Cortex Analyst¶

主要な機能¶

• 自然言語クエリによるセルフサービス分析。 Snowflakeの構造化データから即座に回答や洞察を得て、ビジネスチームや非技術系ユーザーを喜ばせましょう。 Cortex Analyst を使用すると、ユーザーが自然言語を使用して質問し、その場で正確な回答を受け取ることができるダウンストリームチャットアプリケーションを構築することができます。

• 既存のビジネスワークフローに統合できる便利な REST API。 Cortex Analyst は、 APIファーストアプローチを採用しており、エンドユーザーエクスペリエンスを完全に制御できます。 Cortex Analyst を既存のビジネスツールやプラットフォームに簡単に統合し、Streamlitアプリ、Slack、Teams、カスタムチャットインターフェースなど、ビジネスユーザーがすでに操作している場所にデータインサイトのパワーをもたらします。

• 最先端の大規模言語モデルを搭載: デフォルトで、 Cortex Analyst は最新のMeta LlamaとMistralモデルを搭載しています。これらのモデルは、 Snowflake Cortex、Snowflakeのインテリジェントなフルマネージド AI サービス内で安全に実行されます。オプションで、 Cortex Analyst にAzureがホストする OpenAI GPT の最新モデルへのアクセス権を与えることもできます。実行時に Cortex Analyst は、各クエリに対して最高の精度とパフォーマンスを保証するために、モデルの最適な組み合わせを選択します。詳細については、 Azure OpenAI モデルの使用を可能にする をご参照ください。LLMs が進化するにつれ、Snowflakeは性能と精度をさらに向上させるために、より多くのモデルをミックスに加えることを探求し続けます。

• 高い精度と正確さのためのセマンティックモデル: 一般的な AI ソリューションは、データベーススキーマのみが与えられた場合、テキストから SQL への変換に苦労することがよくあります。スキーマには、ビジネスプロセスの定義やメトリクスの取り扱いといった重要な知識が欠けているためです。 Cortex Analyst は、ビジネスユーザーとデータベースの間のギャップを埋める セマンティックモデル を使用することで、この制限を克服しています。軽量な YAML ファイルに取り込まれたセマンティックモデルの全体的な構造と概念は、データベーススキーマと似ていますが、データ周辺のセマンティック情報をより豊かに記述することができます。

• セキュリティとガバナンス。 Snowflakeのプライバシー第一の基盤とエンタープライズグレードのセキュリティにより、最高水準のプライバシーとガバナンスによってデータが保護されていることを認識しながら、 AI に基づいたユースケースを安心して検討することができます。

  • Cortex Analyst は、顧客データに関する訓練は行いません。当社は、当社の顧客ベース全体で使用できるようにするモデルの訓練または微調整のために、お客様の顧客データを使用することはありません。さらに、推論のために、 Cortex Analyst は、 SQL クエリ生成のためにのみ、セマンティックモデル YAML ファイルで提供されるメタデータ（例えば、テーブル名、列名、値のタイプ、説明など）を利用します。この SQL クエリは、Snowflake仮想ウェアハウスで実行され、最終的な出力を生成します。

  • データはSnowflakeのガバナンス境界内に留まります。デフォルトでは、 Cortex Analyst は、MistralとMetaのSnowflakeホスティング LLMs によって駆動され、メタデータやプロンプトを含むデータがSnowflakeのガバナンス境界を離れることがないようにします。Azure OpenAI モデルの使用を選択した場合、メタデータとプロンプトのみがSnowflakeのガバナンス境界の外部に送信されます。

  • Snowflakeのプライバシーおよびガバナンス機能とのシームレスな統合。 Cortex Analyst は、Snowflakeのロールベースのアクセス制御（RBAC）ポリシーと完全に統合され、 SQL クエリの生成と実行が確立されたすべてのアクセス制御を遵守することを保証します。これにより、データの強固なセキュリティとガバナンスが保証されます。

特定のロールへのアクセス制限¶

デフォルトでは、CORTEX_USERロールはPUBLICロールに付与されます。PUBLIC ロールは、すべてのユーザーとロールに自動的に付与されます。すべてのユーザーにこの権限を与えたくない場合は、PUBLICロールのアクセス権を取り消し、特定のロールにアクセス権を与えることができます。詳細については、 必要な権限 をご参照ください。

特定のセマンティックモデルへのアクセスを制御するには、 YAML ファイルをステージに格納し、そのステージへのアクセスを制御します。

考慮事項¶

セマンティックモデルファイルは メタデータ として分類されます。 Cortex Analyst で Azure OpenAI モデルの使用を選択した場合、あなたのセマンティックモデルはサードパーティであるMicrosoft Azureによって処理されます。ただし、顧客データがAzureと共有されたり、Azureによって処理されたりすることはありません。

ENABLE_CORTEX_ANALYST_MODEL_AZURE_OPENAI¶

TRUE の場合、 ENABLE_CORTEX_ANALYST_MODEL_AZURE_OPENAI アカウントパラメーター は、 Cortex Analyst がAzure OpenAI モデルを使用できるようになります。

マルチターン会話における既知の制限¶

以下の制限のいくつかは、 Cortex Analyst の将来のバージョンで対処される可能性があります。

以前の SQL クエリ結果へのアクセス

Cortex Analyst は以前の SQL クエリ結果にはアクセスできません。例えば、最初に「私の製品は何ですか？」と質問し、次に「2番目の製品の売上はどうなっていますか？」と質問した場合、 Cortex Analyst は、2番目の製品を取得するために最初のクエリから製品のリストを参照することはできません。

一般的なビジネスインサイト

Cortex Analyst では、 SQL で解決できる質問への回答に限定されます。「どのようなトレンドが見られますか？」といった、より広範なビジネス関連のクエリに対するインサイトは生成されません。

長い会話

会話にターンが多すぎたり、ユーザーの意図が頻繁に変わったりすると、 Cortex Analyst がフォローアップの質問を解釈するのに苦労するかもしれません。そのような場合は、会話をリセットしてやり直してください。

セマンティックモデルの作成¶

セマンティックモデル は、データセットに関する追加のセマンティックな詳細を指定できるようにすることで、ビジネスユーザーとデータベース定義の間の言語の違いに関連する問題に対処する軽量なメカニズムです。より説明的な名前や同義語のような、このような追加的なセマンティックな詳細によって、 Cortex Analyst は、データに関する質問に対してより確実に回答できるようになります。

1. Cortex Analyst に答えてもらいたい質問のリストから始めます。それに基づいて、セマンティックモデルのデータセットを決めます。

2. 仕様 に基づいて、セマンティックモデル YAML を作成します。便宜上、 モデルジェネレーターを使用してセマンティックモデルを作成する をお試しください。また、 セマンティックモデルを作成するためのヒント も必ず確認してください。

セマンティックモデルのアップロード¶

セマンティックモデル YAML ファイルを ステージ にアップロードするか、セマンティックモデル YAML をリクエストボディの文字列として渡すことができます。セマンティックモデル YAML をステージにアップロードした場合、そのセマンティックモデルへのアクセスは、アップロードされたステージへのアクセスによって制御されます。これは、ステージへのアクセス権を持つロールが、そのモデルのベースとなるテーブルへのアクセス権を持っていなくても、そのステージ上のセマンティックモデルにアクセスできることを意味します。ステージにアクセス権を付与されたロールが、そのステージ上のすべてのセマンティックモデルで参照されるすべてのテーブルに対して、 SELECT アクセス権を持つようにします。

以下は、セマンティックモデルを含むステージのセットアップ方法の例です。あるステージ（public）には組織の全メンバーがアクセスできますが、別のステージ（sales）には sales_analyst ロールにしかアクセスできません。

ステージ用のデータベースとスキーマを作成する。次の例では、 semantic_model という名前のデータベースを、 definition という名前のスキーマで作成していますが、これらの名前には任意の有効な識別子文字列を使用できます。

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;

次に、セマンティックモデルを保存するためのステージを作成します。

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;

Snowsightを使用している場合は、ページをリフレッシュして、 データベースオブジェクトエクスプローラー で新しく作成されたステージを見つけることができます。新しいタブでステージページを開き、Snowsightの YAML ファイルをアップロードできます。

または、 Snowflake CLI クライアント を使用して、ローカルファイルシステムからアップロードすることもできます。

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

SnowflakeアプリでStreamlitを作成する¶

この例では、自然言語による質問を入力として受け取り、 Cortex Analyst を呼び出して、提供されたセマンティックモデルに基づいて回答を生成する、SnowflakeアプリのStreamlitを作成する方法を示します。

SnowflakeでのStreamlitアプリの作成と実行の詳細については、 Streamlit in Snowflake について をご参照ください。

1. Snowsight を使用してStreamlitアプリを作成する の指示に従って、Snowsightに新しいStreamlitアプリを作成します。

2. GitHub リポジトリから Streamlitコード をコードエディターにコピーします。

3. プレースホルダーの値をあなたのアカウント詳細に置き換えます。

4. アプリをプレビューするには、 Run を選択し、Streamlitプレビューペインのコンテンツを更新します。

Streamlitアプリとの連動¶

1. ブラウザのStreamlitアプリ、またはSnowflakeプレビューペインのStreamlitに移動します。

2. データについて自然言語で質問を始める（例: 「どんな質問ができますか？」）。

スタンドアロンStreamlitアプリの作成¶

コード例を使用してスタンドアロンアプリを構築することもできます。

1. Streamlit をインストールします。

2. analyst_api.py というPythonファイルをローカルに作成します。

3. GitHub リポジトリから Streamlitコード をファイルにコピーします。

4. プレースホルダーの値をあなたのアカウント詳細に置き換えます。

5. streamlit run analyst_api.py を使用してStreamlitアプリを実行します。

コードで指定されたデータベースとスキーマは、セマンティックモデル YAML ファイルのステージロケーションです。Snowflakeコネクタで使用されるロールは、セマンティックモデルで定義された基礎データにアクセスできる必要があります。

より包括的な実装については、Snowflake Samples GitHub リポジトリにある Cortex Analyst advanced SiS デモ をご参照ください。このリポジトリには、 Cortex Analyst をシームレスかつ堅牢にデプロイするためのさまざまな機能があらかじめ構成されています。

Cortex Analyst のコストのモニタリング¶

Cortex Analyst のクレジット消費量を表示するには、 CORTEX_ANALYST_USAGE_HISTORY ビュー を使用します。例:

SELECT * FROM SNOWFLAKE.ACCOUNT_USAGE.CORTEX_ANALYST_USAGE_HISTORY;

Cortex Analyst の使用状況は、 ACCOUNT_USAGE スキーマの METERING_HISTORY ビュー にも、 AI_SERVICES のサービスタイプで表示されます。