Snowflake Semantic View Autopilot: modelagem semântica com tecnologia de IA, em minutos

Semântica governada e confiável é um requisito básico para ter dados prontos para IA. Hoje, anunciamos o lançamento ao público do Semantic View Autopilot (SVA), um sistema que gera automaticamente visualizações semânticas de consultas e ativos de inteligência de mercado (BI) existentes.

O problema está na falta de definição, e não no LLM

Em 2025, equipes criando agentes de IA descobriram que até mesmo os modelos mais inteligentes lidavam com lógica inconsistente de negócios. A barreira não era a capacidade da IA, era a definição de dados.

Prashanth Sanagavarapu, SVP of Engineering da VTS, observa que "criar e manter uma camada semântica consistente exigia esforço manual significativo" para evitar números conflitantes. É por isso que criamos o Semantic View Autopilot: para automatizar a criação dessa camada governada e confiável.

"O Semantic View Autopilot oferece aos nossos sistemas de IA uma compreensão consistente e governada das métricas de negócios... que nos permite oferecer personalização confiável e engajamento orientado por IA em que nossos clientes podem confiar", diz Matt Walker, CTO da Simon AI.

Snowflake automatiza a criação de visualizações semânticas

As visualizações semânticas fornecem contexto sobre o significado e a intenção dos dados, e não apenas sua estrutura. Elas instruem os LLMs sobre como traduzir dados em conceitos de negócios. No entanto, criá-las é muitas vezes um processo demorado e altamente manual.

Para as equipes de dados, o objetivo é obter uma lógica coerente. Mas a criação manual é um difícil. A equipe de produtos pode definir a " receita recorrente mensal" de uma só forma, sem saber que a equipe financeira exclui taxas de configuração únicas. Essas regras ocultas só surgem após a implementação, quando os números não são compatíveis.

O SVA elimina essa falha automatizando a criação e a governança de visualizações semânticas. Em vez de exigir que os engenheiros criem códigos com as definições do zero, o SVA propõe métricas e filtros aprendidas com o histórico de consultas e ativos de BI confiáveis, para que as equipes possam analisar, certificar e implementar em minutos, e não em semanas.

Como funciona: aprendendo a partir de padrões de consenso

O princípio central do SVA é que a semântica já está definida no histórico de consultas, no uso de dados e nos dashboards. Isso transforma a modelagem semântica da codificação para o processamento. Agora, as equipes podem se concentrar na revisão da lógica que o SVA reproduz. Essas definições governadas possibilitam que o Snowflake Cortex Analyst, Cortex Agents e o Snowflake Intelligence obtenham resultados mais precisos e confiáveis.

O SVA analisa três indicadores-chave, como descritos a seguir.

Reconhecimento de padrão e extração baseada em consenso

O SVA usa algoritmos de cluster que analisam padrões de consulta e perguntas em linguagem natural para identificar consenso na lógica de negócios. Quando existem definições conflitantes, como diferentes filtros de "usuário ativo", o SVA apresenta o padrão mais comum como uma proposta.

Por exemplo, se mais de 200 consultas calcularem consistentemente o "usuário ativo" como user_engagement_score > 50 E last_login_days < 30, o SVA propõe este filtro mesmo se um usuário realizou recentemente uma consulta diferente.

Aprendizado multissinal a partir de fontes de alta confiança

Com frequência, as maiores fontes de confiança são os dashboards já existentes de inteligência de mercado (BI), onde anos de lógica de negócios já estão presentes. O Tableau é a primeira ferramenta de BI com suporte para SVA, com mais de 20 parceiros OSI previstos. O SVA transforma dashboards estáticos em IA conversacional em minutos (consulte o laboratório prático).

As equipes também podem fazer upload de consultas SQL confiáveis diretamente. O SVA extrai relacionamentos e métricas e os armazena como consultas verificadas para uso futuro. Além disso, como tudo acontece dentro do Snowflake, o SVA pode analisar os seus dados reais. A cardinalidade de colunas revela tipos de relacionamento e dá sugestões, como adição de um serviço Cortex Search para maior precisão.

Iteração contínua com base na evolução do uso

O SVA monitora os padrões de uso para manter as visualizações semânticas atualizadas. Se uma organização iniciar um nível de assinatura "Pro", o SVA percebe que novas consultas incluem subscription_tier = 'pro' e propõe incorporar a informação, para que as respostas permaneçam consistentes à medida que as regras de negócios mudam.

A migração dos agentes de BI para IA exige uma base semântica fundamentada no uso de dados, e não em suposições de LLM. O Semantic View Autopilot é o caminho mais rápido para uma IA governada e contextualizada. Ele se encontra agora disponível em todas as regiões onde o Cortex Analyst está disponível no Snowflake.

Comece hoje mesmo. Teste o SVA em sua conta e aprenda as práticas recomendadas para criar visualizações semânticas para o Cortex Analyst.