博客
借助 GPU 为 Snowflake 中的 scikit-learn 与 pandas 全面提速
了解如何借助 GPU 加速 scikit-learn、pandas、 UMAP 与 HDBSCAN 的模型开发周期，无需修改代码
Snowflake ML
借助 Snowflake CoCo，更快地从数据获得预测性业务洞察。在您的数据所在之处，用自然语言构建可直接投入生产的 ML 管道。
概述
借助智能体驱动型 ML，更快将模型投入生产
借助 Snowflake CoCo 的自动化 ML 管道，加速模型生命周期。依托贯穿数据、特征、模型与 Notebooks 的原生语境，获得契合您业务需求的预测性洞察，一切都在一体化且受治理的平台上完成。
在单一平台上整合 ML 工作流
在数据所在之处，统一贯穿开发、推理与运维的工作流。
获得可信的 ML 业务洞察
利用集中式的数据血缘追踪与基于角色的访问控制（RBAC），在 Snowflake 中发现、管理和治理整个生命周期中的特征与模型。
ML 工作流
借助 Snowflake ML从 Notebook 走向生产
模型开发
借助智能体驱动型 ML，构建具有原生上下文感知能力的可扩展模型
- 根据基准测试结果，PyTorch 训练速度可达其他平台的 2.5 倍，成本可低至其 1/3
优化数据加载、加速训练：既可在 Snowflake Notebooks 中完成，也可通过 Snowflake 的 VS Code 扩展直接在 VS Code 中或通过 Cursor 完成。†
使用 XGBoost、PyTorch 等预装库，或通过 pip 从 PyPI 和 Hugging Face 等开源平台安装。
借助 Cortex Training 定制并训练开放权重基础模型。*
特征管理
以批量和实时的方式开发与管理特征，打造生产级管道
借助 Snowflake 特征平台（Feature Store），基于批量或流式数据创建、管理 ML 特征并持续自动刷新，以低于 10 毫秒的延迟提供特征服务。基准测试显示，延迟降至 1/2.5，每秒查询数（QPS）提升至 7 倍。
在训练与推理全流程中，促进特征的可发现性、复用与治理能力。
通过集成的特征平台 UI，在整条管道中轻松搜索并可视化追溯特征。
“以前，训练所有这些模型并生成预测需要半小时。 但Snowflake 上的统一模型非常快，为数十万客户生成预测只需几分钟。这样的速度与简洁，将帮助我们的业务解锁模拟、情景预测等更多功能。”
Dan Shah
数据科学经理
功能概览
深入了解 Snowflake ML 中面向开发与生产的各项集成功能。
开始使用
与 Snowflake 一起，迈出下一步Snowflake
立即在 30 天免费试用中体验 ML 快速入门
- 价值 400 美元的免费计算额度
- 立即使用最新的 Snowflake ML 功能
- 使用 CPU 或 GPU 构建并部署模型
端到端 ML
常见问题 问题
对 Snowflake ML 有疑问？我们为您解答。以下是一些常见的问题，帮助您了解其工作原理以及如何开始使用。
在 Snowflake 中，ML 工作流既可以使用 CPU，也可以使用 GPU 吗？
可以。数据科学家和 ML 工程师可以在 CPU 或 GPU 上通过分布式处理构建和部署模型。这得益于 Snowflake ML 平台底层基于 Ray 的现代化容器基础设施。
Snowflake 是否同时支持批量处理和实时 ML 工作流？
是的。Snowflake ML 可同时处理在线和批量的工作负载。针对实时需求，我们的在线特征平台与在线模型推理均已正式发布，可支持个性化推荐、欺诈检测、 定价优化和异常检测等应用场景。
我只能在生产环境中运行在 Snowflake 中构建的模型吗？
不是。您可以把在外部任何地方构建的模型带到 Snowflake，基于 Snowflake 数据在生产环境中运行。推理时，您还可以利用 ML 可观测性、RBAC 治理等集成的 MLOps（机器学习运维）功能。
Snowflake ML 是否兼容开源技术？
是的。Snowflake ML 完全兼容任何开源库。您可以通过 pip 安全地访问开源仓库，并从 Hugging Face 等平台引入任何模型。
Snowflake ML 如何计费？
Snowflake 采用按使用量计费的定价模式。请查看当前的 Credit 定价表。
