Cortex AISQL Images¶

Eingabeanforderungen¶

COMPLETE Multimodal kann Bilder mit den folgenden Merkmalen verarbeiten:

Einen Stagingbereich für die Bildverarbeitung erstellen¶

Erstellen Sie einen Stagingbereich, in dem die zu verarbeitenden Bilder gespeichert werden können. Der Stagingbereich muss über eine Verzeichnistabelle und eine serverseitige Verschlüsselung verfügen.

Das folgende SQL erstellt einen geeigneten internen Stagingbereich.

CREATE OR REPLACE STAGE input_stage
    DIRECTORY = ( ENABLE = true )
    ENCRYPTION = ( TYPE = 'SNOWFLAKE_SSE' );

Das folgende SQL erstellt einen externen Stagingbereich auf Amazon S3. Auch die externen Stagingbereiche von Azure und GCP werden unterstützt.

CREATE OR REPLACE STAGE input_stage
    URL='s3://<s3-path>/'
    DIRECTORY = ( ENABLE = true )
    CREDENTIALS = (AWS_KEY_ID = <aws_key_id>
    AWS_SECRET_KEY = <aws_secret_key>)
    ENCRYPTION = ( TYPE = 'AWS_SSE_S3' );

Bilder verarbeiten¶

Die Funktion COMPLETE verarbeitet entweder ein einzelnes Bild oder mehrere Bilder (z. B. zum Extrahieren von Unterschieden in Entitäten in verschiedenen Bildern). Der Funktionsaufruf gibt Folgendes an:

• Das zu verwendende multimodale Modell

• Eine Aufforderung

• Den Pfad des Stagingbereichs der Bilddatei(en) über ein FILE-Objekt

Beispiel für ein einzelnes Bild¶

Das folgende Beispiel verwendet das Modell Claude Sonnet 3.5 von Anthropic, um ein Tortendiagramm science-employment-slide.jpeg zusammenzufassen, das im Stagingbereich @myimages gespeichert ist.

SELECT AI_COMPLETE('claude-3-5-sonnet',
    'Summarize the insights from this pie chart in 100 words',
    TO_FILE('@myimages', 'science-employment-slide.jpeg'));

Copy

Antwort:

This pie chart shows the distribution of occupations where mathematics is considered "extremely important" in 2023.
Data scientists dominate with nearly half (48.7%) of all such positions, followed by operations research analysts
at 29.6%. The remaining positions are distributed among statisticians (7.8%), actuaries (7.2%), physicists (5.1%),
mathematicians (0.6%), and other mathematical science occupations (1.1%). This distribution highlights the growing
importance of data science in mathematics-intensive careers, while traditional mathematics roles represent a smaller
share of the workforce.

Beispiel für mehrere Bilder¶

Bemerkung

Derzeit können nur die Modelle Anthropic (claude) und Meta (llama) mehrere Bilder in einer einzigen Eingabeaufforderung referenzieren. Die Unterstützung mehrerer Bilder für andere Modelle wird möglicherweise in einer zukünftigen Release verfügbar sein.

Verwenden Sie die PROMPT-Hilfsfunktion, um mehrere Bilder in einem einzigen COMPLETE-Aufruf zu verarbeiten. Im folgenden Beispiel wird das Modell Claude Sonnet 3.5 von Anthropic verwendet, um zwei verschiedene Werbemittel aus dem Stagingbereich @myimages zu vergleichen.

SELECT AI_COMPLETE('claude-3-5-sonnet',
    PROMPT('Compare this image {0} to this image {1} and describe the ideal audience for each in two concise bullets no longer than 10 words',
    TO_FILE('@myimages', 'adcreative_1.png'),
    TO_FILE('@myimages', 'adcreative_2.png')
));

Copy

Antwort:

First image ("Discover a New Energy"):
• Conservative luxury SUV buyers seeking a subtle transition to electrification

Second image ("Electrify Your Drive"):
• Young, tech-savvy urbanites attracted to bold, progressive automotive design

Modellbeschränkungen¶

Alle Modelle, die Snowflake Cortex zur Verfügung stehen, haben Beschränkungen für die Gesamtzahl der Eingabe- und Ausgabe-Token, bekannt als das Kontextfenster des Modells **. Die Größe des Kontextfensters wird in Token gemessen. Eingaben, die das Limit des Kontextfensters überschreiten, führen zu einem Fehler.

Bei Textmodellen entsprechen Token in der Regel etwa vier Zeichen Text, so dass die Wortanzahl, die einem Limit entspricht, geringer ist als die Anzahl der Token.

Bei Bildmodellen hängt die Anzahl der Token pro Bild von der Architektur des Bildmodells ab. Token innerhalb einer Eingabeaufforderung (z. B. „Welches Tier ist das?“) tragen ebenfalls zum Kontextfenster des Modells bei.

Hinweise zu Kosten¶

Die Abrechnung richtet sich nach der Anzahl der verarbeiteten Token. Die Anzahl der Token pro Bild hängt von der Architektur des Bildmodells ab.

• Die Formel für anthropische Modelle (claude) lautet in etwa: Token = (Breite in Pixel x Höhe in Pixel) / 750.

• Die Mistral-Modelle (pixtral) teilen jedes Bild in Batches von 16x16 Pixeln auf und wandeln jeden Batch in ein Token um. Die Gesamtzahl der Token entspricht ungefähr (Breite in Pixel / 16) * (Höhe in Pixel / 16).

• Meta (llama)-Modelle versuchen, das Bild mit quadratischen Kacheln zu kacheln. Je nach Seitenverhältnis und Größe des Bildes kann die Anzahl der Kacheln bis zu 16 betragen, die jeweils durch etwa 153 Token dargestellt werden.

Auswahl eines Bildmodells¶

Die Funktion COMPLETE unterstützt mehrere Modelle mit unterschiedlicher Leistungsfähigkeit, Latenzzeit und Kosten. Um eine optimale Leistung pro Credit zu erzielen, wählen Sie ein Modell, das auf den Umfang des Inhalts und die Komplexität der Aufgabe abgestimmt ist.

Die Benchmarks sind:

• MMMU: Bewertet multimodale Modelle bei multidisziplinären Aufgaben, die logisches Denken auf College-Niveau erfordern.

• Mathvista: Benchmark für mathematisches Denken in einem visuellen Kontext.

• ChartQA: Bewertet komplexe Argumentationsfragen zu Diagrammen.

• DocVQA und VQv2: Benchmarks für die visuelle Beantwortung von Fragen zu Dokumenten.

Regionale Verfügbarkeit¶

Die Unterstützung für dieses Feature ist für Konten in den folgenden Snowflake-Regionen nativ verfügbar:

COMPLETE multimodal ist in anderen Regionen über Regionenübergreifende Inferenz verfügbar.

Fehlerbedingungen¶

Rechtliche Hinweise¶

Die Datenklassifizierung der Eingaben und Ausgaben ist in der folgenden Tabelle aufgeführt.

Weitere Informationen dazu finden Sie unter KI und ML in Snowflake.