
Tradicionalmente, desenvolver e mover modelos pelo pipeline de aprendizado de máquina (ML) tem sido um processo lento e manual, que obriga os cientistas de dados a enfrentar extensos ciclos de solução de problemas. Agora, a plataforma Snowflake está mudando a forma como as equipes trabalham ao incluir o ML com agentes de IA por meio do Cortex Code (em GA), o agente de IA para programação do Snowflake. As equipes de ciência de dados podem usar o Cortex Code para automatizar o desenvolvimento de soluções de ML prontas para produção a partir de prompts em linguagem natural, na mesma plataforma em que estão seus dados governados.

Muitos clientes já estão aproveitando o poder do ML agêntico para acelerar fluxos de trabalho de produção no Snowflake ML, incluindo o First National Bank of Omaha, uma empresa holding com presença em vários estados, com USD 35 bilhões em ativos e mais de 4.500 funcionários.
"No First National Bank of Omaha, usamos o Cortex Code para automatizar o desenvolvimento de ML para previsões e detecção de anomalias nas análises da nossa central de atendimento. Ao eliminar a troca constante de contexto e conhecer a fundo os nossos dados e as permissões de acesso, o Cortex Code aumentou nossa produtividade em 10 vezes e deixou nossos fluxos de trabalho muito mais eficientes."
Arun Swarnabadran
Director of Data Engineering, First National Bank of Omaha
O ML agêntico está ampliando o acesso ao aprendizado de máquina em toda a empresa. Na Kargo, uma plataforma de performance criativa que reinventa a compra de mídia moderna, equipes não técnicas usam o Cortex Code para explorar conceitos de ML, possibilitando uma colaboração mais profunda com as equipes de ciência de dados.
“Na Kargo, a equipe de estratégia de marketplace usa o Cortex Code para testar e definir o escopo de novas ideias que a equipe de ciência de dados pode desenvolver e analisar. O Cortex Code democratizou a ciência de dados para todas as pessoas da empresa, que agora geram insights com modelos de ML usando apenas linguagem natural."
Kyle Green
VP of Marketplace Strategy, Kargo
Fluxos de trabalho de ML agêntico com o Cortex Code
Com o ML baseado em agentes, as tarefas repetitivas são automatizadas, os insights ficam mais confiáveis e as equipes ganham tempo para iniciativas de maior impacto. O Cortex Code vem com um conjunto robusto de habilidades específicas de ML que simplificam o design, a implementação e a otimização de fluxos de trabalho completos no Snowflake ML. Seja para treinar modelos, implantar modelos para inferência, executar treinamento distribuído, ajustar hiperparâmetros ou monitorar a performance, o Cortex Code acelera de forma inteligente uma ou mais etapas do ciclo de vida do ML ao acionar as habilidades especializadas relevantes.
Com rapidez, as equipes de ciência de dados podem criar pipelines de ML totalmente funcionais e de alta qualidade usando o Cortex Code para planejar, raciocinar e selecionar de forma agêntica a técnica ideal para cada etapa do desenvolvimento à inferência. Em vez de investir tempo navegando pela documentação, depurando erros ou conectando APIs, você pode focar em aplicar sua expertise de domínio e intuição para refinar modelos e gerar insights.
Um exemplo em que o ML agêntico está impulsionando a produtividade é a engenharia de recursos. Avaliar a importância dos recursos e identificar recomendações de novos recursos eram, anteriormente, tarefas manuais e demoradas. Neste vídeo de demonstração, você vai ver como bastam alguns prompts em linguagem natural no Cortex Code para evoluir rapidamente um protótipo de modelo de churn: avaliar a importância dos recursos em vários tipos de modelo, remover recursos redundantes ou instáveis e apontar o ponto exato em que o modelo deixa a desejar, com sugestões de novos recursos.

À medida que o Snowflake ML inova, o Cortex Code evolui junto para incorporar novos recursos e otimizações, para que você não precise se preocupar com a complexidade do treinamento distribuído, da orquestração baseada em DAG ou da inferência multimodal. Isso se traduz em grandes ganhos de produtividade, possibilitando iterações mais rápidas e caminhos mais curtos da ideia ao impacto.
Nos bastidores, o Cortex Code aproveita a plataforma totalmente integrada do Snowflake ML para ajustar a escala das cargas de trabalho de forma transparente entre CPUs e GPUs com otimizações integradas, oferecendo vantagens de performance como treinamento de três até sete vezes mais rápido do que bibliotecas de código aberto e latência de inferência para modelos XGBoost até 10x mais rápida do que tradicionais provedores de nuvem.
Por onde começar
Criar pipelines de ML com agentes de IA na plataforma Snowflake pode ser facilmente integrado diretamente aos seus fluxos de trabalho já existentes, independentemente de onde você prefere trabalhar. O Cortex Code está disponível diretamente na Snowflake Snowsight UI (em GA) ou em qualquer terminal ou editor de código, como o VS Code ou o Cursor, com a CLI (em GA).
No Snowsight, o Cortex Code oferece soluções verificadas na forma de pipelines de ML totalmente funcionais que podem ser executados diretamente a partir de um Snowflake Notebook in Workspaces. Os Snowflake Notebooks são executados em um ambiente de Container Runtime baseado em Jupyter, desenvolvido especificamente para fluxos de trabalho de produção de IA/ML em escala.
A Cortex Code CLI permite que os desenvolvedores transformem mais rápido, otimizem fluxos de trabalho de orquestração e depurem com contexto completo diretamente do terminal.
Para começar, hoje mesmo, a criar pipelines de ML agêntico com o Cortex Code, siga este quickstart de detecção de fraudes em tempo real com o Cortex Code na CLI ou no Snowsight, usando o período de avaliação gratuita e consulte o guia de práticas recomendadas para obter exemplos técnicos.



