Blog
Turbinando Scikit-Learn e Pandas no Snowflake com GPUs
Veja como agilizar os ciclos de desenvolvimento de modelos para scikit-learn, pandas, UMAP e HDBSCAN com GPUs. Sem necessidade de alteração de código.
RECURSO
Snowflake ML
Agilize o aprendizado de máquina com GPUs ou CPUs distribuídas na mesma plataforma onde estão seus dados governados. Otimize o desenvolvimento de modelos e MLOps sem precisar manter ou configurar a infraestrutura. Tudo com uma interface de usuário centralizada.
Visão geral
Combinar várias ferramentas para fluxos de trabalho de ML pode ser complicado. Prepare os modelos para produção em uma única plataforma.
Desenvolva, implemente e monitore modelos e recursos de ML em escala com uma plataforma totalmente integrada que reúne ferramentas, fluxos de trabalho e infraestrutura de processamento para os dados.
Integre desenvolvimento e MLOps
Unifique pipelines de modelos de ponta a ponta com qualquer modelo de código aberto na mesma plataforma onde seus dados residem.
Ajuste a escala dos modelos desde o início
Ajuste a escala de pipelines de ML em CPUs ou GPUs com otimizações integradas de infraestrutura, sem ajustes ou configurações manuais.
Produza insights confiáveis de ML
Descubra, gerencie e governe recursos e modelos no Snowflake durante todo o ciclo de vida.
Fluxo de trabalho de ML
Use o Snowflake ML parareduzir o tempo do desenvolvimento à produção
Desenvolvimento de modelos
Crie modelos com escalabilidade a partir de dados do Snowflake com fluxos de trabalho de ML com agentes
- Use o Cortex Code para gerar, iterar e refinar de forma autônoma pipelines totalmente executáveis de ML a partir de prompts em linguagem natural.
Otimize a carga de dados e distribua o treinamento de modelos do Snowflake Notebooks ou em qualquer IDE de sua preferência com ML Jobs.
- Use bibliotecas pré-instaladas, como XGBoost e PyTorch, ou use “pip install” para instalar qualquer pacote a partir de hubs de código aberto, como PyPi e HuggingFace.
Gerenciamento de recursos
Desenvolver e gerenciar recursos em lote e em tempo real para pipelines no nível de produção
Crie, gerencie e forneça recursos de ML com atualização contínua e automatizada de dados em lote ou de streaming usando o Snowflake Feature Store.
Facilite a descoberta, a reutilização e a governança de recursos durante o treinamento e a inferência.
Com facilidade, rastreie visualmente e procure por recursos em todo o pipeline por meio da interface de usuário integrada do Feature Store.
Produção
Implemente modelos de ML desenvolvidos em qualquer plataforma para inferência em lote e online
- Registre modelos de qualquer origem no Snowflake Model Registry e disponibilize-os para previsões em lote ou em tempo real sobre dados do Snowflake, utilizando CPUs ou GPUs.
Abasteça os modelos em menos de 100 milissegundos para possibilitar casos de uso online, de baixa latência, como recomendações personalizadas e detecção de fraudes.
- Monitore facilmente as métricas de performance e de derivação com a função integrada ML Observability.
Antes, o processo para treinar todos esses modelos e gerar previsões levava meia hora. O modelo unificado no Snowflake é super-rápido. É preciso apenas alguns minutos para gerar previsões para centenas de milhares de clientes. Essa rapidez e simplicidade ajudam a liberar mais recursos para a empresa, como previsão de cenários e simulação."
Dan Shah
Manager of Data Science
"Ao fornecer estimativas de taxas totalmente automatizadas, e em tempo real, com 97% a 99% de precisão no Snowflake, conseguimos melhorar a transparência dos custos e fortalecer a confiança nos processos de liquidação e relatórios."
Venkata Kalyan Sanaboyina
Senior Engineering Lead
Visão geral dos recursos
Conheça melhor os recursos integrados para desenvolvimento
e produção no Snowflake ML.
Por onde começar
Dê o próximo passocom o Snowflake
Comece sua avaliação gratuita de 30 dias do Snowflake
- US$ 400 de crédito para começar a usar a plataforma de forma gratuita.
- Acesso imediato aos recursos mais recentes do Snowflake ML.
- Desenvolva e implemente um modelo com CPUs ou GPUs.
ML de ponta a ponta
Perguntas frequentes
Posso usar CPUs e GPUs para fluxos de trabalho de ML no Snowflake?
Sim, pode. Cientistas de dados e engenheiros de ML podem criar e implementar modelos com processamento distribuído em CPUs ou GPUs. Isso é possível graças à infraestrutura moderna de contêineres baseada em Ray, que alimenta a plataforma Snowflake ML.
O Snowflake oferece suporte a fluxos de trabalho de ML em lote e em tempo real?
Sim, oferece. O Snowflake ML lida tanto com cargas de trabalho online e em lote. Para necessidades em tempo real, lojas de recursos e inferência de modelos estão disponíveis online para aprimorar casos de uso como recomendações personalizadas, detecção de fraudes, otimização de preços e detecção de anomalias.
É possível executar apenas modelos em produção desenvolvidos no Snowflake?
Não, é possível trazer modelos de outras origens para executar em produção com base em dados do Snowflake. Durante a inferência, você pode usar os recursos integrados de MLOps, como observabilidade de ML e governança de RBAC.
O Snowflake ML é compatível com código aberto?
É sim. O Snowflake ML é compatível com todas as bibliotecas de código aberto. Você pode acessar, com segurança, repositórios de código aberto por meio de comando pip e importar qualquer modelo de hub, como o Hugging Face.
Como funciona o modelo de preços do Snowflake ML?
A Snowflake trabalha com um modelo de preços com base no consumo. Veja aqui a tabela mais recente de valores de créditos.
Posso testar o Snowflake ML de forma gratuita?
Sim, pode. Você pode testar qualquer um dos nossos quickstarts de ML diretamente durante o seu período de avaliação gratuita.
