ML-gestützte Snowflake Cortex-Funktionen¶
Snowflake Cortex ist ein intelligenter, vollständig verwalteter Dienst von Snowflake, der es Organisationen ermöglicht, Daten schnell zu analysieren und KI-Anwendungen zu erstellen – alles innerhalb von Snowflake. Diese ML-gestützten Funktionen liefern Ihnen unter Verwendung von Machine Learning-Modellen automatische Vorhersagen und Einblicke in Ihre Daten.
Unter diesem Thema:
Was sind ML-gestützte Snowflake Cortex-Funktionen?¶
ML-gestützte Snowflake Cortex-Funktionen nutzen maschinelles Lernen, um Muster in Ihren Daten zu erkennen. Wir stellen für jedes Feature einen geeigneten Modelltyp zur Verfügung, sodass Sie kein Machine Learning-Entwickler sein müssen, um von den Vorteilen profitieren zu können. Alles, was Sie benötigen, sind Ihre Daten.
Zeitreihenfunktionen¶
Diese Features trainieren ein Machine Learning-Modell für Ihre Zeitreihendaten, um zu ermitteln, wie sich eine bestimmte Kennzahl (z. B. der Umsatz) im Laufe der Zeit und im Verhältnis zu anderen Features Ihrer Daten verändert. Das Modell liefert dann Erkenntnisse oder Vorhersagen auf der Grundlage der in den Daten erkannten Trends.
Prognosen dienen der Vorhersage zukünftiger Werte von Kennzahlen anhand von Trends in historischen Zeitreihendaten.
Anomalieerkennung markiert Kennzahlenwerte, die von den typischen Erwartungen abweichen.
Contribution Explorer bietet Unterstützung beim Auffinden von Dimensionen und Werten, die Kennzahlen auf überraschende Weise beeinflussen.
Andere Analysefunktionen¶
Für diese Features sind keine Zeitreihendaten erforderlich. Das Machine Learning-Modell wird so trainiert, dass es verschiedene Typen von Entitäten in Ihren Daten unterscheiden kann.
Bei der Klassifizierung werden Zeilen auf Grundlage ihrer aussagekräftigsten Merkmale zwei oder mehr Klassen zugeordnet.
Hinweise zu Kosten¶
Wenn Sie ML-gestützte Snowflake Cortex-Funktionen verwenden, entstehen Ihnen Kosten für Speicherung und Computing. Diese Kosten variieren je nach Feature und der Menge der für das Training und die Vorhersage verwendeten Daten.
Die Speicherkosten entstehen bei der Speicherung der ML-Modellinstanzen, die während des Trainingsprozesses erstellt wurden. Um die mit Ihrer Modellinstanz verknüpften Objekte anzuzeigen, navigieren Sie zu den Account Usage-Ansichten (z. B. ACCOUNT_USAGE.TABLES und ACCOUNT_USAGE.STAGES). Diese Objekte werden ohne Datenbank- und Schemaspalten angezeigt. Die Spalte „instance_id“ wird jedoch gefüllt und zeigt an, dass diese Objekte in einer Modellinstanz enthalten sind. Diese Objekte werden vollständig von der Modellinstanz verwaltet. Sie können nicht separat auf sie zugreifen, und sie können sie auch nicht löschen. Um die mit Ihren Modellen verbundenen Speicherkosten zu reduzieren, löschen Sie unbenutzte oder veraltete Modelle.
Allgemeine Informationen zu den Snowflake-Computekosten finden Sie unter Erläuterungen zu den Computekosten.