Snowflakeのエージェント型MLでデータから予測的インサイトへのパスを自動化

Digital illustration of Snowflake ML linking to data sources and external outputs.

機械学習（ML）パイプラインを通じたモデルの開発と移行は、従来、時間がかかり手作業で行われていました。そのため、データサイエンティストは手作業のトラブルシューティングのサイクルを強いられてきました。現在、SnowflakeはAIコーディングエージェントであるCortex Code（一般提供）を通じてエージェント型MLを導入し、チームの働き方を変革しています。データサイエンスチームはCortex Codeを使用することで、ガバナンスが効いたデータと同じプラットフォーム上で、自然言語のプロンプトから製品レベルのMLソリューションの開発を自動化できます。

多くのお客様がすでにエージェント型MLの力を活用し、Snowflake MLにおける製品ワークフローを高速化しています。350億ドルの資産と4,500人以上の従業員を擁し、複数の州にまたがる持株会社であるFirst National Bank of Omahaもその1つです。

「First National Bank of Omahaでは、コールセンター分析における需要予測や異常検知のML開発を自動化するために、Cortex Codeを活用しています。作業の切り替えを排除し、データ構造やアクセス権限を完全に把握した状態で活用できるCortex Codeのおかげで、生産性は10倍に向上し、ワークフローも劇的に効率化されました」

—Arun Swarnabadran氏

First National Bank of Omaha、データエンジニアリング担当ディレクター

エージェント型MLは、ビジネス全体で機械学習へのアクセスを拡大しています。モダンのメディアバイイングを再構築するクリエイティブパフォーマンスプラットフォームであるKargoでは、非技術系チームがCortex Codeを使用してMLの概念を探索しています。これにより、データサイエンスチームとのより深いコラボレーションが可能になっています。

Kargoのマーケットプレイス戦略チームでは、データサイエンスチームが構築や分析を行う新しいアイデアのテストやスコープ定義に、Cortex Codeを活用しています。Cortex Codeは、社内のあらゆる人々が日常の言葉を使ってMLモデルからデータ主導のインサイトを引き出せるようにし、データサイエンスの民主化を実現しました」

—Kyle Green氏

Kargo、マーケットプレイス戦略担当VP

Cortex Codeを使用したエージェント型MLワークフロー

エージェント型MLは面倒な作業を自動化することで、より信頼性の高いインサイトを可能にします。これにより、チームはより影響力の大きいイニシアチブに集中できるようになります。Cortex Codeには、MLに特化した豊富なスキルセットが備わっています。これにより、Snowflake MLにおけるエンドツーエンドのワークフローの設計、実装、最適化が合理化されます。モデルのトレーニング、推論のためのモデルのデプロイ、分散トレーニングの実行、ハイパーパラメータのチューニング、パフォーマンスの監視など、どのような作業であっても、Cortex Codeは関連する専門スキルをトリガーします。これにより、MLライフサイクルの1つ以上のステップをインテリジェントに加速させます。

データサイエンスチームはCortex Codeを使用することで、開発から推論に至る各ステップの最適な手法をエージェントを活用して計画、推論、選択できます。これにより、完全に機能する高品質なMLパイプラインを迅速に構築できます。ドキュメントの確認、エラーのデバッグ、APIの統合などに時間を費やす必要はありません。専門知識と直感を活かしてモデルを改良し、インサイトを引き出すことに集中できます。

エージェント型MLが生産性を向上させている例の1つが、特徴量エンジニアリングです。特徴量の重要性の評価や、新しい特徴量のレコメンデーションの特定は、以前は手作業で時間のかかるタスクでした。このデモビデオでは、Cortex Codeでわずかな自然言語のプロンプトを使用するだけで、いかに簡単に作業できるかをご覧いただけます。チャーンモデルのプロトタイプで迅速にイテレーションを回し、モデルタイプ全体で特徴量の重要性を評価できます。さらに、冗長または脆弱な特徴量をクリーンアップし、新しい特徴量のアイデアによってモデルの不足している部分を正確に明らかにすることが可能です。

Snowflake MLの革新に伴い、Cortex Codeも進化して新しい機能や最適化を組み込みます。そのため、分散トレーニング、DAGベースのオーケストレーション、マルチモーダル推論の複雑さを心配する必要はありません。これにより生産性が大幅に向上し、より高速なイテレーションが可能になります。また、アイデアから成果を生み出すまでのパスを短縮できます。

内部的には、Cortex CodeはSnowflake MLの完全に統合されたプラットフォームを活用しています。これにより、組み込みの最適化を使用してCPUおよびGPU全体でワークロードをシームレスにスケーリングします。その結果、レガシーのクラウドプロバイダーと比較して、オープンソースライブラリよりも最大3〜7倍高速なトレーニングや、最大10倍高速なXGBoostモデルの推論レイテンシーといったパフォーマンス上の利点を提供します。

はじめに

Snowflakeでのエージェント型MLパイプラインの構築は、好みの作業環境に関係なく、既存のワークフローに直接かつ簡単に統合できます。Cortex Codeは、Snowflake Snowsight UI（一般提供）で直接利用できます。また、CLI（一般提供）を使用して、VS CodeやCursorなどの任意のターミナルまたはコードエディター内でも利用可能です。

Snowsightにおいて、Cortex Codeは完全に機能するMLパイプラインの形式で検証済みのソリューションを提供します。これらは、ワークスペースのSnowflake Notebookから直接実行できます。Snowflake Notebookは、大規模なAI/MLの製品ワークフロー専用に構築された、Jupyterベースのコンテナランタイム環境で実行されます。

Cortex Code CLIを使用すると、開発者はより迅速に変革を進めることができます。また、オーケストレーションワークフローを最適化し、ターミナルから直接完全なコンテキストでデバッグを行えます。

Cortex Codeを使用したエージェント型MLパイプラインの構築を今すぐ始めるには、無料トライアル環境のCLIまたはSnowsightで、Cortex Codeを使用したリアルタイムの不正検知のクイックスタートをお試しください。また、技術的な例についてはベストプラクティスガイドをご覧ください。