Fonctions ML¶
Ces fonctions d’analyse puissantes vous offrent des prédictions automatisées et des informations sur vos données grâce au machine learning. Snowflake fournit un type de modèle approprié pour chaque fonction, de sorte que vous n’avez pas besoin d’être un expert en machine learning pour en tirer parti. Seules vos données sont nécessaires.
Dans ce chapitre :
Fonctions de séries temporelles¶
Ces fonctions entraînent un modèle de machine learning sur vos données de séries temporelles afin de déterminer comment une métrique spécifiée (par exemple, les ventes) varie dans le temps et par rapport à d’autres caractéristiques de vos données. Le modèle fournit ensuite des informations et des prédictions basées sur les tendances détectées dans les données.
La prévision prévoit les valeurs métriques futures à partir des tendances passées dans les données temporelles.
La détection des anomalies signale les valeurs métriques qui diffèrent des attentes habituelles.
Autres fonctions d’analyse¶
Ces fonctions ne nécessitent pas de données de série chronologique.
La classification trie les lignes en deux classes ou davantage en fonction de leurs caractéristiques les plus prédictives.
Top Insights vous aide à trouver des dimensions et des valeurs qui affectent la métrique de manière surprenante.
Considérations relatives aux clients¶
Lorsque vous utilisez des fonctions de ML, vous engagez des frais de stockage et de calcul. Ces coûts varient en fonction de la fonction utilisée et de la quantité de données utilisées pour l’entraînement et la prédiction.
Les coûts de stockage que vous supportez reflètent le stockage des instances du modèle ML créées au cours de l’étape de formation. Pour voir les objets associés à votre instance de modèle, accédez aux vues Account Usage (ACCOUNT_USAGE.TABLES et ACCOUNT_USAGE.STAGES). Ces objets apparaissent avec des colonnes de base de données et de schéma nulles. La colonne instance_id, en revanche, sera remplie, indiquant que ces objets sont contenus dans une instance de modèle. Ces objets sont entièrement gérés par l’instance de modèle, et vous ne pouvez pas y accéder ou les supprimer séparément. Pour réduire les coûts de stockage associés à vos modèles, supprimez les modèles inutilisés ou obsolètes.
Consultez Comprendre le coût du calcul pour obtenir des informations générales sur les coûts de calcul de Snowflake.
Utilisation de fonctions ML dans Snowpark¶
session.call n’est pas encore compatible avec les modèles créés par des fonctions ML. Pour appeler ce type de modèle dans Snowpark, utilisez plutôt session.sql comme indiqué ici.
session.sql('call my_model!FORECAST(...)').collect()