ML 함수¶
이러한 강력한 분석 함수는 머신 러닝을 통해 데이터에 대한 자동화된 예측과 인사이트를 제공합니다. Snowflake는 각 기능에 알맞은 유형의 모델을 제공하므로, 머신 러닝 전문가가 아니어도 이러한 모델을 활용할 수 있습니다. 데이터만 있으면 됩니다.
이 항목의 내용:
시계열 함수¶
이러한 기능은 시계열 데이터를 기반으로 머신 러닝 모델을 학습시켜 지정된 메트릭(예: 매출)이 시간의 경과에 따라 변하는 양상과 데이터의 다른 기능과 비교하여 어떻게 변하는지 확인합니다. 그러면 이 모델이 데이터에서 감지된 추세를 기반으로 인사이트 또는 예측 결과를 제공합니다.
기타 분석 함수¶
이러한 기능에는 시계열 데이터가 필요하지 않습니다.
분류 는 예측 가능성이 가장 높은 특징을 기준으로 행을 두 개 이상의 클래스로 정렬합니다.
Top Insights 는 놀라운 방식으로 메트릭에 영향을 미치는 차원과 값을 찾는 데 도움이 됩니다.
비용 고려 사항¶
ML 함수를 사용하면 저장소 및 컴퓨팅 비용이 발생합니다. 이러한 비용은 사용된 기능과 학습 및 예측에 사용된 데이터의 양에 따라 다릅니다.
발생하는 저장소 요금은 학습 단계 중에 생성된 ML 모델 인스턴스의 저장을 반영합니다. 모델 인스턴스와 연결된 오브젝트를 보려면 Account Usage 뷰 (ACCOUNT_USAGE.TABLES 및 ACCOUNT_USAGE.STAGES)로 이동합니다. 이러한 오브젝트는 null 데이터베이스 및 스키마 열과 함께 표시됩니다. 그러나 instance_id 열이 채워져, 이러한 오브젝트가 모델 인스턴스에 포함되어 있음을 나타냅니다. 이러한 오브젝트는 모델 인스턴스로 완전히 관리되며 오브젝트에 별도로 액세스하거나 삭제할 수 없습니다. 모델과 관련된 저장소 요금을 절감하려면 사용되지 않거나 더 이상 지원되지 않는 모델을 삭제하십시오.
Snowflake 컴퓨팅 비용에 대한 일반 정보는 컴퓨팅 비용 이해하기 섹션을 참조하십시오.
Snowpark에서 ML 함수 사용하기¶
session.call 은 ML 함수로 생성된 모델과 아직 호환되지 않습니다. Snowpark에서 이러한 모델을 호출하려면 여기에 표시된 대로 대신 session.sql 을 사용하십시오.
session.sql('call my_model!FORECAST(...)').collect()