Enterprise AI scheitert selten, weil einem Unternehmen eine gute Demo fehlt. Dies scheitert, weil die Daten, die Rechenleistung, die Beschaffung und die Governance hinter der Demo in vier verschiedenen Systemen leben, die nie für die Kommunikation miteinander konzipiert sind.

Das neueste Engagement von Snowflake gegenüber AWS ist eine direkte Wette gegen den gerade beschriebenen Fehlermodus. Am 27. Mai 2026 kündigte Snowflake eine mehrjährige strategische Kooperationsvereinbarung mit Amazon Net Providers an, einschließlich einer Zusage in Höhe von 6 Milliarden US-Greenback über einen Zeitraum von fünf Jahren für Graviton-Rechen- und KI-Ausgaben. CEO Sridhar Ramaswamy bezeichnete den Deal als einen Beschleuniger für die Einführung von Enterprise-Agent-KI und nicht als eine Marketingmaßnahme, die an eine einzelne Produkteinführung gebunden ist.

Was der Deal beinhaltet

Die Vereinbarung deckt mehr als nur reine Rechenausgaben ab. Snowflake und AWS beschrieben tiefergehende Produktintegrationen über generative und agentische KI hinweg, erweiterte Markteinführungen über AWS Market, gemeinsame Investitionen in Kundenerfolgsprogramme und koordinierte Workload-Migrationen. Die namentlich genannten Kunden Fetch und Hex wurden in der Mitteilung der Unternehmen als frühe Beispiele für die Zusammenarbeit in der Praxis aufgeführt.

Der Dollarwert ist im Zuge der Beziehung zwischen Snowflake und AWS stetig gewachsen. Die fünfjährigen AWS-Ausgabenverpflichtungen des Unternehmens stiegen von 1,2 Milliarden US-Greenback zum Zeitpunkt des Börsengangs im Jahr 2020 auf 2,5 Milliarden US-Greenback im Jahr 2023 und nun auf 6 Milliarden US-Greenback. Snowflake gab bekannt, dass der AWS Market-Umsatz auf Lebenszeit die Marke von 7 Milliarden US-Greenback überschritten hat und im Kalenderjahr im Jahr 2025 den Market-Umsatz von 2 Milliarden US-Greenback überschritten hat, was einer Verdoppelung des Vorjahreswerts entspricht. Nach Angaben des Unternehmens nutzen die meisten Snowflake-Kunden bereits AWS, und die neue Vereinbarung vertieft eine Infrastrukturbeziehung, die seit elf Jahren besteht, anstatt sie ganz von vorne zu beginnen.

Aus den SEC-Einreichungen von Snowflake geht hervor, dass das Unternehmen eine Infrastruktur über AWS, Azure und Google Cloud betreibt. In den Unterlagen wird darauf hingewiesen, dass die Cloud-Vereinbarungen im Allgemeinen Mindestnutzungsverpflichtungen, feste und variable Preisbestimmungen sowie Zahlungsverpflichtungen enthalten können, die ausgelöst werden, wenn eine Verpflichtung nicht eingehalten wird. Sie beschreiben die Kategorie jedoch allgemein und geben keine spezifischen Bedingungen hinter der neuen AWS-Verpflichtung in Höhe von 6 Milliarden US-Greenback bekannt. Snowflake hat nicht gesagt, welchen Anteil die 6 Milliarden US-Greenback an den gesamten Infrastrukturausgaben ausmachen, und die zuletzt bekannt gegebenen unkündbaren Kaufverpflichtungen des Unternehmens stammen aus der Zeit vor der neuen Vereinbarung, sodass kein eindeutiger Vergleichspunkt besteht.

Warum Agenten-KI die Datenschicht braucht

Agentische KI klingt von außen nach einem Modellproblem. In der Praxis handelt es sich zunächst um ein Datenzugriffsproblem. Ein Agent benötigt einen geregelten Kontext, bevor er auf etwas reagieren kann, nämlich dieselben Kundendaten, Finanztabellen und Betriebsdaten, die ein menschlicher Analyst benötigen würde, und auf die er unter denselben Compliance-Regeln zugreifen kann.

Snowflakes Pitch konzentriert sich darauf, KI in verwaltete Unternehmensdaten zu integrieren, anstatt wise Daten dorthin zu verschieben, wo ein Modell gerade ausgeführt wird. Das Unternehmen verweist auf die KI-Funktionen von Cortex, darunter Textual content-to-SQL, Zusammenfassung, Sentimentanalyse und Entitätsextraktion, als Bindeglied zwischen rohen Unternehmensdaten und den Agenten, die darauf reagieren sollen. AWS stellt die darunter liegende Rechenschicht bereit: Graviton-Prozessoren für allgemeine Arbeitslasten und GPU-gestützte EC2-Instanzen für Modelltraining und Inferenz.

Der Rahmen ist wichtiger, als der Marketingtext vermuten lässt. Die Unternehmen, die die nächste Part der Einführung von KI in Unternehmen gewinnen, werden wahrscheinlich diejenigen sein, die zuerst Zugriff und Governance lösen, und nicht diejenigen mit dem größten Modell.

Die Multi-Cloud-Frage

Snowflake vermarktet sich seit Jahren als Cloud-neutral, als Datenplattform, die reibungslos über AWS, Azure und Google Cloud läuft. Ein fünfjähriges AWS-Engagement in Höhe von 6 Milliarden US-Greenback ändert die Positionierung nicht. Snowflake hat keine öffentliche Erklärung zur Reduzierung der Unterstützung für andere Clouds abgegeben, und in der Ankündigung wird nichts als Exklusivität beansprucht.

Eine tiefere AWS-Beziehung wirft jedoch immer noch eine echte Frage für Kunden auf, die auf Azure oder Google Cloud standardisiert sind. Wenn die fortschrittlichsten Cortex-KI-Integrationen, die schnellsten Workload-Migrationen und das umfassendste gemeinsame Engineering zuerst auf AWS landen, wird die Multi-Cloud-Possibility für Nicht-AWS-Kunden eher zu einer theoretischen und weniger zu einer praktischen Funktion. Es lohnt sich, die Spannung in den nächsten Produktzyklen im Auge zu behalten und nicht zu ignorieren.

Wettbewerbskontext

Platzieren Sie den Deal gegenüber dem Relaxation des Feldes und das Muster wird schärfer. Databricks pflegt anbieterübergreifende Cloud-Partnerschaften. Google kombiniert BigQuery mit Vertex AI als konkurrierendes Daten-plus-Modell-Bundle. Microsoft bietet Material und Azure AI als Customary-Stack für Unternehmen an, die bereits auf Microsoft-Instruments standardisiert sind. AWS kontert mit Redshift, Bedrock und SageMaker als native Different zu einem Snowflake-on-AWS-Setup.

Der KI-Stack von Unternehmen konsolidiert sich dahingehend, dass Daten, Rechenleistung und Modellzugriff enger zusammenliegen und nicht weiter voneinander entfernt sind. Snowflake und AWS positionieren die Konsolidierung so, dass sie jedes Unternehmen begünstigen, anstatt Kunden dazu zu zwingen, sich für eines des anderen zu entscheiden.

Was Sie als Nächstes sehen sollten

Die Ergebnisse des ersten Quartals des Geschäftsjahres 2027 von Snowflake geben dem Deal eine gewisse finanzielle Unterstützung: Umsatz von 1,39 Milliarden US-Greenback und Produktumsatz von 1,33 Milliarden US-Greenback, ein Anstieg von 34 Prozent im Vergleich zum Vorjahr, wobei nach Angaben des Unternehmens mittlerweile mehr als 13.900 Kunden die AI Information Cloud von Snowflake nutzen. Nichts davon bestätigt, dass die Agenten-KI in den meisten Unternehmen eine breite Produktionsreife erreicht hat. Es bestätigt die Investitionen des Anbieters und die erwartete Nachfrage, was eine andere und kleinere Behauptung darstellt.

Der eigentliche Check kommt in den nächsten Quartalen: Ob die AWS Market-Verkäufe weiter steigen, ob Kunden KI-Workloads in großem Maßstab auf die von Graviton unterstützte Snowflake-Infrastruktur migrieren und ob Snowflake den Komfort seiner Azure- und Google Cloud-Kunden gewährleisten kann, während AWS die tiefgreifendsten Integrationsarbeiten zuerst erledigt. Die Zahl von 6 Milliarden US-Greenback ist eine Schlagzeile. Wohin die technischen Stunden als nächstes gehen, ist die Geschichte.

Als Daten sind wir mit tabellarischen Daten vertraut…

Wir können auch mit Wörtern, JSON, XML -Feeds und Bildern von Katzen umgehen. Aber was ist mit einer Kartonplatte voller Dinge wie dieser?

Die Informationen zu dieser Quittung sollen so sehr in einer tabellarischen Datenbank irgendwo stehen. Wäre es nicht großartig, wenn wir alle diese durch einen LLM scannen und die Ergebnisse in einer Tabelle speichern könnten?

Zum Glück leben wir in der Ära von Dokument ai. Dokument AI kombiniert OCR mit LLMs und ermöglicht es uns, eine Brücke zwischen der Papierwelt und der digitalen Datenbankwelt zu erstellen.

Alle großen Cloud -Anbieter haben eine Model davon…

Hier werde ich meine Gedanken teilen Schneeflocke’s Dokument ai. Abgesehen davon, dass ich Schneeflocke bei der Arbeit benutze, habe ich keine Zugehörigkeit zur Schneeflocke. Sie haben mich nicht beauftragt, dieses Stück zu schreiben, und ich bin nicht Teil eines Botschafterprogramms. All das heißt, ich kann eine schreiben unvoreingenommen Überprüfung von Snowflakes Dokument AI.

---

Was ist Dokument AI?

Mit Dokument AI können Benutzer schnell Informationen aus digitalen Dokumenten extrahieren. Wenn wir „Dokumente“ sagen, meinen wir Bilder mit Worten. Verwechseln Sie das nicht mit Nischen -NoSQL -Dinge.

Das Produkt kombiniert OCR- und LLM -Modelle, sodass ein Benutzer eine Reihe von Eingabeaufforderungen erstellen und diese Eingabeaufforderungen gegen eine große Sammlung von Dokumenten auf einmal ausführen kann.

LLMs und OCR haben beide Fehler. Snowflake löste dies, indem sie (1) mit den Köpfen gegen OCR schlug, bis es scharf ist-ich sehe dich, Snowflake-Entwickler-und (2) mich meine LLM feinstimmen lassen.

Das Feinabstimmen der Schneeflocke LLM fühlt sich viel mehr wie an Glamping als ein robustes Out of doors -Abenteuer. Ich überprüfe mehr als 20 Dokumente, drücke die Schaltfläche „Zugmodell“, spüle und wiederholt, bis die Leistung zufriedenstellend ist. Bin ich noch ein Datenwissenschaftler?

Sobald das Modell trainiert ist, kann ich meine Eingabeaufforderungen auf 1000 Dokumente gleichzeitig ausführen. Ich magazine es, die Ergebnisse in einer Tabelle zu speichern, aber Sie konnten mit den Ergebnissen in Echtzeit alles tun, was Sie wollen.

---

Warum ist es wichtig?

Dieses Produkt ist aus mehreren Gründen cool.

• Sie können eine Brücke zwischen Papier und digitaler Welt bauen. Ich hätte nie gedacht, dass die große Schachtel mit Papierrechnungen unter meinem Schreibtisch es in mein Cloud -Knowledge -Lagerhaus schaffen würde, aber jetzt kann es. Scannen Sie die Papierrechnung, laden Sie sie in Snowflake hoch, führen Sie mein Dokument -AI -Modell aus und wham! Ich habe meine gewünschten Informationen in eine ordentliche Tabelle analysiert.
• Es ist erschreckend bequem, ein maschinelles Lernmodell über SQL aufzurufen. Warum haben wir nicht früher daran gedacht? In alten Zeiten waren dies ein paar hundert Codezeilen zum Laden der Rohdaten (SQL >> Python/Spark/usw.), reinigen, Ingenieurfunktionen, Zug-/Testaufteilung, trainieren Sie ein Modell, machen Sie Vorhersagen und schreiben dann häufig die Vorhersagen in SQL zurück.

• Um dieses interne zu bauen, wäre ein großes Unterfangen. Ja, OCR gibt es schon lange, kann aber trotzdem pingelig sein. Die Feinabstimmung eines LLM warfare offensichtlich nicht zu lange da, wird aber von der Woche einfacher. Um diese auf eine Weise zusammenzusetzen, die eine hohe Genauigkeit für eine Vielzahl von Dokumenten erreicht, kann es lange dauern, bis Sie sich selbst hacken. Monate der Monate der Politur.

Natürlich werden noch einige Elemente im Haus gebaut. Sobald ich Informationen aus dem Dokument extrahiere, muss ich herausfinden, was ich mit diesen Informationen anfangen soll. Das ist jedoch relativ schnell.

---

Unser Anwendungsfall – Bringen Sie Grippesaison mit:

Ich arbeite in einer Firma namens namens Intelycare. Wir arbeiten im Personalraum im Gesundheitswesen, was bedeutet, dass wir Krankenhäusern, Pflegeheimen und Reha-Zentren helfen, Qualitätskliniker für individuelle Veränderungen, verlängerte Verträge oder Vollzeit-/Teilzeit-Engagements zu finden.

Viele unserer Einrichtungen verlangen Kliniker, dass sie eine aktuelle Grippeimpfung haben. Im vergangenen Jahr haben unsere Kliniker zusätzlich zu Hunderttausenden anderer Dokumente über 10.000 Grippefotos eingereicht. Wir haben alle diese manuell manuell überprüft, um die Gültigkeit zu gewährleisten. Ein Teil der Freude, in der Gesundheitsspannung zu arbeiten!

Spoiler-Alarm: Mithilfe der Dokument-AI konnten wir die Anzahl der Grippeimdokumente reduzieren, die eine manuelle Überprüfung um ~ 50% und alle in nur wenigen Wochen benötigen.

Um dies zu schaffen, haben wir Folgendes gemacht:

• Hochgeladen einen Stapel Grippe-Shot-Dokumente auf Schneeflocken.

• Massierte die Eingabeaufforderungen, trainierte das Modell, massierte die Eingabeaufforderungen, umstehnte das Modell noch mehr…
• Erstellen Sie die Logik, um die Modellausgabe mit dem Profil des Klinikers zu vergleichen (z. B. stimmen die Namen überein?). Auf jeden Fall ein Versuch und Fehler hier mit Formatiernamen, Daten usw.
• Erbaute die „Entscheidungslogik“, um das Dokument entweder zu genehmigen oder es an die Menschen zurücksenden zu können.
• Testete die vollständige Pipeline auf einen größeren Haufen manuell überprüfte Dokumente. Wir haben uns irgendwelche falsch positiven Aspekte angesehen.
• Wiederholt, bis unsere Verwirrungsmatrix zufriedenstellend warfare.

Für dieses Projekt stellen falsch optimistic Ergebnisse ein geschäftliches Risiko dar. Wir möchten kein Dokument genehmigen, das abgelaufen ist oder die wichtigsten Informationen fehlen. Wir haben wiederholt, bis die falsch optimistic Charge Null traf. Wir werden irgendwann einige falsch optimistic Ergebnisse haben, aber weniger als das, was wir jetzt mit einem menschlichen Überprüfungsprozess haben.

Falsche Damaging sind jedoch harmlos. Wenn unsere Pipeline eine Grippeimpfung nicht magazine, gibt sie das Dokument einfach zur Überprüfung an das Human -Crew weiter. Wenn sie das Dokument genehmigen, ist es wie gewohnt.

Das Modell ist intestine zu den sauberen/einfachen Dokumenten, die ~ 50% aller Grippefotos ausmachen. Wenn es chaotisch oder verwirrend ist, geht es wie zuvor auf die Menschen zurück.

---

Dinge, die wir auf dem Weg gelernt haben

1. Das Modell kann am besten das Dokument lesen, keine Entscheidungen treffen oder auf der Grundlage des Dokuments Mathematik trifft.

Zunächst versuchten unsere Aufforderungen, die Gültigkeit des Dokuments zu bestimmen.

Schlecht: Ist das Dokument bereits abgelaufen?

Wir fanden es weit Effektiver, um unsere Eingabeaufforderungen auf Fragen zu beschränken, die anhand des Dokuments beantwortet werden könnten. Das LLM nicht bestimmen irgendetwas. Es greift nur die entsprechenden Datenpunkte von der Seite ab.

Intestine: Was ist das Ablaufdatum?

Speichern Sie die Ergebnisse und machen Sie die Mathematik nachgelagert.

2. Sie müssen immer noch nachdenklich über Trainingsdaten sein

Wir hatten ein paar doppelte Grippefotos von einem Kliniker in unseren Trainingsdaten. Nennen Sie diesen Kliniker Ben. Eine unserer Aufforderungen lautete: „Wie heißt der Affected person?“ Da sich „Ben“ mehrmals in den Trainingsdaten befand, würde jedes unklare Dokument mit „Ben“ als Patientenname zurückkehren.

Überanpassung ist additionally immer noch eine Sache. Über/unter Probenahme ist immer noch eine Sache. Wir versuchten es erneut mit einer nachdenklichen Sammlung von Trainingsdokumenten und die Dinge lagen viel besser.

Dokument AI ist ziemlich magisch, aber nicht Das magisch. Die Grundlagen sind immer noch wichtig.

3. Das Modell könnte durch das Schreiben einer Napkin täuschen werden.

Meines Wissens hat Snowflake keine Möglichkeit, das Dokumentbild als Einbettung. Sie können eine Einbettung aus dem extrahierten Textual content erstellen, aber das wird Ihnen nicht sagen, ob der Textual content von Hand geschrieben wurde oder nicht. Solange der Textual content Das Modell und die nachgelagerte Logik geben ihm grünes Licht.

Sie können dies ziemlich einfach beheben, indem Sie Bildeinbettungen von eingereichten Dokumenten mit den Einbettungen akzeptierter Dokumente vergleichen. Jedes Dokument mit einem Einbettungsweg im linken Feld wird zur menschlichen Überprüfung zurückgesandt. Dies ist eine einfache Arbeit, aber Sie müssen es vorerst außerhalb der Schneeflocke tun.

4. Nicht so teuer wie ich erwartet hatte

Snowflake hat den Ruf, ausgegeben zu sein. Und für HIPAA-Compliance-Bedenken führen wir für dieses Projekt eine Snowflake-Darstellung mit höherer Ebene. Ich mache mir eher Sorgen, dass ich eine Snowflake -Registerkarte aufläuft.

Am Ende mussten wir uns besonders bemühen, mehr als 100 US -Greenback professional Woche auszugeben, während wir das Modell trainieren. Wir haben alle paar Tage Tausende von Dokumenten durch das Modell durchgeführt, um seine Genauigkeit zu messen, während wir das Modell iterierten, aber nie geschafft haben, das Finances zu brechen.

Besser noch, wir sparen Geld für den manuellen Überprüfungsprozess. Die Kosten für die Überprüfung von 1000 Dokumenten für KI (genehmigen ~ 500 Dokumente) ~ 20% der Kosten, die wir für Menschen ausgeben, die die restlichen 500 überprüft haben.

---

Zusammenfassen

Ich warfare beeindruckt davon, wie schnell wir ein Projekt dieses Umfangs mit Dokument AI abschließen konnten. Wir sind von Monaten zu Tagen gegangen. Ich gebe es 4 von 5 Sternen und bin offen dafür, ihm einen 5. Stern zu geben, wenn Snowflake uns jemals Zugriff auf Bildeinbettungen ermöglicht.

Seit Grippeaufnahmen haben wir ähnliche Modelle für andere Dokumente mit ähnlichen oder besseren Ergebnissen bereitgestellt. Und mit all dieser Vorbereitungsarbeiten, anstatt sich vor der bevorstehenden Grippesaison zu fürchten, sind wir bereit, sie anzuziehen.

Snowflake Intelligence ist eine bahnbrechende Plattform, die es Geschäftsanwendern ermöglicht, Datenagenten zu erstellen, damit sie ihre Unternehmensdaten analysieren, zusammenfassen und Maßnahmen ergreifen können

Schneeflocke (NYSE: SNOW), das AI Information Cloud-Unternehmen, gab bekannt Schneeflocken-Intelligenz (bald in privater Vorschau), eine neue Plattform, die es Unternehmen ermöglicht, ganz einfach geschäftliche Fragen zu ihren Unternehmensdaten zu stellen, um datengesteuerte Antworten zu erhalten, und in nur wenigen Schritten Datenagenten zu erstellen, die auf der Grundlage dieser Erkenntnisse Maßnahmen ergreifen.

Snowflake Intelligence läutet eine neue Ära für die Artwork und Weise ein, wie Benutzer mit ihren Unternehmensdaten interagieren können, und baut dabei auf den einfachen, effizienten und vertrauenswürdigen KI-Diensten von Snowflake auf. Snowflake Intelligence stellt Unternehmen Datenagenten der Enterprise-Klasse zur Verfügung, die auf der Datengrundlage von Snowflake basieren und die organisatorische Arbeit effizient erledigen, gleichzeitig das geistige Eigentum der Kunden schützen und Antworten liefern, die auf zuverlässigen, vertrauenswürdigen Unternehmensdaten basieren. Snowflake Intelligence ermöglicht es jedem, einfach auf das volle Potenzial seiner Daten zuzugreifen und diese zu nutzen und sich nahtlos mit Instruments von Drittanbietern zu verbinden – einschließlich Verkaufstransaktionen in einer Datenbank, Dokumenten in Wissensdatenbanken wie SharePoint, Produktivitätstools wie Slack, Salesforce und Google Workspace neben Enterprise-Intelligence-Daten in Snowflake – damit sie in natürlicher Sprache mit ihren Daten kommunizieren können. Snowflake Intelligence unterstützt auch API-Aufrufe, um Aktionen und Datenänderungen zu ermöglichen und die Arbeit von Geschäftsbenutzern voranzutreiben.

„Mit Snowflake Intelligence können Groups ganz einfach Datenagenten erstellen, die es Geschäftsanwendern ermöglichen, in natürlicher Sprache mit ihren Unternehmensdaten zu kommunizieren und diese Ergebnisse dann von einer einheitlichen Plattform aus zu analysieren, zusammenzufassen und Maßnahmen zu ergreifen“, sagte Baris Gultekin, Head of AI , Schneeflocke. „Snowflake Intelligence stellt den nächsten Schritt auf der KI-Reise von Snowflake dar und ermöglicht es Groups, ihre Unternehmen mit datengesteuerten Erkenntnissen, auf die sie reagieren können, um messbare Auswirkungen zu erzielen, einfach und sicher voranzutreiben.“

Snowflake Intelligence definiert Enterprise Intelligence und datengesteuertes Handeln für alle Benutzer neu

Heutzutage fällt es vielen Unternehmen schwer, fundierte Entscheidungen zu treffen, da die Verwaltung ihrer Datenquellen fragmentiert ist, Infrastruktursilos zwischen unstrukturierten und strukturierten Datenformaten vorhanden sind und nur begrenzter Zugang zu Analysten besteht, die Code schreiben und die Zusammenhänge im gesamten Unternehmen verknüpfen können. Snowflake Intelligence wird sich all diesen Herausforderungen stellen, indem es Unternehmen zunächst dabei unterstützt, verschiedene Datensysteme mit einer einzigen Governance-Ebene zu integrieren. Mit dieser Grundlage können Groups dann Daten aus unstrukturierten und strukturierten Datenquellen mithilfe natürlicher Sprache präzise verarbeiten und abrufen, was den Daten- und KI-Zugriff wirklich demokratisiert und gleichzeitig jedem Benutzer die Möglichkeit gibt, datengesteuerte Maßnahmen zu ergreifen.

Dies ermöglicht es Benutzern wiederum, die Datensätze zu definieren, zu denen sie Fragen stellen möchten, einschließlich PDFs oder Tabellen in einer Datenbank, ohne Code schreiben zu müssen. Wenn Fragen gestellt werden, setzt Snowflake Intelligence dann Datenagenten in Aktion, um Analyse-, Zusammenfassungs- oder Generierungsaufgaben durchzuführen. Datenagenten können auch APIs verwenden oder in Snowflake-Tabellen schreiben, um Geschäftsentscheidungen aufzuzeichnen, wodurch es einfacher wird, Ergebnisse zu verfolgen und Auswirkungen zu messen.

Snowflake Cortex AI und der Snowflake Horizon Catalog – die KI-Engine und das Governance-Framework hinter Snowflake Intelligence

Um ihre KI- und Geschäftsanforderungen zu skalieren, benötigen Unternehmen Lösungen der Enterprise-Klasse, und Snowflake Intelligence ist darauf ausgelegt, diese Anforderungen für Unternehmen zu erfüllen. Snowflake Intelligence verwendet Schneeflocken-Cortex-KIder vollständig verwaltete KI-Dienst von Snowflake, der eine Reihe generativer KI-Funktionen als KI-Engine bereitstellt, die seine Fähigkeiten antreibt, und mit dem er erstellt wurde Cortex-Suche (jetzt allgemein verfügbar) zum Ausführen von Abfragen für unstrukturierte Daten und Cortex-Analyst (in der öffentlichen Vorschau), um Abfragen für strukturierte Daten auszuführen. Neu Innovationen Mit Cortex AI können mehr Benutzer die serverlose Giant Language Mannequin (LLM)-Inferenz, Feinabstimmung, Retrieval Augmented Technology (RAG) und Textual content-to-SQL von Cortex AI nutzen, sodass Datenteams unstrukturierte Daten verarbeiten können, während Entwickler schnell Unternehmens-KI aufbauen Apps.

Snowflake Intelligence ist ebenfalls nativ integriert Snowflake Horizon-Katalog auf grundlegender Ebene, wodurch es mit branchenführenden offenen Formaten kompatibel ist Apache Iceberg Und Apache Polaris (Inkubation). Diese Kombination bietet leistungsstarke Compliance-, Sicherheits-, Datenschutz-, Erkennungs- und Zusammenarbeitsfunktionen auf Unternehmensniveau. Dies erstreckt sich über Clouds und Regionen hinweg, sodass Unternehmen weniger Zeit damit verbringen müssen, sich Gedanken über die Implementierung von Sicherheit und Governance zum Schutz ihrer Daten zu machen, und sich stattdessen mehr auf die Wirkungsoptimierung konzentrieren können. Schneeflocke ist verstärkend den Horizon-Katalog, damit alle Benutzer umfassendere Möglichkeiten erhalten, sichere und kontrollierte KI in großem Maßstab bereitzustellen.

Melden Sie sich für die kostenlosen insideAI-Information an Publication.

Begleiten Sie uns auf Twitter: https://twitter.com/InsideBigData1

Treten Sie uns auf LinkedIn bei: https://www.linkedin.com/firm/insideainews/

Begleiten Sie uns auf Fb: https://www.fb.com/insideAINEWSNOW

Schauen Sie bei uns vorbei YouTube!