis des hubs tels que Hugging Face.
Comment fonctionne la tarification de Snowflake ML ?
Snowflake fonctionne selon un modèle de tarification à la consommation. Consultez le dernier tableau tarifaire.
Puis-je essayer Snowflake ML gratuitement ?
Oui, vous pouvez essayer l’un de nos Quickstart ML directement depuis l’expérience d’essai.
