Cortex Codeを使用したdbt Projects on Snowflakeの構築と展開

dbtを使用するデータエンジニアの典型的な1日は、変換ロジックの記述、ドキュメント作成のためのYAMLファイルの手動更新、そしてパイプラインの障害を修正するためにオーケストレーションログと格闘する作業の間を行ったり来たりすることです。ツール間のコンテキストスイッチと、大量の手動コーディングを絶えず繰り返すことになります。

しかし、Cortex Codeを使用すれば、これらのタスクの多くを単一のプロンプトから開始できます。

図 1：Uche NkadiとBryan Gislasonが、Cortex Codeを使用してdbtによるパイプライン開発を加速する方法をデモする様子をライブでご覧ください。

汎用的なAIチャットツールとは異なり、Cortex CodeはSnowflakeエコシステム専用に構築されています。Cortex Codeは、Snowflakeのメタデータとdbtプロジェクトの関係を理解しています。

コンテキストを認識した構築

図 2：Cortex Codeがソーステーブルをスキャンし、モデルを生成し、テストを追加し、ビルドを実行し、出力を検証し、共有可能なレポートを作成するまでのすべてを、ターミナルからどのように実行するかをご覧ください。以前は多大な時間を要し、ツール間でコンテキストスイッチを行う必要があった作業を、より迅速に完了できます。

空の.sqlファイルから始める代わりに、Cortex Codeに「ordersテーブルのステージングモデルを作成し、タイムスタンプをキャストして、列名をsnake_caseに変更して」とプロンプトで指示できます。Cortex Codeはdbtの規約を熟知しています。単にSQLを記述するだけでなく、{{ config(...) }}や{{ ref(...) }}マクロを自動的に使用し、書き始めからコードがモジュール化され、「dbtネイティブ」になるように支援します。

迅速な編集と最適化

図 3：Cortex Codeがプロジェクトのrun_results.jsonを分析し、最も遅いモデルを特定し、未使用のモデルにフラグを立て、適用可能な具体的な最適化案を提示する方法をご覧ください。

Cortex Codeエージェントを使用すると、モデルにprofit_marginなどの特定の計算を追加するように依頼できます。その後、エージェントはYAMLファイルを同時に更新し、新しい列の説明と関連する汎用テスト（not_nullやaccepted_valuesなど）を追加します。

スマートなトラブルシューティング

図 4：Cortex Codeを使用して、ボトルネックを迅速に特定し、影響範囲の分析を実行し、テストカバレッジを確認できます。

複雑なウィンドウ関数やSnowflake固有の結合で行き詰まった場合、Cortex Codeは、構文的に正しいことを前提に設計されたコンテキストに応じた提案を迅速に提供し、ターミナルでの「試行錯誤」のループを削減します。

柔軟なワークフロー

図 5：1つのコーディングエージェントであらゆるデータに対応し、Snowflake、dbt、Apache Airflowをサポートします。

Snowflakeがネイティブに提供するdbt Projects on Snowflake、オープンソースのdbt Core、dbt Platformのいずれを使用している場合でも、Cortex Codeは既存のスタックとワークフローに組み込めます。ローカルの開発環境とSnowflakeの間の架け橋として機能し、コードの場所に関係なく、AIを活用した一貫したエクスペリエンスを提供します。

以下の方法でアクセスできます。

Snowsightインターフェイス：ネイティブバージョンのdbt Projects on Snowflakeを使用している場合は、Snowflake UIであるSnowsight内でCortex Codeにアクセスできます。Snowflake Workspacesには、統合されたDAGと列レベルのリネージがあります。Cortex Codeを使用すると、dbtプロジェクトを作成し、展開されたdbtプロジェクトについて質問し、ファイルを検査できます。
Cortex Code CLI：シンプルな1行のコードで、Cortex Codeコーディングエージェントをターミナルに直接導入し、ドキュメントの生成やテストの記述などのタスクをオフロードできます。

Snowsight経由でCortex Codeにアクセスするか、今すぐCortex Code CLIをダウンロードしてください。