Snowflake Notebooks in Workspaces¶
Bemerkung
Notebooks in Workspaces ersetzt die Erfahrung Legacy Notebooks. Ab März 2026 wird Snowflake die Möglichkeit bieten, ältere Notebooks in Workspaces zu importieren. Einen Vergleich der beiden Möglichkeiten finden Sie unter Die wichtigsten Unterschiede zwischen älteren und neuen Notebooks.
Übersicht¶
Die neue Snowflake Notebooks-Umgebung in Workspaces bietet verbesserte Performance, verbesserte Entwicklerproduktivität und Jupyter-Kompatibilität. Die Workspaces-Umgebung unterstützt eine einfache Dateiverwaltung, sodass Sie mit einzelnen Notebooks und Projektdateien iterieren können. Erstellen Sie Ordner, laden Sie Dateien hoch, und organisieren Sie Notebooks. Notebook-Dateien werden in Registerkarten in Ihrem Arbeitsbereich geöffnet und können bearbeitet und ausgeführt werden.
Dieses neue Angebot umfasst:
Vertraute Jupyter-Erfahrung – Unterstützt eine Jupyter-Notebook-Umgebung mit direktem Zugriff auf verwaltete Snowflake-Daten.
Verbesserte IDE-Features – Bearbeitungstools, Dateiverwaltung und Zugriff auf Terminal für mehr Produktivität.
Starke AI/ML-Performance – Ausführung in einer vorgefertigten Containerumgebung, die für eine skalierbare AI/ML-Entwicklung mit vollständig verwaltetem Zugriff auf CPUs und GPUs optimiert ist.
Verwaltete Zusammenarbeit – Ermöglicht es mehreren Benutzenden, in demselben Arbeitsbereich zu arbeiten, mit rollenbasierter Zugriffssteuerung und Versionsverlauf über Git-integrierte Arbeitsbereiche oder freigegebene Arbeitsbereiche.
Zeitplan und Orchestrierung – Verwenden Sie den nativen Scheduler oder binden Sie Notebooks in Orchestrierungsskripte für Produktionspipelines ein.
Vorteile für ML-Workflows (maschinelles Lernen)¶
Notebooks in Workspaces bietet zwei primäre Funktionen für ML-Workflows:
Ende-zu-Ende-Workflow – Die Plattform ermöglicht es Benutzenden, ihren ML-Lebenszyklus vollständig zu konsolidieren, vom Zugriff auf die Quelldaten bis zur Inferenz von Modellen, und zwar innerhalb einer einzigen Jupyter Notebook-Umgebung. Diese Umgebung ist in die zugrunde liegende Datenplattform integriert, sodass sie bestehende Governance- und Sicherheitskontrollen für die Daten- und Code-Assets erben kann.
Skalierbare Modellentwicklungsarchitektur – Die Architektur unterstützt die Entwicklung von skalierbaren Modellen, indem sie Open-Source-Software (OSS)-Möglichkeiten zur Modellentwicklung bereitstellt. Benutzende können auf das verteilte Laden von Daten und das Training über designierte CPU- oder GPU-Computepools zugreifen. Dieses Design vereinfacht die Verwaltung der ML-Infrastruktur, indem die Notwendigkeit einer manuellen Konfiguration verteilter Computeressourcen vermindert wird.
Weitere Informationen zu Snowflake ML finden Sie unter Snowflake ML: Umfassendes maschinelles Lernen.
Erste Schritte¶
Bemerkung
Diese Quickstarts dienen nur als Beispiele. Wenn Sie dem Beispiel folgen, benötigen Sie möglicherweise zusätzliche Rechte für Daten, Produkte oder Dienste von Drittanbietern, die nicht im Besitz von Snowflake sind oder von Snowflake bereitgestellt werden. Snowflake übernimmt keine Garantie für die Richtigkeit dieser Beispiele und deckt sie nicht durch Service Level Agreements ab.
Schauen Sie sich das Einführungsvideo für einen Überblick über Notebooks in Workspaces an.
Folgen Sie dem Quickstart ,um zu erfahren, wie Sie die Themenmodellierung mit scikit-learn und pandas in Snowflake ML beschleunigen können.
Erkunden Sie die Ersten Notebooks für das Machine Learning-Projekt, eine Notebook-Serie, die die Datenaufbereitung, die explorative Datenanalyse, das Modelltraining und die Nachverfolgung von Experimenten behandelt.
Folgen Sie der Anleitung zum Erstellen eines End-to-End-ML-Workflows in Snowflake, um einen kompletten Machine-Learning-Workflow zu durchlaufen, von der Datenaufbereitung bis zur Bereitstellung der Modelle.
Folgen Sie dem Quickstart Erste Schritte mit Data Engineering mithilfe von Snowflake Notebooks mit dem zugehörigen Code für GitHub, um zu erfahren, wie Sie mit Notebooks in Workspaces Produktions-Data-Engineering-Pipelines erstellen können.
Hier ist ein Beispiel für ML im Gesundheitswesen: Klassifizierung von Brustkrebs mit XGBoost, die zeigt, wie ein Klassifizierungsmodell in Snowflake erstellt wird.