Cortex Analyst¶

Fonctionnalités clés¶

• Analyses en libre-service via des requêtes en langage naturel. Enchantez vos équipes commerciales et vos utilisateurs non techniques avec des réponses et des informations instantanées à partir de leurs données structurées dans Snowflake. En utilisant Cortex Analyst, vous pouvez créer des applications de chat en aval qui permettent à vos utilisateurs de poser des questions en langage naturel et de recevoir des réponses précises à la volée.

• REST API Pratique pour l’intégration dans les flux de travail d’entreprise existants. Cortex Analyst adopte une approche axée sur l’API, vous offrant un contrôle total sur l’expérience de l’utilisateur final. Intégrer facilement Cortex Analyst dans les outils et plateformes commerciales existants, apportant la puissance des informations sur les données là où les utilisateurs professionnels opèrent déjà, tels que les applications Streamlit, Slack, Teams, les interfaces de chat personnalisées, etc.

• Alimenté par des modèles de langage volumineux de pointe : Par défaut, Cortex Analyst est alimenté par les derniers modèles Meta Llama et Mistral, qui fonctionnent en toute sécurité à l’intérieur de Snowflake Cortex, le service AI intelligent et entièrement géré de Snowflake. En option, vous pouvez également donner à Cortex Analyst l’accès aux derniers modèles OpenAI GPT hébergés sur Azure. Lors de l’exécution, Cortex Analyst sélectionne la meilleure combinaison de modèles pour garantir la plus grande précision et les meilleures performances pour chaque requête. Pour plus de détails, voir Activation des modèles utilisation Azure OpenAI. À mesure que les LLMs évoluent, Snowflake continuera d’explorer l’ajout de nouveaux modèles pour améliorer davantage les performances et la précision.

• Modèle sémantique pour une précision et une exactitude élevées : Les solutions AI génériques rencontrent souvent des difficultés pour effectuer des conversions de texte en SQL lorsqu’elles ne disposent que d’un schéma de base de données, car les schémas manquent de connaissances essentielles telles que les définitions de processus métier et la gestion des métriques. Cortex Analyst surmonte cette limitation en utilisant un modèle sémantique qui comble le fossé entre les utilisateurs professionnels et les bases de données. Capturée dans un fichier YAML léger, la structure globale et les concepts du modèle sémantique sont similaires à ceux des schémas de base de données, mais permettent une description plus riche des informations sémantiques autour des données.

• Sécurité et gouvernance. La base de confidentialité de Snowflake et sa sécurité de niveau entreprise garantissent que vous pouvez explorer des cas d’utilisation alimentés par AI en toute confiance, sachant que vos données sont protégées par les normes les plus élevées de confidentialité et de gouvernance.

  • Cortex Analyst ne s’entraîne pas sur les données client. Nous n’utilisons pas vos données client pour former ou peaufiner un modèle à mettre à disposition de notre clientèle. De plus, pour l’inférence, Cortex Analyst utilise les métadonnées fournies dans le fichier YAML du modèle sémantique (par exemple, les noms de table, les noms de colonne, le type de valeur, les descriptions, etc.) uniquement pour la génération de requêtes SQL. Cette requête SQL est ensuite exécutée dans votre entrepôt virtuel Snowflake pour générer la sortie finale.

  • Les données restent dans les limites de gouvernance de Snowflake. Par défaut, Cortex Analyst est alimenté par des LLMs hébergés sur Snowflake provenant de Mistral et Meta, garantissant qu’aucune donnée, y compris les métadonnées ou les invites, ne quitte la limite de gouvernance de Snowflake. Si vous choisissez d’utiliser les modèles Azure OpenAI, seules les métadonnées et les invites sont transmises en dehors de la limite de gouvernance de Snowflake.

  • Intégration transparente avec les fonctionnalités de confidentialité et de gouvernance de Snowflake. Cortex Analyst s’intègre entièrement aux politiques de contrôle d’accès basé sur les rôles (RBAC) de Snowflake, garantissant que les requêtes SQL générées et exécutées respectent tous les contrôles d’accès établis. Cela garantit une sécurité et une gouvernance robustes pour vos données.

Limiter l’accès à des rôles spécifiques¶

Par défaut, le rôle CORTEX_USER est accordé au rôle PUBLIC. Le rôle PUBLIC est automatiquement accordé à tous les utilisateurs et à tous les rôles. Si vous ne souhaitez pas que tous les utilisateurs disposent de ce privilège, vous pouvez révoquer l’accès au rôle PUBLIC et accorder l’accès à des rôles spécifiques. Pour plus d’informations, voir Privilèges requis.

Pour contrôler l’accès à des modèles sémantiques spécifiques, vous pouvez stocker le fichier YAML dans une étape et contrôler l’accès à cette zone de préparation.

Considérations¶

Les fichiers de modèles sémantiques sont classés comme des métadonnées. Si vous choisissez d’utiliser des modèles Azure OpenAI dans Cortex Analyst, votre modèle sémantique sera traité par Microsoft Azure, un tiers. Toutefois, les données client ne sont pas partagées ni traitées par Azure.

ENABLE_CORTEX_ANALYST_MODEL_AZURE_OPENAI¶

Le ENABLE_CORTEX_ANALYST_MODEL_AZURE_OPENAI paramètre de compte, si TRUE, permet Cortex Analyst d’utiliser les modèles Azure OpenAI.

Limites connues des conversions à plusieurs tours¶

Certaines des limites suivantes pourraient être prises en compte dans les versions futures de Cortex Analyst.

Accès aux résultats des requêtes SQL précédentes

Cortex Analyst n’a pas accès aux résultats des requêtes SQL précédentes. Par exemple, si vous demandez d’abord « Quels sont mes produits ? », puis « Quel est le revenu du deuxième produit ? », Cortex Analyst ne peut pas se référer à la liste des produits de la première requête pour obtenir le deuxième produit.

Informations générales sur les entreprises

Cortex Analyst se limite à répondre aux questions qui peuvent être résolues avec SQL. Il ne génère pas d’informations pour des requêtes plus larges liées à l’entreprise, telles que « Quelles sont les tendances que vous observez ? »

Longues conversions

Si une conversation comporte trop de tours ou si l’utilisateur change fréquemment d’intention, Cortex Analyst peut avoir du mal à interpréter les questions de suivi. Dans de tels cas, réinitialisez la conversation et recommencez.

Créer un modèle sémantique¶

UN modèle sémantique est un mécanisme léger qui résout les problèmes liés à la différence de langage entre les utilisateurs professionnels et les définitions de bases de données en permettant la spécification de détails sémantiques supplémentaires sur un ensemble de données. Ces détails sémantiques supplémentaires, comme des noms ou des synonymes plus descriptifs, permettent à Cortex Analyst de répondre aux questions de données de manière beaucoup plus fiable.

1. Commencez par une liste de questions auxquelles vous aimeriez que Cortex Analyst réponde. Sur cette base, décidez de l’ensemble de données pour votre modèle sémantique.

2. Créez votre modèle sémantique YAML basé sur la spécification. Pour plus de commodité, essayez le Créer un modèle sémantique à l’aide du générateur de modèles. Assurez-vous également de consulter les conseils pour créer un modèle sémantique.

Télécharger le modèle sémantique¶

Vous pouvez télécharger un fichier YAML du modèle sémantique dans une zone de préparation ou passer le modèle sémantique YAML sous forme de chaîne dans le corps de la requête. Si vous téléchargez un modèle sémantique YAML dans une zone de préparation, l’accès à ce modèle sémantique est contrôlé par l’accès à la zone de préparation dans laquelle il est téléchargé. Cela signifie que tout rôle ayant accès à la zone de préparation peut accéder aux modèles sémantiques de cette zone de préparation même si le rôle n’a pas accès aux tables sur lesquelles les modèles sont basés. Assurez-vous que les rôles autorisés à accéder à une zone de préparation ont un accès SELECT à toutes les tables référencées dans tous les modèles sémantiques de cette zone de préparation.

Vous trouverez ci-dessous un exemple de configuration des zones de préparation contenant les modèles sémantiques. Une zone de préparation (public) est accessible à tous les membres de l’organisation, tandis qu’une autre zone de préparation (sales) n’est accessible qu’au rôle sales_analyst.

Créez la base de données et le schéma pour la zone de préparation. L’exemple suivant crée une base de données nommée semantic_model avec un schéma nommé definition mais vous pouvez utiliser n’importe quelle chaîne d’identification valide pour ces noms.

CREATE DATABASE semantic_model;
CREATE SCHEMA semantic_model.definitions;
GRANT USAGE ON DATABASE semantic_model TO ROLE PUBLIC;
GRANT USAGE ON SCHEMA semantic_model.definitions TO ROLE PUBLIC;

USE SCHEMA semantic_model.definitions;

Créez ensuite les zones de préparation de stockage de vos modèles sémantiques :

CREATE STAGE public DIRECTORY = (ENABLE = TRUE);
GRANT READ ON STAGE public TO ROLE PUBLIC;

CREATE STAGE sales DIRECTORY = (ENABLE = TRUE);
GRANT READ ON STAGE sales TO ROLE sales_analyst;

Si vous utilisez Snowsight, vous pouvez actualiser la page et trouver les zones de préparation nouvellement créées dans l’explorateur d’objets de base de données. Vous pouvez ouvrir la page de la zone de préparation dans un nouvel onglet et télécharger vos fichiers YAML dans Snowsight.

Alternativement, vous pouvez utiliser le client Snowflake CLI pour télécharger depuis votre système de fichiers local.

snow stage copy file:///path/to/local/file.yaml @sales

Créez un Streamlit dans l’application Snowflake¶

Cet exemple vous montre comment créer une application Streamlit dans Snowflake qui prend une question en langage naturel comme entrée et appelle Cortex Analyst pour générer une réponse basée sur le modèle sémantique que vous fournissez.

Pour plus d’informations sur la création et l’exécution d’applications Streamlit dans Snowflake, consultez À propos de Streamlit in Snowflake.

1. Suivez les instructions dans Créer une application Streamlit avec Snowsight pour créer une nouvelle application Streamlit dans Snowsight.

2. Copiez le code Streamlit de notre dépôt GitHub dans l’éditeur de code.

3. Remplacez les valeurs par défaut par les détails de votre compte.

4. Pour prévisualiser l’application, sélectionnez Run pour mettre à jour le contenu dans le volet d’aperçu Streamlit.

Interagissez avec l’application Streamlit¶

1. Accédez à l’application Streamlit dans votre navigateur ou au volet d’aperçu de Streamlit dans Snowflake.

2. Commencez à poser des questions sur vos données en langage naturel (par exemple « Quelles questions puis-je poser ? »).

Créez une application Streamlit autonome¶

Vous pouvez également utiliser le code d’exemple pour créer une application autonome.

1. Installez Streamlit.

2. Créez un fichier Python appelé localement analyst_api.py.

3. Copiez le code Streamlit de notre dépôt GitHub dans le fichier.

4. Remplacez les valeurs par défaut par les détails de votre compte.

5. Exécutez l’application Streamlit en utilisant streamlit run analyst_api.py.

La base de données et le schéma spécifiés dans le code constituent l’emplacement de la zone de préparation du fichier YAML de modèle sémantique. Le rôle utilisé dans le connecteur Snowflake doit avoir accès aux données sous-jacentes définies dans le modèle sémantique.

Pour une mise en œuvre plus complète, consultez la démonstration Cortex Analyst avancée de SiS dans le dépôt GitHub d’échantillons Snowflake. Ce dépôt est configuré avec diverses fonctions préintégrées qui permettent de déployer Cortex Analyst de manière transparente et robuste.

Suivi du coût de Cortex Analyst¶

Pour voir la consommation de crédit de Cortex Analyst, utilisez l”Vue CORTEX_ANALYST_USAGE_HISTORY. Par exemple :

SELECT * FROM SNOWFLAKE.ACCOUNT_USAGE.CORTEX_ANALYST_USAGE_HISTORY;

L’utilisation de Cortex Analyst apparaît également dans l”Vue METERING_HISTORY du schéma ACCOUNT_USAGE avec un type de service AI_SERVICES.