![\"Image\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2023\/12\/charbel-naba.jpg\")
Begleiten Sie uns auf dieser Reise und erfahren Sie mehr \u00fcber die Highlights der Snowdays, insbesondere \u00fcber die neuesten wissenschaftlichen Funktionen des data, wie z. B.:<\/p>\n<\/div>
Snowflake Cortex Highlights<\/h2><\/div>![](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2023\/12\/image-snowflake-medium-article.png\" "\\"Bild")
<\/span><\/div>Ein \u00dcberblick \u00fcber die GenAI- und LLM-Funktionen in Snowflake<\/p>\n<\/div>
Sprachmodell-F\u00e4higkeiten (LLM) (einige Modelle sind \u00f6ffentlich, w\u00e4hrend andere noch in der privaten Vorschau sind)<\/h2><\/div>LLMs sind eine neue Art von KI-Modellen, die Texte generieren, Sprachen \u00fcbersetzen, verschiedene Arten von kreativen Inhalten schreiben und Ihre Fragen auf informative Weise beantworten k\u00f6nnen. Mit seinen neuen LLM-F\u00e4higkeiten ist Snowflake eines der ersten cloud data platforms, das Benutzern Zugang zu dieser leistungsstarken neuen Technologie bietet.<\/p>\n<\/div>
Damit unterscheidet sich Snowflake von anderen cloud data platforms, denn es verschafft Snowflake-Anwendern einen erheblichen Vorteil bei der Entwicklung von KI-Anwendungen. Mit Snowflake Cortex k\u00f6nnen Anwender jetzt ganz einfach KI-Anwendungen entwickeln, die eine Vielzahl von Aufgaben erf\u00fcllen k\u00f6nnen, z. B. reports generieren, Betrug erkennen und das Kundenverhalten vorhersagen.<\/p>\n<\/div>
Im Folgenden finden Sie einige konkrete Anwendungsf\u00e4lle f\u00fcr die LLM-Funktionen von Snowflake:<\/p>\n<\/div>
- <\/i><\/span>\n
Sentiment Detection:<\/strong> Analysieren Sie Kundenfeedbacks, Interaktionen in sozialen Medien oder Produktbewertungen, um die allgemeine Stimmung zu verstehen und Bereiche mit Verbesserungspotenzial zu identifizieren. (Weitere Informationen finden Sie in den SQL-Befehlen zur Stimmungsanalyse und -zusammenfassung (in der privaten Vorschau)).<\/p>\n<\/div><\/li>- <\/i><\/span>\n
Text-Zusammenfassung:<\/strong> Erstellen Sie pr\u00e4gnante Zusammenfassungen von l\u00e4ngeren Dokumenten, E-Mails oder reports, um wichtige Informationen schnell zu erfassen und Zeit zu sparen. (Weitere Informationen finden Sie in den SQL-Befehlen f\u00fcr die Stimmungsanalyse und Zusammenfassung (in der privaten Vorschau)).<\/p>\n<\/div><\/li>- <\/i><\/span>\n
\u00dcbersetzung:<\/strong> Ben\u00f6tigen Sie w\u00e4hrend Ihrer Transformationen eine \u00dcbersetzung f\u00fcr die Werte in einer bestimmten Spalte? Sie brauchen nicht auf eine externe API zur\u00fcckzugreifen. Sie k\u00f6nnen die \u00dcbersetzung nahtlos in Snowflake durchf\u00fchren.<\/p>\n<\/div><\/li><\/ul>Erweiterte Suchfunktionen (in der privaten Vorschau)<\/h2><\/div>Schneeflocke ist neu Erweiterte Suchfunktionen<\/strong> machen es den Benutzern leichter denn je, das ben\u00f6tigte data zu finden, unabh\u00e4ngig davon, wo es gespeichert ist. Dies ist ein gro\u00dfer Vorteil gegen\u00fcber anderen cloud data platforms, die in der Regel nur begrenzte Suchm\u00f6glichkeiten bieten.<\/p>\n<\/div>Die neuen Suchfunktionen von Snowflake erm\u00f6glichen es den Nutzern insbesondere:<\/p>\n<\/div>
- <\/i><\/span>\n
Suchen Sie in databases, Iceberg-Tabellen, data in Snowflake, nativen Anwendungen und dem Snowflake Marketplace.<\/p>\n<\/div><\/li>
- <\/i><\/span>\n
Verwenden Sie nat\u00fcrlichsprachliche Abfragen<\/strong> um nach data zu suchen.<\/p>\n<\/div><\/li>- <\/i><\/span>\n
Filtern Sie die Suchergebnisse nach einer Vielzahl von Kriterien<\/strong>, wie data-Typ, Dateigr\u00f6\u00dfe und Erstellungsdatum.<\/p>\n<\/div><\/li><\/ul>Diese erweiterten Suchfunktionen k\u00f6nnen Benutzern helfen, bei der Arbeit mit data Zeit zu sparen und produktiver zu sein. Zum Beispiel k\u00f6nnte ein data-Analyst die neuen Suchfunktionen nutzen, um schnell alle data zu finden, die f\u00fcr ein bestimmtes Analyseprojekt relevant sind. Oder ein Gesch\u00e4ftsanwender k\u00f6nnte die neuen Suchfunktionen nutzen, um alle data zu finden, die sich auf einen bestimmten Kunden oder ein bestimmtes Produkt beziehen.<\/p>\n<\/div>
Ganz zu schweigen davon, dass die Verwendung der verschiedenen Snowflake-Filter, die diese Suchfunktionen bieten (Spaltenbenennung, Tagging, metadata-Spezifikation), zu einer Erh\u00f6hung der data-Konsistenz f\u00fchrt.<\/p>\n<\/div>
Abschlie\u00dfend ist anzumerken, dass damit ein wichtiger Aspekt von data-Katalogen angesprochen wird. Angesichts der Herausforderungen, die die Implementierung eines data-Katalogs mit sich bringt, ist die Nutzung dieser in Snowflake integrierten Funktion besonders interessant.<\/p>\n<\/div>
![](\"data:image\/svg+xml,%3Csvg%20xmlns%3D%27http%3A%2F%2Fwww.w3.org%2F2000%2Fsvg%27%20width%3D%271200%27%20height%3D%27675%27%20viewBox%3D%270%200%201200%20675%27%3E%3Crect%20width%3D%271200%27%20height%3D%27675%27%20fill-opacity%3D%220%22%2F%3E%3C%2Fsvg%3E\" "\\"Schneeflocke")
<\/span><\/div>SQL-Befehle f\u00fcr die Stimmungsanalyse und -zusammenfassung (in privater Vorschau)<\/h2><\/div>Die neuen SQL-Befehle von Snowflake f\u00fcr die Stimmungsanalyse und die Zusammenfassung machen es den Benutzern leicht, Erkenntnisse aus ihrem data zu gewinnen, ohne neue Tools oder Sprachen lernen zu m\u00fcssen. Dies ist ein gro\u00dfer Vorteil gegen\u00fcber anderen cloud data platforms, bei denen die Benutzer in der Regel separate Tools f\u00fcr diese Aufgaben verwenden m\u00fcssen.<\/p>\n<\/div>
Die neuen SQL-Befehle von Snowflake erm\u00f6glichen es den Benutzern,:<\/p>\n<\/div>
- <\/i><\/span>\n
Analysieren Sie die Stimmung eines Textes data<\/strong>, wie Kundenrezensionen, Beitr\u00e4ge in sozialen Medien und Antworten auf Umfragen.<\/p>\n<\/div><\/li>- <\/i><\/span>\n
Text zusammenfassen data<\/strong> um die wichtigsten Informationen zu extrahieren.<\/p>\n<\/div><\/li><\/ul>Diese neuen SQL-Befehle k\u00f6nnen Anwendern helfen, bei der Arbeit mit data Zeit zu sparen und produktiver zu sein. Ein Gesch\u00e4ftsanwender k\u00f6nnte die neuen SQL-Befehle zum Beispiel nutzen, um schnell die Stimmung von Kundenrezensionen zu analysieren oder einen langen und komplexen Bericht zusammenzufassen.<\/p>\n<\/div>
Snowflake Copilot (in privater Vorschau)<\/h2><\/div>Es ist ein LLM-gest\u00fctzter Assistent zur Erstellung und Verfeinerung von SQL mit nat\u00fcrlicher Sprache<\/strong>. Dar\u00fcber hinaus wird diese Text-to-Code-Funktionalit\u00e4t bald auch programmatisch \u00fcber eine Allzweckfunktion, Text2SQL, mit Snowflake Cortex zur Verf\u00fcgung stehen.<\/p>\n<\/div><\/span><\/div>Dokument Data Extraktion mit Document AI (in privater Vorschau)<\/h2><\/div>Snowflake Cortex's Dokument-KI<\/strong>, LLM erm\u00f6glicht die effiziente Extraktion von data aus verschiedenen Dokumenttypen (pdf, word, txt, Screenshots) und spart so Zeit und Ressourcen bei der manuellen data-Verarbeitung.<\/p>\n<\/div>Insgesamt sind die neuen Funktionen von Snowflake sehr beeindruckend und haben das Potenzial, die Art und Weise zu revolutionieren, in der Menschen cloud data platforms verwenden.<\/p>\n<\/div>
Snowflake hebt sich deutlich von der Konkurrenz ab, indem es innovative Funktionen anbietet, die es den Anwendern erleichtern, KI-Anwendungen zu entwickeln und einzusetzen, data zu finden, ML-Funktionen zu verwalten und ML-Modelle gemeinsam zu nutzen. Snowflake macht es den Anwendern auch leichter, Erkenntnisse aus ihrem data zu gewinnen, ohne neue Tools oder Sprachen lernen zu m\u00fcssen.<\/p>\n<\/div>
<\/span><\/div>Feature Store (in privater Vorschau)<\/h2><\/div>A Feature Store<\/strong> ist ein zentrales Repository f\u00fcr die Verwaltung und gemeinsame Nutzung von Funktionen f\u00fcr maschinelles Lernen. Der neue Funktionsspeicher von Snowflake erleichtert den Benutzern die Entwicklung und Bereitstellung von ML-Modellen.<\/p>\n<\/div>Damit unterscheidet sich Snowflake von anderen cloud data platforms, denn es bietet den Anwendern einen einzigen Ort, an dem sie alle ihre ML-Funktionen verwalten k\u00f6nnen. Dies kann den Benutzern helfen, Zeit zu sparen und die Effizienz ihres ML-Entwicklungsprozesses zu verbessern.<\/p>\n<\/div>
Hier sind einige konkrete Anwendungsf\u00e4lle f\u00fcr den Snowflake Feature Store:<\/p>\n<\/div>
- <\/i><\/span>\n
Ein data-Wissenschaftler k\u00f6nnte den Feature Store verwenden, um die Funktionen verwalten und teilen<\/strong> die sie zur Entwicklung eines maschinellen Lernmodells verwenden. Weitere Informationen zu diesem Thema finden Sie unter Hier<\/a>.<\/p>\n<\/div><\/li>- <\/i><\/span>\n
Ein Ingenieur f\u00fcr maschinelles Lernen k\u00f6nnte den Feature Store nutzen, um ein Modell f\u00fcr maschinelles Lernen in der Produktion einsetzen und sicherstellen, dass es Zugriff auf die ben\u00f6tigten Funktionen hat<\/strong>. Weitere Informationen zu diesem Thema finden Sie unter Hier<\/a>.<\/p>\n<\/div><\/li>- <\/i><\/span>\n
Ein Gesch\u00e4ftskunde k\u00f6nnte den Feature Store nutzen, um die Funktionen zu erforschen und zu verstehen, die f\u00fcr ihre Anwendungen zum maschinellen Lernen verwendet werden<\/strong>. Weitere Informationen zu diesem Thema finden Sie unter Hier<\/a>.<\/p>\n<\/div><\/li><\/ul>Modell-Sharing<\/h2><\/div>Die F\u00e4higkeit von Snowflake, ML-Modelle zu teilen, ist ebenfalls ein wichtiges Unterscheidungsmerkmal. Dies wird die Zusammenarbeit bei ML-Projekten erleichtern und den Zugang zu ML demokratisieren.<\/p>\n<\/div>
Snowflake erm\u00f6glicht es Anwendern, ML-Modelle mit anderen zu teilen, sowohl innerhalb als auch au\u00dferhalb ihres Unternehmens. Dies kann dazu beitragen, die Entwicklung und Einf\u00fchrung von ML-Anwendungen zu beschleunigen.<\/p>\n<\/div>
Im Folgenden finden Sie einige konkrete Anwendungsf\u00e4lle f\u00fcr die Snowflake-Funktion zur gemeinsamen Nutzung von Modellen:<\/p>\n<\/div>
- <\/i><\/span>\n
Ein data-Wissenschaftler k\u00f6nnte ein maschinelles Lernmodell mit einem Gesch\u00e4ftskunden teilen<\/strong> damit sie damit ihre data erkunden und Erkenntnisse gewinnen k\u00f6nnen.<\/p>\n<\/div><\/li>- <\/i><\/span>\n
Ein Ingenieur f\u00fcr maschinelles Lernen k\u00f6nnte ein Modell f\u00fcr maschinelles Lernen mit einem DevOps-Ingenieur teilen<\/strong> damit sie es in der Produktion einsetzen k\u00f6nnen.<\/p>\n<\/div><\/li>- <\/i><\/span>\n
Ein Softwareanbieter k\u00f6nnte ein maschinelles Lernmodell mit ihren Kunden teilen<\/strong> damit sie diese zur Verbesserung ihrer Produkte und Dienstleistungen nutzen k\u00f6nnen.<\/p>\n<\/div><\/li><\/ul>Snowflake Notebooks (in privater Vorschau)<\/h2><\/div>Schneeflocken-Notizb\u00fccher<\/strong>, eine cloud-basierte Umgebung, die speziell f\u00fcr die Entwicklung und Ausf\u00fchrung von Code entwickelt wurde, weist \u00c4hnlichkeiten mit Notebooks auf, die bereits seit einigen Jahren auf anderen cloud data platforms verf\u00fcgbar sind. Databricks war der Pionier in diesem Bereich, und BigQuery folgte mit seinem Ank\u00fcndigung<\/a> am 31. August. Diese Notebooks wurden sorgf\u00e4ltig entwickelt, um die Leistung innerhalb des Snowflake-\u00d6kosystems zu optimieren.<\/p>\n<\/div>Snowflake Notebooks bieten eine Reihe von Vorteilen gegen\u00fcber herk\u00f6mmlichen IDEs, wie z. B:<\/p>\n<\/div>
- <\/i><\/span>\n
Kollaboration:<\/strong> Snowflake Notebooks lassen sich leicht mit anderen teilen, was die Zusammenarbeit an Projekten erleichtert.<\/p>\n<\/div><\/li>- <\/i><\/span>\n
Interaktivit\u00e4t:<\/strong> Snowflake Notebooks sind interaktiv, so dass Sie mit Ihrem Code experimentieren und die Ergebnisse sofort sehen k\u00f6nnen.<\/p>\n<\/div><\/li>- <\/i><\/span>\n
Leistung:<\/strong> Snowflake Notebooks sind \u00e4u\u00dferst leistungsf\u00e4hig, so dass Sie komplexe Abfragen und Analysen schnell ausf\u00fchren k\u00f6nnen.<\/p>\n<\/div><\/li><\/ul>Snowflake Notebooks befinden sich derzeit in der Beta-Phase, aber es wird erwartet, dass sie in naher Zukunft f\u00fcr die allgemeine \u00d6ffentlichkeit freigegeben werden.<\/p>\n<\/div>
Was Snowflake als Entwicklungsumgebung f\u00fcr maschinelles Lernen von anderen unterscheidet, ist die Tatsache, dass es aus Python-APIs besteht, auf die \u00fcber die Snowpark ML-Bibliothek zugegriffen werden kann, sowie aus SQL-Schnittstellen f\u00fcr die Definition, Verwaltung und Abfrage von Merkmalen, zusammen mit einer verwalteten Infrastruktur f\u00fcr die Verwaltung der Merkmal-Metadata und die kontinuierliche Verarbeitung von Merkmalen. Dies macht spezielle KI-Fachkenntnisse \u00fcberfl\u00fcssig. Dar\u00fcber hinaus versetzen der Feature Store und die Funktionen zur gemeinsamen Nutzung von Modellen Snowflake in die Lage, besser mit seinen Konkurrenten mitzuhalten, insbesondere mit Databricks, das in den letzten Jahren aufgrund seiner Integration mit ML Flow offensichtlich die Oberhand hatte.<\/p>\n<\/div>
![](\"data:image\/svg+xml,%3Csvg%20xmlns%3D%27http%3A%2F%2Fwww.w3.org%2F2000%2Fsvg%27%20width%3D%272560%27%20height%3D%271360%27%20viewBox%3D%270%200%202560%201360%27%3E%3Crect%20width%3D%272560%27%20height%3D%271360%27%20fill-opacity%3D%220%22%2F%3E%3C%2Fsvg%3E\" "\\"Schneeflocke")
<\/span><\/div>Fazit<\/h2><\/div>Die Vorstellung neuer Funktionen, darunter Snowflake Cortex, Copilot, Document AI und Notebooks, best\u00e4tigt das Engagement von Snowflake f\u00fcr Innovation. Obwohl die data Wissenschaftsank\u00fcndigungen mit den aktuellen GenAI-Trends \u00fcbereinstimmen, m\u00fcssen sie mit Vorsicht genossen werden. Es ist bemerkenswert, dass bestimmte Funktionen, obwohl sie schon vor langer Zeit angek\u00fcndigt wurden, noch immer nicht f\u00fcr alle Umgebungen verf\u00fcgbar sind. Lassen Sie uns diese Innovationen mit einem offenen Geist und einem vorsichtigen Optimismus angehen, der bereit ist, die M\u00f6glichkeiten zu ergreifen und dabei auf dem Boden der Realit\u00e4t zu bleiben.<\/p>\n<\/div><\/div><\/div><\/div><\/article>
<\/span><\/div>Ein \u00dcberblick \u00fcber die GenAI- und LLM-Funktionen in Snowflake<\/p>\n<\/div>
Sprachmodell-F\u00e4higkeiten (LLM) (einige Modelle sind \u00f6ffentlich, w\u00e4hrend andere noch in der privaten Vorschau sind)<\/h2><\/div>LLMs sind eine neue Art von KI-Modellen, die Texte generieren, Sprachen \u00fcbersetzen, verschiedene Arten von kreativen Inhalten schreiben und Ihre Fragen auf informative Weise beantworten k\u00f6nnen. Mit seinen neuen LLM-F\u00e4higkeiten ist Snowflake eines der ersten cloud data platforms, das Benutzern Zugang zu dieser leistungsstarken neuen Technologie bietet.<\/p>\n<\/div>
Damit unterscheidet sich Snowflake von anderen cloud data platforms, denn es verschafft Snowflake-Anwendern einen erheblichen Vorteil bei der Entwicklung von KI-Anwendungen. Mit Snowflake Cortex k\u00f6nnen Anwender jetzt ganz einfach KI-Anwendungen entwickeln, die eine Vielzahl von Aufgaben erf\u00fcllen k\u00f6nnen, z. B. reports generieren, Betrug erkennen und das Kundenverhalten vorhersagen.<\/p>\n<\/div>
Im Folgenden finden Sie einige konkrete Anwendungsf\u00e4lle f\u00fcr die LLM-Funktionen von Snowflake:<\/p>\n<\/div>
- <\/i><\/span>\n
Sentiment Detection:<\/strong> Analysieren Sie Kundenfeedbacks, Interaktionen in sozialen Medien oder Produktbewertungen, um die allgemeine Stimmung zu verstehen und Bereiche mit Verbesserungspotenzial zu identifizieren. (Weitere Informationen finden Sie in den SQL-Befehlen zur Stimmungsanalyse und -zusammenfassung (in der privaten Vorschau)).<\/p>\n<\/div><\/li>- <\/i><\/span>\n
Text-Zusammenfassung:<\/strong> Erstellen Sie pr\u00e4gnante Zusammenfassungen von l\u00e4ngeren Dokumenten, E-Mails oder reports, um wichtige Informationen schnell zu erfassen und Zeit zu sparen. (Weitere Informationen finden Sie in den SQL-Befehlen f\u00fcr die Stimmungsanalyse und Zusammenfassung (in der privaten Vorschau)).<\/p>\n<\/div><\/li>- <\/i><\/span>\n
\u00dcbersetzung:<\/strong> Ben\u00f6tigen Sie w\u00e4hrend Ihrer Transformationen eine \u00dcbersetzung f\u00fcr die Werte in einer bestimmten Spalte? Sie brauchen nicht auf eine externe API zur\u00fcckzugreifen. Sie k\u00f6nnen die \u00dcbersetzung nahtlos in Snowflake durchf\u00fchren.<\/p>\n<\/div><\/li><\/ul>Erweiterte Suchfunktionen (in der privaten Vorschau)<\/h2><\/div>Schneeflocke ist neu Erweiterte Suchfunktionen<\/strong> machen es den Benutzern leichter denn je, das ben\u00f6tigte data zu finden, unabh\u00e4ngig davon, wo es gespeichert ist. Dies ist ein gro\u00dfer Vorteil gegen\u00fcber anderen cloud data platforms, die in der Regel nur begrenzte Suchm\u00f6glichkeiten bieten.<\/p>\n<\/div>Die neuen Suchfunktionen von Snowflake erm\u00f6glichen es den Nutzern insbesondere:<\/p>\n<\/div>
- <\/i><\/span>\n
Suchen Sie in databases, Iceberg-Tabellen, data in Snowflake, nativen Anwendungen und dem Snowflake Marketplace.<\/p>\n<\/div><\/li>
- <\/i><\/span>\n
Verwenden Sie nat\u00fcrlichsprachliche Abfragen<\/strong> um nach data zu suchen.<\/p>\n<\/div><\/li>- <\/i><\/span>\n
Filtern Sie die Suchergebnisse nach einer Vielzahl von Kriterien<\/strong>, wie data-Typ, Dateigr\u00f6\u00dfe und Erstellungsdatum.<\/p>\n<\/div><\/li><\/ul>Diese erweiterten Suchfunktionen k\u00f6nnen Benutzern helfen, bei der Arbeit mit data Zeit zu sparen und produktiver zu sein. Zum Beispiel k\u00f6nnte ein data-Analyst die neuen Suchfunktionen nutzen, um schnell alle data zu finden, die f\u00fcr ein bestimmtes Analyseprojekt relevant sind. Oder ein Gesch\u00e4ftsanwender k\u00f6nnte die neuen Suchfunktionen nutzen, um alle data zu finden, die sich auf einen bestimmten Kunden oder ein bestimmtes Produkt beziehen.<\/p>\n<\/div>
Ganz zu schweigen davon, dass die Verwendung der verschiedenen Snowflake-Filter, die diese Suchfunktionen bieten (Spaltenbenennung, Tagging, metadata-Spezifikation), zu einer Erh\u00f6hung der data-Konsistenz f\u00fchrt.<\/p>\n<\/div>
Abschlie\u00dfend ist anzumerken, dass damit ein wichtiger Aspekt von data-Katalogen angesprochen wird. Angesichts der Herausforderungen, die die Implementierung eines data-Katalogs mit sich bringt, ist die Nutzung dieser in Snowflake integrierten Funktion besonders interessant.<\/p>\n<\/div>
<\/span><\/div>SQL-Befehle f\u00fcr die Stimmungsanalyse und -zusammenfassung (in privater Vorschau)<\/h2><\/div>Die neuen SQL-Befehle von Snowflake f\u00fcr die Stimmungsanalyse und die Zusammenfassung machen es den Benutzern leicht, Erkenntnisse aus ihrem data zu gewinnen, ohne neue Tools oder Sprachen lernen zu m\u00fcssen. Dies ist ein gro\u00dfer Vorteil gegen\u00fcber anderen cloud data platforms, bei denen die Benutzer in der Regel separate Tools f\u00fcr diese Aufgaben verwenden m\u00fcssen.<\/p>\n<\/div>
Die neuen SQL-Befehle von Snowflake erm\u00f6glichen es den Benutzern,:<\/p>\n<\/div>
- <\/i><\/span>\n
Analysieren Sie die Stimmung eines Textes data<\/strong>, wie Kundenrezensionen, Beitr\u00e4ge in sozialen Medien und Antworten auf Umfragen.<\/p>\n<\/div><\/li>- <\/i><\/span>\n
Text zusammenfassen data<\/strong> um die wichtigsten Informationen zu extrahieren.<\/p>\n<\/div><\/li><\/ul>Diese neuen SQL-Befehle k\u00f6nnen Anwendern helfen, bei der Arbeit mit data Zeit zu sparen und produktiver zu sein. Ein Gesch\u00e4ftsanwender k\u00f6nnte die neuen SQL-Befehle zum Beispiel nutzen, um schnell die Stimmung von Kundenrezensionen zu analysieren oder einen langen und komplexen Bericht zusammenzufassen.<\/p>\n<\/div>
Snowflake Copilot (in privater Vorschau)<\/h2><\/div>Es ist ein LLM-gest\u00fctzter Assistent zur Erstellung und Verfeinerung von SQL mit nat\u00fcrlicher Sprache<\/strong>. Dar\u00fcber hinaus wird diese Text-to-Code-Funktionalit\u00e4t bald auch programmatisch \u00fcber eine Allzweckfunktion, Text2SQL, mit Snowflake Cortex zur Verf\u00fcgung stehen.<\/p>\n<\/div><\/span><\/div>Dokument Data Extraktion mit Document AI (in privater Vorschau)<\/h2><\/div>Snowflake Cortex's Dokument-KI<\/strong>, LLM erm\u00f6glicht die effiziente Extraktion von data aus verschiedenen Dokumenttypen (pdf, word, txt, Screenshots) und spart so Zeit und Ressourcen bei der manuellen data-Verarbeitung.<\/p>\n<\/div>Insgesamt sind die neuen Funktionen von Snowflake sehr beeindruckend und haben das Potenzial, die Art und Weise zu revolutionieren, in der Menschen cloud data platforms verwenden.<\/p>\n<\/div>
Snowflake hebt sich deutlich von der Konkurrenz ab, indem es innovative Funktionen anbietet, die es den Anwendern erleichtern, KI-Anwendungen zu entwickeln und einzusetzen, data zu finden, ML-Funktionen zu verwalten und ML-Modelle gemeinsam zu nutzen. Snowflake macht es den Anwendern auch leichter, Erkenntnisse aus ihrem data zu gewinnen, ohne neue Tools oder Sprachen lernen zu m\u00fcssen.<\/p>\n<\/div>
<\/span><\/div>Feature Store (in privater Vorschau)<\/h2><\/div>A Feature Store<\/strong> ist ein zentrales Repository f\u00fcr die Verwaltung und gemeinsame Nutzung von Funktionen f\u00fcr maschinelles Lernen. Der neue Funktionsspeicher von Snowflake erleichtert den Benutzern die Entwicklung und Bereitstellung von ML-Modellen.<\/p>\n<\/div>Damit unterscheidet sich Snowflake von anderen cloud data platforms, denn es bietet den Anwendern einen einzigen Ort, an dem sie alle ihre ML-Funktionen verwalten k\u00f6nnen. Dies kann den Benutzern helfen, Zeit zu sparen und die Effizienz ihres ML-Entwicklungsprozesses zu verbessern.<\/p>\n<\/div>
Hier sind einige konkrete Anwendungsf\u00e4lle f\u00fcr den Snowflake Feature Store:<\/p>\n<\/div>
- <\/i><\/span>\n
Ein data-Wissenschaftler k\u00f6nnte den Feature Store verwenden, um die Funktionen verwalten und teilen<\/strong> die sie zur Entwicklung eines maschinellen Lernmodells verwenden. Weitere Informationen zu diesem Thema finden Sie unter Hier<\/a>.<\/p>\n<\/div><\/li>- <\/i><\/span>\n
Ein Ingenieur f\u00fcr maschinelles Lernen k\u00f6nnte den Feature Store nutzen, um ein Modell f\u00fcr maschinelles Lernen in der Produktion einsetzen und sicherstellen, dass es Zugriff auf die ben\u00f6tigten Funktionen hat<\/strong>. Weitere Informationen zu diesem Thema finden Sie unter Hier<\/a>.<\/p>\n<\/div><\/li>- <\/i><\/span>\n
Ein Gesch\u00e4ftskunde k\u00f6nnte den Feature Store nutzen, um die Funktionen zu erforschen und zu verstehen, die f\u00fcr ihre Anwendungen zum maschinellen Lernen verwendet werden<\/strong>. Weitere Informationen zu diesem Thema finden Sie unter Hier<\/a>.<\/p>\n<\/div><\/li><\/ul>Modell-Sharing<\/h2><\/div>Die F\u00e4higkeit von Snowflake, ML-Modelle zu teilen, ist ebenfalls ein wichtiges Unterscheidungsmerkmal. Dies wird die Zusammenarbeit bei ML-Projekten erleichtern und den Zugang zu ML demokratisieren.<\/p>\n<\/div>
Snowflake erm\u00f6glicht es Anwendern, ML-Modelle mit anderen zu teilen, sowohl innerhalb als auch au\u00dferhalb ihres Unternehmens. Dies kann dazu beitragen, die Entwicklung und Einf\u00fchrung von ML-Anwendungen zu beschleunigen.<\/p>\n<\/div>
Im Folgenden finden Sie einige konkrete Anwendungsf\u00e4lle f\u00fcr die Snowflake-Funktion zur gemeinsamen Nutzung von Modellen:<\/p>\n<\/div>
- <\/i><\/span>\n
Ein data-Wissenschaftler k\u00f6nnte ein maschinelles Lernmodell mit einem Gesch\u00e4ftskunden teilen<\/strong> damit sie damit ihre data erkunden und Erkenntnisse gewinnen k\u00f6nnen.<\/p>\n<\/div><\/li>- <\/i><\/span>\n
Ein Ingenieur f\u00fcr maschinelles Lernen k\u00f6nnte ein Modell f\u00fcr maschinelles Lernen mit einem DevOps-Ingenieur teilen<\/strong> damit sie es in der Produktion einsetzen k\u00f6nnen.<\/p>\n<\/div><\/li>- <\/i><\/span>\n
Ein Softwareanbieter k\u00f6nnte ein maschinelles Lernmodell mit ihren Kunden teilen<\/strong> damit sie diese zur Verbesserung ihrer Produkte und Dienstleistungen nutzen k\u00f6nnen.<\/p>\n<\/div><\/li><\/ul>Snowflake Notebooks (in privater Vorschau)<\/h2><\/div>Schneeflocken-Notizb\u00fccher<\/strong>, eine cloud-basierte Umgebung, die speziell f\u00fcr die Entwicklung und Ausf\u00fchrung von Code entwickelt wurde, weist \u00c4hnlichkeiten mit Notebooks auf, die bereits seit einigen Jahren auf anderen cloud data platforms verf\u00fcgbar sind. Databricks war der Pionier in diesem Bereich, und BigQuery folgte mit seinem Ank\u00fcndigung<\/a> am 31. August. Diese Notebooks wurden sorgf\u00e4ltig entwickelt, um die Leistung innerhalb des Snowflake-\u00d6kosystems zu optimieren.<\/p>\n<\/div>Snowflake Notebooks bieten eine Reihe von Vorteilen gegen\u00fcber herk\u00f6mmlichen IDEs, wie z. B:<\/p>\n<\/div>
- <\/i><\/span>\n
Kollaboration:<\/strong> Snowflake Notebooks lassen sich leicht mit anderen teilen, was die Zusammenarbeit an Projekten erleichtert.<\/p>\n<\/div><\/li>- <\/i><\/span>\n
Interaktivit\u00e4t:<\/strong> Snowflake Notebooks sind interaktiv, so dass Sie mit Ihrem Code experimentieren und die Ergebnisse sofort sehen k\u00f6nnen.<\/p>\n<\/div><\/li>- <\/i><\/span>\n
Leistung:<\/strong> Snowflake Notebooks sind \u00e4u\u00dferst leistungsf\u00e4hig, so dass Sie komplexe Abfragen und Analysen schnell ausf\u00fchren k\u00f6nnen.<\/p>\n<\/div><\/li><\/ul>Snowflake Notebooks befinden sich derzeit in der Beta-Phase, aber es wird erwartet, dass sie in naher Zukunft f\u00fcr die allgemeine \u00d6ffentlichkeit freigegeben werden.<\/p>\n<\/div>
Was Snowflake als Entwicklungsumgebung f\u00fcr maschinelles Lernen von anderen unterscheidet, ist die Tatsache, dass es aus Python-APIs besteht, auf die \u00fcber die Snowpark ML-Bibliothek zugegriffen werden kann, sowie aus SQL-Schnittstellen f\u00fcr die Definition, Verwaltung und Abfrage von Merkmalen, zusammen mit einer verwalteten Infrastruktur f\u00fcr die Verwaltung der Merkmal-Metadata und die kontinuierliche Verarbeitung von Merkmalen. Dies macht spezielle KI-Fachkenntnisse \u00fcberfl\u00fcssig. Dar\u00fcber hinaus versetzen der Feature Store und die Funktionen zur gemeinsamen Nutzung von Modellen Snowflake in die Lage, besser mit seinen Konkurrenten mitzuhalten, insbesondere mit Databricks, das in den letzten Jahren aufgrund seiner Integration mit ML Flow offensichtlich die Oberhand hatte.<\/p>\n<\/div>
<\/span><\/div>Fazit<\/h2><\/div>Die Vorstellung neuer Funktionen, darunter Snowflake Cortex, Copilot, Document AI und Notebooks, best\u00e4tigt das Engagement von Snowflake f\u00fcr Innovation. Obwohl die data Wissenschaftsank\u00fcndigungen mit den aktuellen GenAI-Trends \u00fcbereinstimmen, m\u00fcssen sie mit Vorsicht genossen werden. Es ist bemerkenswert, dass bestimmte Funktionen, obwohl sie schon vor langer Zeit angek\u00fcndigt wurden, noch immer nicht f\u00fcr alle Umgebungen verf\u00fcgbar sind. Lassen Sie uns diese Innovationen mit einem offenen Geist und einem vorsichtigen Optimismus angehen, der bereit ist, die M\u00f6glichkeiten zu ergreifen und dabei auf dem Boden der Realit\u00e4t zu bleiben.<\/p>\n<\/div><\/div><\/div><\/div><\/article>
LLMs sind eine neue Art von KI-Modellen, die Texte generieren, Sprachen \u00fcbersetzen, verschiedene Arten von kreativen Inhalten schreiben und Ihre Fragen auf informative Weise beantworten k\u00f6nnen. Mit seinen neuen LLM-F\u00e4higkeiten ist Snowflake eines der ersten cloud data platforms, das Benutzern Zugang zu dieser leistungsstarken neuen Technologie bietet.<\/p>\n<\/div>
Damit unterscheidet sich Snowflake von anderen cloud data platforms, denn es verschafft Snowflake-Anwendern einen erheblichen Vorteil bei der Entwicklung von KI-Anwendungen. Mit Snowflake Cortex k\u00f6nnen Anwender jetzt ganz einfach KI-Anwendungen entwickeln, die eine Vielzahl von Aufgaben erf\u00fcllen k\u00f6nnen, z. B. reports generieren, Betrug erkennen und das Kundenverhalten vorhersagen.<\/p>\n<\/div>
Im Folgenden finden Sie einige konkrete Anwendungsf\u00e4lle f\u00fcr die LLM-Funktionen von Snowflake:<\/p>\n<\/div>
- <\/i><\/span>\n
Sentiment Detection:<\/strong> Analysieren Sie Kundenfeedbacks, Interaktionen in sozialen Medien oder Produktbewertungen, um die allgemeine Stimmung zu verstehen und Bereiche mit Verbesserungspotenzial zu identifizieren. (Weitere Informationen finden Sie in den SQL-Befehlen zur Stimmungsanalyse und -zusammenfassung (in der privaten Vorschau)).<\/p>\n<\/div><\/li>
- <\/i><\/span>
\nText-Zusammenfassung:<\/strong> Erstellen Sie pr\u00e4gnante Zusammenfassungen von l\u00e4ngeren Dokumenten, E-Mails oder reports, um wichtige Informationen schnell zu erfassen und Zeit zu sparen. (Weitere Informationen finden Sie in den SQL-Befehlen f\u00fcr die Stimmungsanalyse und Zusammenfassung (in der privaten Vorschau)).<\/p>\n<\/div><\/li>
- <\/i><\/span>
\n\u00dcbersetzung:<\/strong> Ben\u00f6tigen Sie w\u00e4hrend Ihrer Transformationen eine \u00dcbersetzung f\u00fcr die Werte in einer bestimmten Spalte? Sie brauchen nicht auf eine externe API zur\u00fcckzugreifen. Sie k\u00f6nnen die \u00dcbersetzung nahtlos in Snowflake durchf\u00fchren.<\/p>\n<\/div><\/li><\/ul>
Erweiterte Suchfunktionen (in der privaten Vorschau)<\/h2><\/div>
Schneeflocke ist neu Erweiterte Suchfunktionen<\/strong> machen es den Benutzern leichter denn je, das ben\u00f6tigte data zu finden, unabh\u00e4ngig davon, wo es gespeichert ist. Dies ist ein gro\u00dfer Vorteil gegen\u00fcber anderen cloud data platforms, die in der Regel nur begrenzte Suchm\u00f6glichkeiten bieten.<\/p>\n<\/div>
Die neuen Suchfunktionen von Snowflake erm\u00f6glichen es den Nutzern insbesondere:<\/p>\n<\/div>
- <\/i><\/span>\n
Suchen Sie in databases, Iceberg-Tabellen, data in Snowflake, nativen Anwendungen und dem Snowflake Marketplace.<\/p>\n<\/div><\/li>
- <\/i><\/span>
\nVerwenden Sie nat\u00fcrlichsprachliche Abfragen<\/strong> um nach data zu suchen.<\/p>\n<\/div><\/li>
- <\/i><\/span>
\nFiltern Sie die Suchergebnisse nach einer Vielzahl von Kriterien<\/strong>, wie data-Typ, Dateigr\u00f6\u00dfe und Erstellungsdatum.<\/p>\n<\/div><\/li><\/ul>
Diese erweiterten Suchfunktionen k\u00f6nnen Benutzern helfen, bei der Arbeit mit data Zeit zu sparen und produktiver zu sein. Zum Beispiel k\u00f6nnte ein data-Analyst die neuen Suchfunktionen nutzen, um schnell alle data zu finden, die f\u00fcr ein bestimmtes Analyseprojekt relevant sind. Oder ein Gesch\u00e4ftsanwender k\u00f6nnte die neuen Suchfunktionen nutzen, um alle data zu finden, die sich auf einen bestimmten Kunden oder ein bestimmtes Produkt beziehen.<\/p>\n<\/div>
Ganz zu schweigen davon, dass die Verwendung der verschiedenen Snowflake-Filter, die diese Suchfunktionen bieten (Spaltenbenennung, Tagging, metadata-Spezifikation), zu einer Erh\u00f6hung der data-Konsistenz f\u00fchrt.<\/p>\n<\/div>
Abschlie\u00dfend ist anzumerken, dass damit ein wichtiger Aspekt von data-Katalogen angesprochen wird. Angesichts der Herausforderungen, die die Implementierung eines data-Katalogs mit sich bringt, ist die Nutzung dieser in Snowflake integrierten Funktion besonders interessant.<\/p>\n<\/div>
SQL-Befehle f\u00fcr die Stimmungsanalyse und -zusammenfassung (in privater Vorschau)<\/h2><\/div>
Die neuen SQL-Befehle von Snowflake f\u00fcr die Stimmungsanalyse und die Zusammenfassung machen es den Benutzern leicht, Erkenntnisse aus ihrem data zu gewinnen, ohne neue Tools oder Sprachen lernen zu m\u00fcssen. Dies ist ein gro\u00dfer Vorteil gegen\u00fcber anderen cloud data platforms, bei denen die Benutzer in der Regel separate Tools f\u00fcr diese Aufgaben verwenden m\u00fcssen.<\/p>\n<\/div>
Die neuen SQL-Befehle von Snowflake erm\u00f6glichen es den Benutzern,:<\/p>\n<\/div>
- <\/i><\/span>\n
Analysieren Sie die Stimmung eines Textes data<\/strong>, wie Kundenrezensionen, Beitr\u00e4ge in sozialen Medien und Antworten auf Umfragen.<\/p>\n<\/div><\/li>
- <\/i><\/span>
\nText zusammenfassen data<\/strong> um die wichtigsten Informationen zu extrahieren.<\/p>\n<\/div><\/li><\/ul>
Diese neuen SQL-Befehle k\u00f6nnen Anwendern helfen, bei der Arbeit mit data Zeit zu sparen und produktiver zu sein. Ein Gesch\u00e4ftsanwender k\u00f6nnte die neuen SQL-Befehle zum Beispiel nutzen, um schnell die Stimmung von Kundenrezensionen zu analysieren oder einen langen und komplexen Bericht zusammenzufassen.<\/p>\n<\/div>
Snowflake Copilot (in privater Vorschau)<\/h2><\/div>
Es ist ein LLM-gest\u00fctzter Assistent zur Erstellung und Verfeinerung von SQL mit nat\u00fcrlicher Sprache<\/strong>. Dar\u00fcber hinaus wird diese Text-to-Code-Funktionalit\u00e4t bald auch programmatisch \u00fcber eine Allzweckfunktion, Text2SQL, mit Snowflake Cortex zur Verf\u00fcgung stehen.<\/p>\n<\/div>
Dokument Data Extraktion mit Document AI (in privater Vorschau)<\/h2><\/div>
Snowflake Cortex's Dokument-KI<\/strong>, LLM erm\u00f6glicht die effiziente Extraktion von data aus verschiedenen Dokumenttypen (pdf, word, txt, Screenshots) und spart so Zeit und Ressourcen bei der manuellen data-Verarbeitung.<\/p>\n<\/div>
Insgesamt sind die neuen Funktionen von Snowflake sehr beeindruckend und haben das Potenzial, die Art und Weise zu revolutionieren, in der Menschen cloud data platforms verwenden.<\/p>\n<\/div>
Snowflake hebt sich deutlich von der Konkurrenz ab, indem es innovative Funktionen anbietet, die es den Anwendern erleichtern, KI-Anwendungen zu entwickeln und einzusetzen, data zu finden, ML-Funktionen zu verwalten und ML-Modelle gemeinsam zu nutzen. Snowflake macht es den Anwendern auch leichter, Erkenntnisse aus ihrem data zu gewinnen, ohne neue Tools oder Sprachen lernen zu m\u00fcssen.<\/p>\n<\/div>
Feature Store (in privater Vorschau)<\/h2><\/div>
A Feature Store<\/strong> ist ein zentrales Repository f\u00fcr die Verwaltung und gemeinsame Nutzung von Funktionen f\u00fcr maschinelles Lernen. Der neue Funktionsspeicher von Snowflake erleichtert den Benutzern die Entwicklung und Bereitstellung von ML-Modellen.<\/p>\n<\/div>
Damit unterscheidet sich Snowflake von anderen cloud data platforms, denn es bietet den Anwendern einen einzigen Ort, an dem sie alle ihre ML-Funktionen verwalten k\u00f6nnen. Dies kann den Benutzern helfen, Zeit zu sparen und die Effizienz ihres ML-Entwicklungsprozesses zu verbessern.<\/p>\n<\/div>
Hier sind einige konkrete Anwendungsf\u00e4lle f\u00fcr den Snowflake Feature Store:<\/p>\n<\/div>
- <\/i><\/span>\n
Ein data-Wissenschaftler k\u00f6nnte den Feature Store verwenden, um die Funktionen verwalten und teilen<\/strong> die sie zur Entwicklung eines maschinellen Lernmodells verwenden. Weitere Informationen zu diesem Thema finden Sie unter Hier<\/a>.<\/p>\n<\/div><\/li>
- <\/i><\/span>
\nEin Ingenieur f\u00fcr maschinelles Lernen k\u00f6nnte den Feature Store nutzen, um ein Modell f\u00fcr maschinelles Lernen in der Produktion einsetzen und sicherstellen, dass es Zugriff auf die ben\u00f6tigten Funktionen hat<\/strong>. Weitere Informationen zu diesem Thema finden Sie unter Hier<\/a>.<\/p>\n<\/div><\/li>
- <\/i><\/span>
\nEin Gesch\u00e4ftskunde k\u00f6nnte den Feature Store nutzen, um die Funktionen zu erforschen und zu verstehen, die f\u00fcr ihre Anwendungen zum maschinellen Lernen verwendet werden<\/strong>. Weitere Informationen zu diesem Thema finden Sie unter Hier<\/a>.<\/p>\n<\/div><\/li><\/ul>
Modell-Sharing<\/h2><\/div>
Die F\u00e4higkeit von Snowflake, ML-Modelle zu teilen, ist ebenfalls ein wichtiges Unterscheidungsmerkmal. Dies wird die Zusammenarbeit bei ML-Projekten erleichtern und den Zugang zu ML demokratisieren.<\/p>\n<\/div>
Snowflake erm\u00f6glicht es Anwendern, ML-Modelle mit anderen zu teilen, sowohl innerhalb als auch au\u00dferhalb ihres Unternehmens. Dies kann dazu beitragen, die Entwicklung und Einf\u00fchrung von ML-Anwendungen zu beschleunigen.<\/p>\n<\/div>
Im Folgenden finden Sie einige konkrete Anwendungsf\u00e4lle f\u00fcr die Snowflake-Funktion zur gemeinsamen Nutzung von Modellen:<\/p>\n<\/div>
- <\/i><\/span>\n
Ein data-Wissenschaftler k\u00f6nnte ein maschinelles Lernmodell mit einem Gesch\u00e4ftskunden teilen<\/strong> damit sie damit ihre data erkunden und Erkenntnisse gewinnen k\u00f6nnen.<\/p>\n<\/div><\/li>
- <\/i><\/span>
\nEin Ingenieur f\u00fcr maschinelles Lernen k\u00f6nnte ein Modell f\u00fcr maschinelles Lernen mit einem DevOps-Ingenieur teilen<\/strong> damit sie es in der Produktion einsetzen k\u00f6nnen.<\/p>\n<\/div><\/li>
- <\/i><\/span>
\nEin Softwareanbieter k\u00f6nnte ein maschinelles Lernmodell mit ihren Kunden teilen<\/strong> damit sie diese zur Verbesserung ihrer Produkte und Dienstleistungen nutzen k\u00f6nnen.<\/p>\n<\/div><\/li><\/ul>
Snowflake Notebooks (in privater Vorschau)<\/h2><\/div>
Schneeflocken-Notizb\u00fccher<\/strong>, eine cloud-basierte Umgebung, die speziell f\u00fcr die Entwicklung und Ausf\u00fchrung von Code entwickelt wurde, weist \u00c4hnlichkeiten mit Notebooks auf, die bereits seit einigen Jahren auf anderen cloud data platforms verf\u00fcgbar sind. Databricks war der Pionier in diesem Bereich, und BigQuery folgte mit seinem Ank\u00fcndigung<\/a> am 31. August. Diese Notebooks wurden sorgf\u00e4ltig entwickelt, um die Leistung innerhalb des Snowflake-\u00d6kosystems zu optimieren.<\/p>\n<\/div>
Snowflake Notebooks bieten eine Reihe von Vorteilen gegen\u00fcber herk\u00f6mmlichen IDEs, wie z. B:<\/p>\n<\/div>
- <\/i><\/span>\n
Kollaboration:<\/strong> Snowflake Notebooks lassen sich leicht mit anderen teilen, was die Zusammenarbeit an Projekten erleichtert.<\/p>\n<\/div><\/li>
- <\/i><\/span>
\nInteraktivit\u00e4t:<\/strong> Snowflake Notebooks sind interaktiv, so dass Sie mit Ihrem Code experimentieren und die Ergebnisse sofort sehen k\u00f6nnen.<\/p>\n<\/div><\/li>
- <\/i><\/span>
\nLeistung:<\/strong> Snowflake Notebooks sind \u00e4u\u00dferst leistungsf\u00e4hig, so dass Sie komplexe Abfragen und Analysen schnell ausf\u00fchren k\u00f6nnen.<\/p>\n<\/div><\/li><\/ul>
Snowflake Notebooks befinden sich derzeit in der Beta-Phase, aber es wird erwartet, dass sie in naher Zukunft f\u00fcr die allgemeine \u00d6ffentlichkeit freigegeben werden.<\/p>\n<\/div>
Was Snowflake als Entwicklungsumgebung f\u00fcr maschinelles Lernen von anderen unterscheidet, ist die Tatsache, dass es aus Python-APIs besteht, auf die \u00fcber die Snowpark ML-Bibliothek zugegriffen werden kann, sowie aus SQL-Schnittstellen f\u00fcr die Definition, Verwaltung und Abfrage von Merkmalen, zusammen mit einer verwalteten Infrastruktur f\u00fcr die Verwaltung der Merkmal-Metadata und die kontinuierliche Verarbeitung von Merkmalen. Dies macht spezielle KI-Fachkenntnisse \u00fcberfl\u00fcssig. Dar\u00fcber hinaus versetzen der Feature Store und die Funktionen zur gemeinsamen Nutzung von Modellen Snowflake in die Lage, besser mit seinen Konkurrenten mitzuhalten, insbesondere mit Databricks, das in den letzten Jahren aufgrund seiner Integration mit ML Flow offensichtlich die Oberhand hatte.<\/p>\n<\/div>
Fazit<\/h2><\/div>
Die Vorstellung neuer Funktionen, darunter Snowflake Cortex, Copilot, Document AI und Notebooks, best\u00e4tigt das Engagement von Snowflake f\u00fcr Innovation. Obwohl die data Wissenschaftsank\u00fcndigungen mit den aktuellen GenAI-Trends \u00fcbereinstimmen, m\u00fcssen sie mit Vorsicht genossen werden. Es ist bemerkenswert, dass bestimmte Funktionen, obwohl sie schon vor langer Zeit angek\u00fcndigt wurden, noch immer nicht f\u00fcr alle Umgebungen verf\u00fcgbar sind. Lassen Sie uns diese Innovationen mit einem offenen Geist und einem vorsichtigen Optimismus angehen, der bereit ist, die M\u00f6glichkeiten zu ergreifen und dabei auf dem Boden der Realit\u00e4t zu bleiben.<\/p>\n<\/div><\/div><\/div><\/div><\/article>
- <\/i><\/span>
- <\/i><\/span>
- <\/i><\/span>
- <\/i><\/span>
- <\/i><\/span>
- <\/i><\/span>
![](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2023\/12\/snowflake-medium-gif-1.gif\" "\\"Schneeflocke")
<\/span><\/div>![](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2023\/12\/snowflake-medium-gif-2.gif\" "\\"Schneeflocke")
<\/span><\/div>![](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2023\/12\/snowflake-medium-gif-3.gif\" "\\"Schneeflocke")
<\/span><\/div>![](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2023\/12\/snowflake-medium-gif-4.gif\" "\\"Schneeflocke")
<\/span><\/div>![](\"https:\/\/artefact.com\/\/wp-content\/uploads\/2021\/03\/medium.png\" "\\"mittel\\"")
<\/span><\/div>