Funções ML¶
Essas poderosas funções de análise fornecem previsões e insights automatizados sobre seus dados usando aprendizado de máquina. Snowflake fornece um tipo de modelo apropriado para cada recurso, para que você não precise ser um especialista em aprendizado de máquina para aproveitá-los. Tudo que você precisa são seus dados.
Neste tópico:
Funções de série temporal¶
Esses recursos treinam um modelo de aprendizado de máquina em seus dados de série temporal para determinar como uma métrica especificada (por exemplo, vendas) varia ao longo do tempo e em relação a outros recursos de seus dados. O modelo fornece insights ou previsões com base nas tendências detectadas nos dados.
Previsão prevê valores de métricas futuras a partir de tendências passadas em dados de séries temporais.
Detecção de anomalia sinaliza valores de métrica que diferem das expectativas típicas.
Outras funções de análise¶
Esses recursos não exigem dados de série temporal.
Classificação classifica as linhas em duas ou mais classes com base em seus recursos mais preditivos.
O Top Insights ajuda você a encontrar dimensões e valores que afetam a métrica de maneiras surpreendentes.
Considerações sobre custo¶
Ao usar funções de ML, você incorre em custos de armazenamento e computação. Esses custos variam dependendo do recurso utilizado e da quantidade de dados utilizados no treinamento e na previsão.
Os custos de armazenamento incorridos refletem o armazenamento das instâncias de modelo de ML criadas durante a etapa de treinamento. Para visualizar os objetos associados à sua instância de modelo, navegue até suas exibições Account Usage (ACCOUNT_USAGE.TABLES e ACCOUNT_USAGE.STAGES). Esses objetos aparecerão com colunas de esquema e banco de dados null. A coluna instance_id, no entanto, será preenchida, indicando que esses objetos estão contidos em uma instância do modelo. Esses objetos são totalmente gerenciados pela instância do modelo e não é possível acessá-los ou excluí-los separadamente. Para reduzir os custos de armazenamento associados aos seus modelos, exclua modelos não utilizados ou obsoletos.
Consulte Explicação dos custos de computação para obter informações gerais sobre os custos de computação do Snowflake.
Como usar as funções de ML no Snowpark¶
session.call ainda não é compatível com modelos criados por funções de ML. Para chamar esse modelo no Snowpark, use session.sql, conforme mostrado aqui.
session.sql('call my_model!FORECAST(...)').collect()