14-15 décembre — Notes de version 7.44¶

Utilisation de l’organisation : Amélioration des vues pour le rapprochement des factures — Disponibilité générale¶

Avec cette version, nous avons le plaisir d’annoncer que les vues suivantes du schéma d’utilisation de l’organisation ont été améliorées pour faciliter le rapprochement de l’utilisation de Snowflake avec les relevés de facturation mensuels :

• CONTRACT_ITEMS

• RATE_SHEET_DAILY

• REMAINING_BALANCE_DAILY

• USAGE_IN_CURRENCY_DAILY

Pendant une période de transition, seuls les nouveaux comptes disposent par défaut de ces vues mises à niveau. Pour vous renseigner sur la mise à niveau de votre compte, contactez l’assistance Snowflake.

• Vue CONTRACT_ITEMS

• Vue RATE_SHEET_DAILY

• Vue REMAINING_BALANCE_DAILY

• Vue USAGE_IN_CURRENCY_DAILY

Fonctions de séries temporelles basées sur le ML de Snowflake Cortex — Disponibilité générale¶

Avec cette version, nous avons le plaisir d’annoncer la disponibilité générale des fonctions Snowflake de prévision Cortex basées sur le ML (SNOWFLAKE.ML.FORECAST) et détection d’anomalies (SNOWFLAKE.ML.ANOMALY_DETECTION), qui étaient auparavant disponibles en tant que fonctions en avant-première. Ces fonctions utilisent un modèle de machine learning formé sur vos données historiques pour faire des prédictions et détecter des événements inattendus. Vous pouvez également obtenir des métriques d’évaluation et des données sur l’importance des fonctionnalités pour ces modèles afin de connaître les facteurs qui déterminent les tendances et provoquent des anomalies.

Pour plus d’informations, voir Prévision et Détection d’anomalies.

API Snowpark ML Modeling — Disponibilité générale¶

Avec cette version, nous avons le plaisir d’annoncer la disponibilité générale de l’API Snowpark ML Modeling, qui était auparavant disponible en tant que fonctionnalité en avant-première. Snowpark ML Modeling vous permet d’entraîner des modèles Python dans Snowflake en utilisant des APIs similaires à celles fournies par Scikit-Learn, LightGBM et XGBoost. De nombreuses classes de prétraitement s’exécutent de manière distribuée, sur autant de nœuds qu’il y en a dans votre entrepôt, ce qui réduit considérablement la durée d’exécution.

Cette fonction est disponible à partir de Snowpark ML 1.1.1. Pour plus d’informations, voir Snowpark ML Modeling.

Optimisation des hyperparamètres distribuée Snowpark ML — Avant-première¶

Avec cette version, nous avons le plaisir d’annoncer l’avant-première de l’optimisation des hyperparamètres dans l’API Snowpark ML pour Java. L’optimisation des hyperparamètres vous permet de trouver les meilleurs paramètres pour vos modèles et peut désormais être exécutée de manière distribuée, ce qui réduit considérablement le temps d’exécution. Le traitement distribué est activé par défaut, mais peut être désactivé.

Cette fonction est disponible à partir de Snowpark ML 1.1.1. Pour plus d’informations, voir Snowpark ML Modeling.

Prise en charge inter-Cloud/interrégionale pour les tableaux Iceberg — Avant-première¶

Avec cette version, nous avons le plaisir d’annoncer la prise en charge inter-Cloud/interrégionale pour les tables Iceberg qui utilisent un catalogue Iceberg externe.

Pour plus d’informations, voir Prise en charge inter-Cloud/interrégionale.