Annonces du Sommet - 26-29 juin 2023¶

Tables dynamiques - Avant-première¶

Nous avons le plaisir d’annoncer la disponibilité en avant-première des tables dynamiques.

Les tables dynamiques sont les éléments constitutifs des pipelines déclaratifs de transformation des données. Elles simplifient considérablement l’ingénierie des données dans Snowflake et fournissent un moyen fiable, rentable et automatisé de transformer vos données pour la consommation. Au lieu de définir les étapes de transformation des données comme une série de tâches et de devoir surveiller les dépendances et la planification, vous pouvez simplement définir l’état final de la transformation à l’aide de tables dynamiques et laisser la gestion complexe du pipeline de données à Snowflake.

Pour plus d’informations, reportez-vous à Tables dynamiques.

Stockage compatible avec Amazon S3 — Disponibilité générale¶

Nous avons le plaisir d’annoncer la disponibilité générale de la prise en charge de l’accès aux données dans un stockage compatible avec Amazon S3. Vous pouvez créer des zones de préparation externes pour des services de stockage on-premises ou d’autres services de stockage dans le cloud et des périphériques qui sont hautement conformes à l’API REST Amazon S3. Grâce à cette fonction, vous pouvez gérer, gouverner et analyser efficacement vos données, quel que soit l’endroit où elles sont stockées.

Pour plus d’informations, reportez-vous à Utilisation d’un stockage compatible avec Amazon S3.

Transmission des références des tables, vues, fonctions et requêtes à une procédure stockée — Avant-première¶

Nous avons le plaisir d’annoncer en avant-première la possibilité de transmettre les références des tables, vues, fonctions et requêtes à une procédure stockée.

Une référence est un identificateur unique pour une table, une vue, une fonction ou une requête. Lorsque vous transmettez une référence à une procédure stockée, celle-ci effectue des actions en utilisant le rôle actif ou les rôles secondaires de l’utilisateur qui a créé la référence. Par exemple, si vous appelez une procédure stockée avec droits du propriétaire, vous pouvez créer et transmettre une référence à une table pour permettre à la procédure stockée d’effectuer des actions sur la table à l’aide de votre rôle actif.

En outre, si la table, la vue ou la fonction n’est pas entièrement qualifiée, le nom de l’objet est résolu en utilisant la base de données et le schéma en vigueur au moment de la création de la référence (c’est-à-dire la base de données et le schéma de l’utilisateur qui a créé la référence).

Pour plus d’informations, reportez-vous à Transmission de références pour les tables, les vues, les fonctions et les requêtes aux procédures stockées.

Snowpark ML : machine learning à l’échelle — Avant-première¶

Nous avons le plaisir d’annoncer l’avant-première de Snowpark ML. Snowpark ML est un ensemble d’outils Python, comprenant les SDKs et l’infrastructure sous-jacente, pour construire et déployer des modèles de machine learning au sein de Snowflake. Cette avant-première comprend des classes de prétraitement et de modélisation basées sur des bibliothèques de machine learning populaires telles que scikit-learn, xgboost et lightgbm.

Snowpark ML fonctionne avec Snowpark Python. Vous utilisez les DataFrames Snowpark pour conserver vos données d’entraînement ou de test et pour recevoir vos résultats de prédiction.

Pour plus d’informations, reportez-vous à Snowpark ML : machine learning de bout en bout dans Snowflake.

Fonctions basées sur le ML — Avant-première¶

Nous avons le plaisir de vous annoncer la disponibilité en avant-première de trois nouveaux outils d’analyse basés sur des algorithmes de machine learning.

Ces trois outils entraînent un modèle de machine learning sur vos données de séries temporelles afin de déterminer comment une métrique spécifiée varie dans le temps et par rapport à d’autres caractéristiques. Le modèle fournit ensuite des informations et des prédictions basées sur les tendances détectées dans les données.

• Prévision : prédit les valeurs métriques futures à partir des tendances des données historiques.

• Détection d’anomalies : signale les valeurs métriques qui diffèrent des attentes habituelles.

• Contribution Explorer : vous aide à trouver les dimensions et les valeurs qui affectent la métrique de manière surprenante.

Pour plus d’informations, reportez-vous à Fonctions optimisées par ML Snowflake Cortex.

Native Applications Framework — Avant-première¶

Nous avons le plaisir d’annoncer la disponibilité en avant-première du Native Apps Framework qui vous permet de créer des applications de données qui étendent les capacités d’autres fonctions de Snowflake en partageant des données et la logique métier associée avec d’autres comptes Snowflake.

Pour plus d’informations, reportez-vous à À propos du Native Apps Framework et Tutoriel : Développement d’une application avec le Native Apps Framework.

Custom Event Billing pour les applications — Avant-première¶

Nous avons le plaisir de vous annoncer la disponibilité en avant-première de Custom Event Billing, un plan de tarification basé sur l’utilisation que les fournisseurs peuvent utiliser pour facturer aux consommateurs l’utilisation d’applications développées avec le Framework Native Apps de Snowflake.

Pour plus d’informations, reportez-vous à Modèles de tarification des annonces payantes et Ajout d’événements facturables aux applications.

Marketplace Capacity Drawdown Program — Disponibilité générale¶

Nous avons le plaisir d’annoncer la disponibilité générale de Marketplace Capacity Drawdown Program, qui permet aux clients éligibles ayant un contrat de capacité chez Snowflake de payer des annonces avec leur capacité engagée.

Voir Modèles de tarification des annonces payantes pour plus d’informations.