Snowflake Semantic View Autopilot: modellazione semantica basata su AI in pochi minuti

Una semantica governata e affidabile è un requisito fondamentale per dati pronti per l’AI. Oggi annunciamo la disponibilità generale di Semantic View Autopilot (SVA), un sistema che genera automaticamente viste semantiche a partire dalle query esistenti e dagli asset BI.

Il problema è la mancanza di definizioni, non gli LLM

Nel 2025, i team che sviluppano agenti AI hanno imparato che anche i modelli più avanzati faticano in presenza di logiche di business incoerenti. La barriera non era la capacità dell’AI, ma la definizione dei dati.

Prashanth Sanagavarapu, SVP of Engineering di VTS, osserva che “creare e mantenere un livello semantico coerente richiedeva un notevole sforzo manuale” per evitare numeri in conflitto. È per questo che abbiamo creato Semantic View Autopilot: per automatizzare la creazione di quel livello governato e affidabile.

“Semantic View Autopilot fornisce ai nostri sistemi AI una comprensione coerente e governata delle metriche di business, consentendoci di offrire personalizzazione affidabile ed engagement basato su AI di cui i nostri clienti possono fidarsi”, afferma Matt Walker, CTO di Simon AI.

Snowflake automatizza la creazione delle viste semantiche

Le viste semantiche forniscono contesto sul significato e sull’intento dei dati, non solo sulla loro struttura. Indicano agli LLM come tradurre i dati in concetti di business, ma crearle è spesso un processo lungo e fortemente manuale.

Per i team dati, l’obiettivo è una logica coerente. Ma la creazione manuale rappresenta un onere. Il team di prodotto potrebbe definire il “Monthly Recurring Revenue” in un modo, senza sapere che il team finance esclude le commissioni di setup una tantum. Queste regole implicite emergono solo dopo il rilascio, quando i numeri non tornano.

SVA colma questo divario automatizzando la creazione e la governance delle viste semantiche. Invece di richiedere agli ingegneri di codificare le definizioni da zero, SVA propone metriche e filtri candidati appresi dalla cronologia delle query e dagli asset BI affidabili, consentendo ai team di rivedere, certificare e distribuire in pochi minuti invece che in settimane.

Come funziona: apprendimento da pattern di consenso

Il principio fondamentale di SVA è che le semantiche sono già definite nella cronologia delle query, nell’utilizzo dei dati e nelle dashboard. Questo trasforma la modellazione semantica da attività di coding a curation, permettendo ai team di concentrarsi sulla revisione della logica che SVA porta alla luce. Queste definizioni governate alimentano Snowflake Cortex Analyst, Cortex Agents e Snowflake Intelligence per risultati più accurati e affidabili.

SVA analizza tre segnali chiave, descritti di seguito.

Riconoscimento dei pattern ed estrazione basata sul consenso

SVA utilizza algoritmi di clustering che analizzano i pattern delle query e le domande in linguaggio naturale per identificare la logica di business condivisa. Quando esistono definizioni in conflitto, ad esempio filtri diversi per “utente attivo”, SVA propone come candidata la definizione più comune.

Ad esempio, se oltre 200 query calcolano costantemente “utente attivo” come user_engagement_score > 50 AND last_login_days < 30, SVA propone questo filtro anche se un utente ha eseguito di recente una query diversa.

Apprendimento multisegnale da fonti ad alta affidabilità

La fonte con il più alto livello di affidabilità è spesso rappresentata dalle dashboard BI esistenti, dove risiedono anni di logica di business. Tableau è il primo strumento BI supportato da SVA, con altri in arrivo tramite i nostri oltre 20 partner OSI. SVA trasforma dashboard statiche in AI conversazionale in pochi minuti (scopri l’hands-on lab).

I team possono anche caricare direttamente query SQL affidabili. SVA estrae relazioni e metriche e le memorizza come query verificate per utilizzi futuri. E poiché tutto avviene all’interno di Snowflake, SVA può analizzare i dati reali. La cardinalità delle colonne rivela i tipi di relazione e supporta suggerimenti come l’aggiunta di un servizio Cortex Search per una maggiore accuratezza.

Iterazione continua basata sull’evoluzione dell’utilizzo

SVA monitora i pattern di utilizzo per mantenere aggiornate le viste semantiche. Se un’organizzazione introduce un livello di abbonamento “Pro”, SVA rileva che le nuove query includono subscription_tier = 'pro' e propone di incorporarlo, garantendo coerenza delle risposte anche con l’evoluzione delle regole di business.

Il passaggio dalla BI agli agenti AI richiede una base semantica ancorata all’utilizzo reale dei dati, non alle assunzioni degli LLM. Semantic View Autopilot è il percorso più rapido verso un’AI governata e consapevole del contesto, ora disponibile in tutte le regioni Snowflake in cui è disponibile Cortex Analyst.

Inizia subito. Prova SVA nel tuo account e scopri le best practice per creare viste semantiche per Cortex Analyst.