Cortex Sense: contesto affidabile per i dati che non hai mai modellato

Molti di noi sono cresciuti con un’enciclopedia sullo scaffale di casa, considerata l’autorità capace di rispondere a quasi ogni domanda. Ma i suoi contenuti diventavano spesso obsoleti in fretta. Ci capitava, ad esempio, di trovare Plutone indicato come nono pianeta anni dopo che aveva perso quello status, mentre buona parte di ciò che cercavamo non c’era proprio. Crescendo, Wikipedia è diventata la nuova enciclopedia, ma con una logica opposta. Anche se alcuni insegnanti all’inizio ci dicevano di non fidarci, ha finito per coprire quasi tutto e restare sempre aggiornata.

I dati aziendali non hanno mai compiuto questa transizione: continuiamo a documentarli come facevamo con le enciclopedie, con una manciata di esperti incaricati di scrivere il significato di ogni cosa, senza mai arrivare davvero alla fine e rimanendo progressivamente indietro con l’evolvere del business.

Il nostro product data team Snowflake si è posto l’obiettivo di rendere le tabelle leggibili agli agenti, aggiungendo viste semantiche, così che gli agenti attingessero a definizioni curate e governate invece di procedere per tentativi. Sul fronte del prodotto, abbiamo rilasciato Semantic View Autopilot per generarle più rapidamente. Un aiuto senza dubbio, ma restava comunque solo la punta dell’iceberg: meno del 5% delle nostre 9.685 tabelle. Tutto ciò che rientrava in quel 5% otteneva una buona risposta, ma la maggior parte delle domande reali riguardava proprio ciò che ne restava fuori: tabelle che nessuno aveva documentato o dati troppo recenti perché esistesse una vista semantica. 

Immagina che due settimane fa la tua azienda abbia lanciato un piano tariffario basato sull’utilizzo. Le tabelle che lo alimentano hanno solo pochi giorni di vita. Se un PM pone a un agente AI una domanda diretta “Come sta andando il nuovo piano dal lancio?” un Cortex Agent che si affida solo alle viste semantiche rifiuta di rispondere. E altri agenti a cui il tuo team già si affida, che si tratti di Snowflake CoCo, Cursor o ChatGPT, potrebbero eseguire query direttamente su quei nuovi dati a prescindere dall’esistenza di una vista semantica, con il rischio di risposte sicure ma errate.

Cortex Sense (presto in private preview) è progettato per lavorare al fianco delle viste semantiche, non per sostituirle. Dove servono risposte governate e coerenti, la vista semantica resta il gold standard e Cortex Sense la tratta come un segnale autorevole. Sul resto del tuo patrimonio di dati, sviluppa questa comprensione in autonomia.

Costruisce lo stesso tipo di comprensione di una vista semantica, ma va oltre: crea un modello dell’intero business, non un semplice catalogo delle tabelle. E lo fa automaticamente a partire dai segnali che il tuo business già produce, come le query eseguite dai tuoi analisti in passato, i modelli definiti nei tuoi strumenti di trasformazione e le metriche che vivono già nella tua BI. Gran parte di questo contesto arriva tramite Snowflake Horizon Connectors.

Anziché un secondo sistema di registrazione da mantenere, Cortex Sense è una soluzione gestita che innalza la soglia minima di precisione per le query agentiche.

Per stabilire un punto di riferimento, abbiamo valutato gli agenti AI su domande di analisi dei dati di prodotto basate sui dati interni Snowflake, che richiedevano join tra tabelle, ricerca di formule delle metriche e conoscenza delle convenzioni sui filtri. Il nostro team dati ha rilevato che, senza alcun livello di contesto, l’AI raggiungeva circa il 25% di precisione, un valore straordinariamente simile al risultato di Anthropic, che in modo indipendente lo aveva misurato ad appena il 21%.

_{Senza Cortex Sense, CoCo esamina ogni tabella e schema separatamente, cercando di capire cosa fanno. Con Cortex Sense, sa esattamente dove guardare e cosa interrogare.}

Il fatto che questa conoscenza sia estratta automaticamente anziché scritta a mano solleva una preoccupazione legittima: potrebbe essere del tutto errata senza che nessuno se ne accorga. Cortex Sense mitiga questo rischio con un ciclo di autocorrezione che individua costantemente lacune e conflitti nella propria conoscenza. Attivi Cortex Sense tramite CoCo e sviluppi una baseline iniziale a partire dalle fonti connesse. Da lì migliora attraverso una valutazione mirata. Gli fornirai domande con risposte corrette note e Cortex Sense userà le discrepanze per correggere la propria comprensione. Questi input di valutazione arriveranno da tre fonti: i tuoi benchmark gold standard, il feedback degli utenti e i suggerimenti dello stesso sistema sulle aree in cui la sua copertura è ancora scarsa.

_{Snowflake CoCo mostra i risultati della valutazione con Cortex Sense. (Le informazioni riportate in questa illustrazione sono di fantasia e non si basano su dati reali di clienti o di Snowflake.)}

Quando le valutazioni rivelano una lacuna, Cortex Sense si basa su dati concreti anziché procedere per tentativi. Tornando alla domanda su come va il nuovo piano dopo il lancio, se avesse rilevato due definizioni contrastanti di cosa significhi un upgrade, non manterrebbe quell’ambiguità nelle proprie conoscenze. Segnalerebbe il conflitto al builder di Cortex Sense chiedendo alla persona di risolverlo. Abbiamo scoperto che imporre questo livello di onestà sul contesto lo distingue da sistemi come la retrieval-augmented generation (RAG), che si limitano a recuperare qualsiasi cosa trovino. Quando una valutazione fallisce per qualsiasi motivo, o quando rileva informazioni contrastanti, Cortex Sense riflette sul perché e prova ad aggiornare la propria comprensione. Se non ci riesce, chiede aiuto. Ad esempio, quando abbiamo iniziato a testare Cortex Sense internamente, ha trovato decine di definizioni diverse di “daily active users”. Ogni team aveva un proprio sistema di calcolo di questa metrica, così quando ci ha interpellati ci è bastato spiegargli in linguaggio naturale quale metrica corrispondeva a quale team.

Quando i segnali sono in conflitto, Cortex Sense li ordina come la ricerca web ordina le pagine: per pertinenza, autorevolezza, popolarità e freschezza. La definizione di una metrica supportata da una vista semantica governata ha più autorevolezza di una dedotta da una manciata di query; un pattern di join presente in 500 istruzioni SQL di produzione pesa più di uno presente in tre; e una definizione aggiornata il mese scorso prevale su una di due anni fa.

Una delle domande che ci sentiamo rivolgere più spesso su Cortex Sense riguarda la gestione dell’accesso al contesto. Cortex Sense acquisisce solo metadati e pattern di utilizzo, non le righe effettive dei tuoi dati. Ma, come tutti gli altri oggetti Snowflake, l’accesso è definito in base al ruolo tramite la governance esistente di Snowflake. Avvieremo presto la private preview consentendo agli utenti di specificare un unico ruolo che ha accesso a tutto Cortex Sense e prevediamo in futuro di estendere il modello a contesti per ruolo, così che il team marketing e il team finance accedano a contesti differenti.

Quando abbiamo rilasciato per la prima volta questo sistema ai nostri data scientist interni, ha raggiunto la parità con le loro viste semantiche curate manualmente su un set di valutazione interno iniziale, basandosi sul lavoro che le persone avevano già fatto. Da lì ha proseguito in due aree: dove una definizione era diventata obsoleta e nei domini non coperti dalle viste semantiche esistenti. Su quel set ha superato le prestazioni umane di 10 punti percentuali, grazie a segnali come la cronologia recente delle query.

Per verificare che Cortex Sense aggiunga valore, lo abbiamo sottoposto a benchmark su una serie di domande complesse, confrontando un coding agent all’avanguardia con accesso diretto all’esecuzione SQL tramite model context protocol (MCP), CoCo in versione vanilla (in grado di recuperare le viste semantiche pertinenti all’occorrenza) e CoCo basato su Cortex Sense. Cortex Sense ha migliorato la precisione dal 24,1% all’86,3% nel nostro benchmark. Inoltre, rispetto a un agente AI all’avanguardia, Cortex Sense ha ridotto i costi da 1,76 a 0,59 dollari per query, perché ha evitato che l’agente ispezionasse manualmente ogni tabella. L’agente AI all’avanguardia tendeva a eseguire DESCRIBE TABLE su decine di oggetti, sprecando token e aumentando la latenza. I vantaggi in termini di costo di Cortex Sense saranno in parte compensati da un costo di indicizzazione iniziale una tantum (che dipende dalla quantità di dati indicizzati), ma in generale abbiamo rilevato che il costo dell’indicizzazione iniziale può essere ammortizzato nel tempo grazie ai minori costi per query.

_{Sulla base dei risultati dei test interni e dei calcoli sui costi di giugno 2026.}

Attivare Cortex Sense ha richiesto un solo giorno anziché i mesi che questi progetti richiedono di solito, perché non c’è alcun progetto di consulenza né sviluppo manuale da attendere. Poiché non ci sono nuove viste semantiche da creare, basta connettersi alle fonti e partire, senza dover dedicare giorni alla curation. Anche il modello di manutenzione continua è diverso. Con l’evolvere del tuo patrimonio dati, Cortex Sense raccoglie i segnali automaticamente con una cadenza di aggiornamento continua. E se vuoi davvero aggiornare le sue conoscenze, il workflow di correzione è conversazionale. Spieghi la definizione corretta in linguaggio naturale e Cortex Sense aggiorna il proprio modello. 

Quando le enciclopedie hanno lasciato il posto a Wikipedia, la svolta non è stata che le persone sapessero di più. È stata che la conoscenza ha smesso di essere qualcosa pubblicato periodicamente dagli esperti e ha iniziato a evolversi da sola. Il contesto aziendale è allo stesso punto di svolta: le viste semantiche restano il gold standard dove servono risposte governate e coerenti, ma non dovrebbero essere l’unico modo in cui un’AI apprende il tuo business. Cortex Sense apprende dai segnali che già produci e continua a migliorare man mano che cambia.

Siamo davvero entusiasti di condividere questo prodotto con il mondo. Cortex Sense entra in private preview a metà luglio. Se desideri un accesso anticipato, contatta il tuo account executive Snowflake.

_{Affermazioni riferite al futuro: questo articolo contiene delle affermazioni riferite al futuro, tra cui offerte future di prodotto, che però non rappresentano un impegno a fornire alcuna offerta di prodotto. Le offerte e i risultati effettivi potrebbero essere diversi ed essere soggetti a incertezze e rischi noti e non noti. Per maggiori informazioni, consulta il nostro ultimo 10-Q.}