Snowflake Notebooks in Workspaces

Note

Notebooks in Workspaces remplace l’expérience :doc:` notebooks hérités</user-guide/ui-snowsight/notebooks>`. À partir de mars 2026, Snowflake déploiera la possibilité d’importer des notebooks hérités dans Workspaces. Pour une comparaison des deux expériences, voir :ref:` Principales différences entre les anciens et les nouveaux notebooks<label-nb_in_ws_migrate_comparison>`.

Vue d’ensemble

La nouvelle expérience Snowflake Notebooks dans Workspaces offre des performances améliorées, une productivité améliorée des développeurs et une compatibilité Jupyter. L’environnement Workspaces prend en charge la gestion facile des fichiers, vous pouvez ainsi itérer sur des notebooks individuels et des fichiers de projet, mais aussi, créer des dossiers, charger des fichiers et organiser des notebooks. Les fichiers du notebook s’ouvrent dans des onglets dans votre espace de travail et sont modifiables et exécutables.

Cette nouvelle offre comprend :

  • Expérience conviviale avec Jupyter - Prend en charge un environnement Jupyter Notebook avec un accès direct aux données régies par Snowflake.

  • Fonctionnalités IDE améliorées - Outils d’édition, gestion des fichiers et accès au terminal pour une productivité accrue.

  • Puissant pour AI/ML - S’exécute dans un environnement de conteneur pré-construit optimisé pour un développement AI/ML évolutif avec un accès entièrement géré aux CPUs et GPUs.

  • Collaboration régie - Permet à plusieurs utilisateurs de travailler dans le même espace de travail avec des contrôles d’accès et l’historique des versions basés sur les rôles via les espaces de travail intégrés à Git ou les espaces de travail partagés.

  • Planification et orchestration - Utilisez le planificateur natif ou intégrez des notebooks dans les scripts d’orchestration pour les pipelines de production.

../../../_images/notebooks-in-workspaces.png

Avantages des workflows ML (machine learning)

Notebooks dans Workspaces offre deux capacités principales pour les workflows ML :

  • Workflow de bout en bout - La plateforme permet aux utilisateurs de consolider leur cycle de vie ML complet, de l’accès aux données sources à l’inférence de modèles, dans un seul environnement de notebook Jupyter. Cet environnement est intégré à la plateforme de données sous-jacente, ce qui lui permet d’hériter des contrôles de gouvernance et de sécurité existants pour les données et les actifs de code.

  • Architecture de développement de modèles évolutifs - L’architecture prend en charge le développement de modèles évolutifs en fournissant des fonctionnalités de développement de modèles de logiciels open-source (OSS). Les utilisateurs peuvent accéder au chargement des données distribuées et à l’entraînement de modèles sur des pools de calcul CPU ou GPU prévus pour cela. Ce schéma simplifie la gestion de l’infrastructure ML en supprimant le besoin de configuration manuelle des ressources de calcul distribuées.

Pour plus d’informations sur Snowflake ML, voir Snowflake ML : machine learning de bout en bout.

Prise en main

Note

Ces démarrages rapides ne sont donnés qu’à titre d’exemple. Suivre l’exemple peut nécessiter des droits supplémentaires sur les données, les produits ou les services de tiers qui ne sont pas détenus ou fournis par Snowflake. Snowflake ne garantit pas l’exactitude de ces exemples et ils ne sont couverts par aucun accord de niveau de service.