19 ottobre 2026/Lettura: 5 minAI e ML
Nuovo Snowflake Decision Fast: decisioni strutturate alla velocità del business
Solo due settimane fa abbiamo introdotto Snowflake Decision in Cortex AI Functions in private preview. Progettato specificamente per classificazione, scoring, filtraggio e instradamento, gestisce task ad alto volume con risposte delimitate. Invece di un testo libero, restituisce una risposta tipizzata, come una categoria specifica, un punteggio numerico o una probabilità sì/no, su cui il tuo workflow può agire direttamente.
I nostri clienti hanno subito evidenziato la necessità di una “velocità da sala giochi” per le decisioni all’interno di workflow interattivi o sensibili alla latenza, come fasi di instradamento live, controlli antifrode in tempo reale o il primo passaggio di triage di un agente AI. In questi ambienti, la velocità è fondamentale.
Oggi, in private preview, stiamo espandendo l’offerta Snowflake Decision per rispondere a queste esigenze con le seguenti funzionalità, tutte supportate dalla stessa governance, dai controlli di accesso e dalle policy di audit su cui già fai affidamento:
snowflake-decision-fast: una variante a latenza inferiore di snowflake-decision, progettata per i workload in cui i tempi di risposta contano quanto la qualità delle decisioni.
supporto per l’API REST: richiama i modelli Snowflake Decision tramite Cortex AI Gateway, consentendo ad applicazioni, servizi e agenti AI esterni a SQL di utilizzare il processo decisionale strutturato.
Cortex AI Functions: snowflake-decision-fast è disponibile nativamente tramite AI_COMPLETE in SQL.
Le decisioni in azione: classificazione del testo in tempo reale
Per dimostrare la potenza interattiva di snowflake-decision-fast, abbiamo creato un’applicazione di classificazione del testo in tempo reale. Mentre un cliente digita un ticket di assistenza, ad esempio un reclamo per un doppio addebito, l’applicazione valuta rapidamente il testo live per prendere tre decisioni simultanee: instradare il ticket al team giusto, segnalare l’urgenza e rilevare il sentiment del cliente.
A ogni battitura, l’applicazione interattiva valuta lo stato attuale del testo e pone al modello domande delimitate per determinare il passaggio successivo del workflow. Questa funzionalità interattiva può essere eseguita esternamente tramite 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
Eccola in azione:
Figura 1. Con il nostro strumento di classificazione del testo puoi creare un ticket di assistenza, e snowflake-decision-fast prende tre decisioni contemporaneamente, in tempo reale: chi deve gestirlo, quanto è urgente e come si sente il cliente.
Questo caso d’uso interattivo evidenzia le meccaniche principali dei modelli decisionali:
limiti di costruzione: l’app offre solo mosse valide come opzioni di scelta. Il modello non può restituire un’azione non valida, eliminando la necessità di parser, cicli di retry o una gestione complessa degli errori nel codice.
le probabilità come prodotto: il modello restituisce il valore scelto e le probabilità per ogni opzione, invece di un ragionamento in testo libero. Un valore di 0,99 con un livello di confidenza elevato per un instradamento verso “Billing” fornisce un segnale definitivo su cui impostare una soglia per i workflow live.
latenza visibile: l’interfaccia live si basa su decisioni quasi istantanee mentre l’utente digita, con round trip dell’endpoint che si completano costantemente in meno di 300 ms. L’esecuzione su snowflake-decision-fast garantisce che la latenza resti sufficientemente bassa da offrire una user experience fluida e in tempo reale.
Scalare per operazioni su tabelle di grandi dimensioni
Se l’API REST è ideale per decisioni interattive one-shot, le stesse funzionalità di processo decisionale strutturato sono disponibili anche tramite Cortex AI Functions, che consente agli sviluppatori di applicare la logica di classificazione e instradamento direttamente a grandi set di dati con semplice SQL.
Pensa a una piattaforma di assistenza globale che deve gestire il triage e l’instradamento di milioni di ticket o messaggi in arrivo ogni giorno. Utilizzare un LLM generico per un task di classificazione definito in modo ristretto può introdurre complessità, costi e overhead operativo non necessari, soprattutto quando ogni record richiede solo un piccolo insieme di decisioni strutturate.
Utilizzando snowflake-decision-fast in AI_COMPLETE, i team possono applicare la stessa logica decisionale a intere tabelle senza creare pipeline di inferenza separate o gestire integrazioni API esterne.
Ad esempio, la seguente query classifica i ticket di assistenza in arrivo per coda di instradamento e determina se ciascun ticket richiede un’escalation, restituendo output strutturati pronti per l’elaborazione downstream:
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;
Ciò che funziona per una chiamata API REST in tempo reale si estende a classificazione ad alto volume, scoring offline e triage asincrono direttamente all’interno delle pipeline di dati.
Velocità con la qualità di cui ti puoi fidare
Il panorama del processo decisionale strutturato basato sull’AI si evolve rapidamente, e stiamo iterando velocemente per migliorare sia la qualità che la pura velocità di esecuzione dei nostri modelli. Il nostro focus ingegneristico è spingere in modo aggressivo la frontiera della precisione decisionale sui benchmark consolidati, riducendo al contempo la latenza e i costi di calcolo per le applicazioni in tempo reale.
snowflake-decision-fast è il nostro ultimo passo per offrire agli sviluppatori esattamente il profilo di prestazioni richiesto dalla loro architettura, e nei prossimi mesi puoi aspettarti aggiornamenti rapidi e continui alla qualità del modello.
Figura 2. La precisione media e il tempo di elaborazione delle righe di tabella. La differenza tra snowflake-decision e snowflake-decision-fast è calcolata utilizzando il nostro benchmark decisionale interno.
Come iniziare
Per richiedere l’accesso anticipato ai modelli decisionali, contatta il tuo account team Snowflake. Un rappresentante ti contatterà con i prossimi passi, inclusa una documentazione completa sulla private preview.
Decisioni rapide e strutturate aprono pattern che prima non erano praticabili: agenti AI che verificano ogni passaggio prima di agire, pipeline che valutano ogni record non appena arriva e workflow live che instradano in tempo reale. La domanda cambia, da “Possiamo permetterci di utilizzare l’AI qui?” a “Dove altro ci può servire una decisione?”
