Automatizza il percorso dai dati agli insight predittivi con l’agentic ML in Snowflake

Lo sviluppo e il passaggio dei modelli lungo la pipeline di machine learning (ML) sono stati tradizionalmente processi lenti e manuali, che costringono i data scientist a cicli ripetitivi di troubleshooting. Ora Snowflake sta trasformando il modo di lavorare dei team introducendo l’agentic ML tramite Cortex Code (in GA), l’agente di codifica AI di Snowflake. I team di data science possono utilizzare Cortex Code per automatizzare lo sviluppo di soluzioni ML pronte per la produzione a partire da prompt in linguaggio naturale, sulla stessa piattaforma dei dati governati.

Molti clienti stanno già sfruttando la potenza dell’agentic ML per accelerare i workflow di produzione in Snowflake ML, tra cui First National Bank of Omaha, una holding multi-stato con 35 miliardi di dollari in asset e oltre 4500 dipendenti.

L’agentic ML sta ampliando l’accesso al machine learning in tutta l’organizzazione. In Kargo, una piattaforma di creative performance che ridefinisce il media buying moderno, anche i team non tecnici utilizzano Cortex Code per esplorare concetti ML, favorendo una collaborazione più profonda con i team di data science.

Workflow di agentic ML con Cortex Code

L’agentic ML consente di ottenere insight più affidabili automatizzando le attività ripetitive e liberando i team per concentrarsi su iniziative a maggiore impatto. Cortex Code include un ampio set di competenze specifiche per il ML che semplificano progettazione, implementazione e ottimizzazione dei workflow end-to-end in Snowflake ML. Che si tratti di training dei modelli, deployment per l’inferenza, training distribuito, tuning degli iperparametri o monitoraggio delle prestazioni, Cortex Code accelera in modo intelligente una o più fasi del ciclo di vita ML attivando le competenze specializzate pertinenti. 

I team di data science possono creare rapidamente pipeline ML complete e di alta qualità utilizzando Cortex Code per pianificare, ragionare e selezionare in modo agentico la tecnica ottimale per ogni fase tra sviluppo e inferenza. Invece di perdere tempo tra documentazione, debugging o integrazione di API, puoi concentrarti sull’applicazione della tua esperienza di dominio e intuizione per perfezionare i modelli e generare insight.

Un esempio concreto di come l’agentic ML stia aumentando la produttività è il feature engineering. La valutazione dell’importanza delle feature e l’identificazione di nuove raccomandazioni erano attività manuali e dispendiose in termini di tempo. In questo video demo puoi vedere quanto sia semplice utilizzare pochi prompt in linguaggio naturale in Cortex Code per iterare rapidamente su un prototipo di modello di churn, valutare l’importanza delle feature tra diversi modelli, eliminare feature ridondanti o fragili e individuare esattamente dove il modello presenta limiti, suggerendo nuove feature.

Con l’innovazione continua di Snowflake ML, anche Cortex Code evolve per integrare nuove funzionalità e ottimizzazioni, così non devi preoccuparti della complessità del training distribuito, dell’orchestrazione basata su DAG o dell’inferenza multimodale. Questo si traduce in significativi guadagni di produttività, con iterazioni più rapide e un passaggio più veloce dall’idea all’impatto.

Dietro le quinte, Cortex Code sfrutta la piattaforma completamente integrata Snowflake ML per scalare i workload in modo fluido su CPU e GPU con ottimizzazioni integrate, offrendo vantaggi prestazionali come training fino a 3-7 volte più veloce rispetto alle librerie open source e latenza di inferenza per modelli XGBoost fino a 10 volte più rapida rispetto ai provider cloud legacy.

Per iniziare 

La creazione di pipeline di agentic ML in Snowflake si integra facilmente nei workflow esistenti, indipendentemente dall’ambiente di lavoro preferito. Cortex Code è disponibile direttamente nella Snowflake Snowsight UI (in GA) oppure in qualsiasi terminale o editor di codice come VS Code o Cursor tramite la CLI (in GA). 

In Snowsight, Cortex Code fornisce soluzioni validate sotto forma di pipeline ML completamente funzionali che possono essere eseguite direttamente da un Snowflake Notebook in Workspaces. Snowflake Notebooks funzionano in un ambiente container runtime basato su Jupyter, progettato per workflow AI/ML di produzione su larga scala. 

Cortex Code CLI consente agli sviluppatori di trasformare più rapidamente, ottimizzare i workflow di orchestrazione ed eseguire debugging con pieno contesto direttamente dal terminale. 

Per iniziare subito a creare pipeline di agentic ML con Cortex Code, prova questo quickstart di rilevamento frodi in tempo reale con Cortex Code, disponibile sia in CLI sia in Snowsight tramite la prova gratuita, e consulta la guida alle best practice per esempi tecnici.