Junho de 2023¶

Tabelas Dinâmicas - Versão preliminar¶

Temos o prazer de anunciar a versão preliminar das tabelas dinâmicas.

As tabelas dinâmicas são os blocos de construção dos pipelines de transformação de dados declarativos. Eles simplificam significativamente a engenharia de dados no Snowflake e fornecem uma maneira confiável, econômica e automatizada de transformar seus dados para consumo. Em vez de definir as etapas de transformação de dados como uma série de tarefas e ter que monitorar dependências e agendamento, você pode simplesmente definir o estado final da transformação usando tabelas dinâmicas e deixar o complexo gerenciamento de pipeline por conta do Snowflake.

Para obter mais informações, consulte Tabelas dinâmicas.

Armazenamento compatível com Amazon S3 — Disponibilidade geral¶

Temos o prazer de anunciar a disponibilidade geral de suporte para acessar dados em armazenamento compatível com Amazon S3. Você pode criar estágios externos para erviços e dispositivos locais ou outros serviços e dispositivos de armazenamento em nuvem altamente compatíveis com a API REST do Amazon S3. Com esse recurso, você pode gerenciar, controlar e analisar seus dados com eficiência, independentemente de onde os dados estejam armazenados.

Para obter mais informações, consulte Como trabalhar com armazenamento compatível com Amazon S3.

Como passar referências de tabelas, exibições, funções e consultas para um procedimento armazenado — Versão preliminar¶

Temos o prazer de anunciar a versão preliminar da capacidade de passar referências de tabelas, exibições, funções e consultas para um procedimento armazenado.

Uma referência é um identificador exclusivo de uma tabela, exibição, função ou consulta. Quando você passa uma referência a um procedimento armazenado, o procedimento armazenado executa ações usando a função ativa ou funções secundárias do usuário que criou a referência. Por exemplo, se você estiver chamando um procedimento armazenado de direitos do proprietário, poderá criar e passar uma referência de uma tabela para permitir que o procedimento armazenado execute ações na tabela usando sua função ativa.

Além disso, se a tabela, exibição ou função não for totalmente qualificada, o nome do objeto será resolvido usando o banco de dados e o esquema atuais quando a referência foi criada (ou seja, o banco de dados e o esquema do usuário que criou a referência).

Para obter mais informações, consulte Como passar referências de tabelas, exibições, funções e consultas para procedimentos armazenados.

Snowpark ML: machine learning em escala — Versão preliminar¶

Temos o prazer de anunciar a versão preliminar do Snowpark ML. O Snowpark ML é um conjunto de ferramentas Python, incluindo SDKs e infraestrutura subjacente, para criar e implantar modelos de aprendizado de máquina no Snowflake. Esta versão preliminar inclui classes de pré-processamento e modelagem com base em bibliotecas populares de aprendizado de máquina, como scikit-learn, xgboost e lightgbm.

O Snowpark ML funciona com Snowpark Python. Você usa o Snowpark DataFrames para armazenar seus dados de treinamento ou teste e receber seus resultados de previsão.

Para obter mais informações, consulte Snowpark ML: aprendizado de máquina ponta a ponta no Snowflake.

Funções com base em ML — Versão preliminar¶

Temos o prazer de anunciar a versão preliminar de três novas ferramentas de análise alimentadas por algoritmos de aprendizado de máquina.

Esses três recursos treinam um modelo de aprendizado de máquina em seus dados de série temporal para determinar como uma métrica especificada varia ao longo do tempo e em relação a outros recursos. O modelo fornece insights e previsões com base nas tendências detectadas nos dados.

• Previsão: prevê valores de métricas futuras a partir de tendências em dados históricos.

• Detecção de anomalias: sinaliza valores de métricas que diferem das expectativas típicas.

• Contribution Explorer: ajuda a encontrar dimensões e valores que afetam a métrica de maneiras surpreendentes.

Para obter mais informações, consulte Funções baseadas no Snowflake Cortex ML.

Native Applications Framework — Versão preliminar¶

Temos o prazer de anunciar a versão preliminar do Native Apps Framework, que permite criar aplicativos de dados que expandem as capacidades de outros recursos do Snowflake, compartilhando dados e a lógica de negócios relacionada com outras contas do Snowflake.

Para mais informações, consulte Sobre o Native Apps Framework e Tutorial: Desenvolvimento de um aplicativo com o Native Apps Framework.

Custom Event Billing para aplicativos — Versão preliminar¶

Temos o prazer de anunciar a versão preliminar do Custom Event Billing, um plano de preços baseado no uso que os provedores podem usar para cobrar dos consumidores pelo uso de aplicativos criados com o Snowflake Native Apps Framework.

Para mais informações, consulte Modelos de preços de listas pagas e Como adicionar eventos faturáveis a aplicativos.

Marketplace Capacity Drawdown Program — Disponibilidade Geral¶

Temos o prazer de anunciar a disponibilidade geral do Marketplace Capacity Drawdown Program , que permite que clientes elegíveis com um contrato de capacidade na Snowflake paguem por listagens com sua capacidade comprometida.

Ver Pagamento de listagens para obter mais informações.

Suporte à replicação do Snowpipe Streaming — Versão preliminar¶

Neste lançamento, temos o prazer de anunciar o suporte do Snowpipe Streaming com replicação do Snowflake. Snowflake oferece suporte à replicação e failover de tabelas Snowflake preenchidas por Snowpipe Streaming e seus offsets de canal associados de uma conta de origem para uma conta de destino em diferentes regiões e em plataformas de nuvem com replicação. O Snowpipe Streaming oferece suporte à replicação de banco de dados e replicação baseada em grupo.

Para obter mais informações, consulte Replicação e Snowpipe Streaming.

Procedimentos anônimos — Disponibilidade geral¶

Com esta versão, temos o prazer de anunciar a disponibilidade geral de suporte para a criação de procedimentos anônimos. Um procedimento anônimo é semelhante a um procedimento armazenado, mas não é armazenado para uso posterior.

Você pode criar um procedimento anônimo usando a sintaxe WITH…CALL. Com este comando, ambos criam um procedimento anônimo definido por parâmetros na cláusula WITH e chamam esse procedimento. Você não precisa ter uma função com privilégios do esquema CREATE PROCEDURE para este comando.

Como ler arquivos com uma função Java ou manipulador de procedimento — Disponibilidade geral¶

Neste lançamento, temos o prazer de anunciar a disponibilidade geral de suporte à leitura de arquivos preparados com um UDF ou código do manipulador de procedimento escrito em Java.

Para obter mais informações, consulte Como ler um arquivo com uma UDF de Java e Como ler um arquivo com procedimento Java.

Como ler arquivos com uma função Scala ou manipulador de procedimento — Versão preliminar¶

Neste lançamento, temos o prazer de anunciar a versão preliminar do suporte à leitura de arquivos preparados com um UDF ou código do manipulador de procedimento escrito em Scala.

Para obter mais informações, consulte Como ler um arquivo com uma UDF de Scala e Como ler um arquivo com um procedimento Scala.

Como ler arquivos com uma função ou procedimento Python — Versão preliminar¶

Neste lançamento, temos o prazer de anunciar uma versão preliminar do suporte à Python para leitura de arquivos com a classe SnowflakeFile.

SnowflakeFile é uma nova classe no módulo snowflake.snowpark.files que fornece acesso dinâmico de leitura para arquivos em um estágio interno ou externo. Com SnowflakeFile, você pode transmitir arquivos para realizar tarefas como ler dados não estruturados ou usar seu próprio modelo de aprendizado de máquina em uma função definida pelo usuário (UDF), função de tabela definida pelo usuário (UDTF) ou procedimento armazenado.

Para obter mais informações, consulte:

• Como ler um arquivo de um manipulador UDF Python

• Como ler arquivos de uma UDF com a API do Snowpark

• Como ler um arquivo de um manipulador de procedimento armazenado Python

• Como ler arquivos de um procedimento armazenado com a API do Snowpark

Detecção de esquema para JSON e CSV — Versão preliminar¶

Neste lançamento, temos o prazer de anunciar uma versão preliminar do recurso de detecção de esquema para JSON e CSV. O recurso de detecção de esquema usa a função INFER_SCHEMA para detectar automaticamente o esquema em um conjunto de arquivos de dados preparados e recuperar as definições de coluna. A função INFER_SCHEMA geralmente disponível se aplica aos arquivos Apache Parquet, Apache Avro e ORC. Esta função de versão preliminar expande o suporte para incluir arquivos JSON e CSV.

Para obter mais informações, consulte Detecção de definições de colunas em arquivos de dados semiestruturados preparados.

Evolução do esquema da tabela — Versão preliminar¶

Neste lançamento, temos o prazer de anunciar uma versão preliminar do recurso de evolução do esquema da tabela. A estrutura das tabelas no Snowflake pode agora evoluir automaticamente para oferecer suporte à estrutura de novos dados recebidos das fontes de dados. Snowflake permite adicionar novas colunas ou descartar a restrição NOT NULL de colunas ausentes em novos arquivos de dados e oferece suporte para descartar colunas ou alterar o tipo de dados, comprimento ou precisão de colunas existentes.

Para habilitar a evolução do esquema da tabela, você pode definir o parâmetro ENABLE_SCHEMA_EVOLUTION como TRUE quando você cria ou altera uma tabela.

Para obter mais informações, consulte Evolução do esquema da tabela.

Controle de acesso: novo privilégio para delegar o gerenciamento do warehouse — Versão preliminar¶

Neste lançamento, temos o prazer de anunciar uma versão preliminar do novo privilégio para gerenciar warehouses.

Se você precisar delegar a capacidade de alterar, suspender ou retomar qualquer warehouse em sua conta para uma função personalizada, você pode conceder o privilégio MANAGE WAREHOUSES para esta função. A concessão do privilégio MANAGE WAREHOUSES é equivalente a conceder os privilégios MODIFY, MONITOR e OPERATE em todos os warehouses da conta.

Para obter mais informações, consulte Como delegar o gerenciamento do warehouse.

Novas funções de SQL¶

A(s) seguinte(s) função(ões) agora está(ão) disponível(is) neste lançamento:

Melhor desempenho para instruções SELECT com claúsulas LIMIT e ORDER BY — Disponibilidade geral¶

Neste lançamento, temos o prazer de anunciar que o desempenho de algumas instruções SELECT de longa duração com ambas as cláusulas LIMIT e ORDER BY foi significativamente melhorado. Esta melhoria está imediatamente disponível para todos os clientes sem nenhum custo adicional.

A melhoria funciona removendo micropartições que não podem afetar os resultados dessas consultas «top K». A remoção adicional se aplica a consultas em que um valor representável por número inteiro (carimbo de data/hora ou número inteiro ou variante explicitamente convertida em número inteiro, mas não uma expressão) é a primeira ou a única coluna especificada na cláusula ORDER BY. Se a consulta contiver uma cláusula JOIN, a coluna ORDER BY deve ser da tabela de fatos (ou lado da investigação), geralmente a maior das duas tabelas.

As consultas em tabelas pequenas geralmente não se beneficiam dessa melhoria. Consultas que retornam menos do que o número de linhas especificado na cláusula LIMIT, ou que usam agregações, também não se beneficiam.

Observe que nem todas as consultas, nem mesmo todas as consultas que atendem a esses requisitos, serão beneficiadas.

Para obter mais informações sobre micropartições e remoção de consultas, consulte Micropartições e clustering de dados.

Suporte para Python 3.10 no Snowpark, UDFs, UDTFs e procedimentos armazenados — Versão preliminar¶

Neste lançamento, temos o prazer de anunciar o suporte para Python 3.10 no Snowpark Python, UDFs Python, UDTFs Python e procedimentos armazenados Python como um recurso de versão preliminar para todas as contas.

Para obter mais informações, consulte:

• Configuração do seu ambiente de desenvolvimento para o Snowpark Python

• Introdução a UDFs de Python

• Como escrever procedimentos armazenados em Python

Suporte para Python 3.9 no Snowpark, UDFs e procedimentos armazenados — Versão preliminar¶

Neste lançamento, temos o prazer de anunciar o suporte para Python 3.9 no Snowpark Python, UDFs Python e procedimentos armazenados Python como um recurso de versão preliminar para todas as contas.

Para obter mais informações, consulte:

• Configuração do seu ambiente de desenvolvimento para o Snowpark Python

• Introdução a UDFs de Python

• Como escrever procedimentos armazenados em Python

UDFs, UDTFs e procedimentos armazenados passam argumentos por nome¶

Ao chamar uma UDF, UDTF ou procedimento armazenado, agora você pode passar argumentos por nome, além de por posição.

Por exemplo, suponha que você criou uma UDF com a seguinte instrução:

CREATE OR REPLACE FUNCTION add_numbers (n1 NUMBER, n2 NUMBER)
  RETURNS NUMBER
  AS 'n1 + n2';

Para passar os argumentos por nome, especifique o nome do argumento seguido de => e o valor do argumento. Por exemplo:

SELECT add_numbers(n1 => 10, n2 => 5);

Você pode passar os argumentos em qualquer ordem:

SELECT add_numbers(n2 => 5, n1 => 10);

Para obter mais informações, consulte:

• Como chamar uma UDF

• Chamada de um procedimento armazenado

Se houver várias funções ou procedimentos com o mesmo nome, o mesmo número de argumentos e diferentes tipos de dados para os argumentos, você poderá especificar os nomes dos argumentos na chamada para indicar qual função ou procedimento deve ser executado. Os nomes dos argumentos especificados na chamada têm precedência sobre as posições dos argumentos. Para obter mais informações, consulte Sobrecarga de procedimentos e funções.

Por fim, as seguintes funções internas oferecem suporte à passagem de argumentos por nome:

• CHECK_XML

• PARSE_XML

• ROUND

Trabalhe com os próximos recursos de ML do Snowflake¶

Esta versão apresenta um novo esquema, «ML», para o banco de dados Snowflake, juntamente com uma função de banco de dados ML_USER SNOWFLAKE, que é concedida à função PUBLIC em todas as contas Snowflake contendo um banco de dados SNOWFLAKE compartilhado.

Para obter mais informações, consulte:

• O esquema ML no banco de dados SNOWFLAKE

• Funções de banco de dados SNOWFLAKE

O esquema, as funções e os privilégios oferecem suporte aos recursos que serão disponibilizados em versão preliminar pública no Snowflake Summit 2023.

Exibição ACCOUNTS (Uso da organização) — Versão preliminar¶

Neste lançamento, temos o prazer de anunciar a versão preliminar da exibição ACCOUNTS no esquema ORGANIZATION_USAGE. A exibição ACCOUNTS permite que um administrador da organização obtenha detalhes sobre as contas de uma organização, incluindo contas excluídas no último ano.

Para obter mais informações, consulte Exibição ACCOUNTS.

Suporte a REPLACE_INVALID_CHARACTERS para Avro, Parquet, Orc e XML¶

Neste lançamento, temos o prazer de anunciar que os comandos COPY INTO e CREATE EXTERNAL TABLE oferecem suporte à opção de formato de arquivo REPLACE_INVALID_CHARACTERS para Avro, Parquet, Orc e XML. Anteriormente, esta opção de formato de arquivo só funcionava com CSV e JSON.

Para obter mais informações, consulte CREATE FILE FORMAT.

Política de mascaramento baseada em tags: suporte para banco de dados e esquema — Versão preliminar¶

Neste lançamento, temos o prazer de anunciar a versão preliminar da configuração de uma política de mascaramento baseada em tags em um banco de dados e esquema. Esta atualização permite que os engenheiros de dados protejam todas as colunas em um esquema ou banco de dados quando o tipo de dados da coluna corresponder ao tipo de dados da política definida na tag. Além disso, uma nova coluna é protegida quando seu tipo de dados corresponde ao tipo de dados da política definida na tag. A definição da política de mascaramento baseada em tags no banco de dados ou esquema simplifica o gerenciamento de proteção de dados porque você pode definir a política baseada em tags uma vez e não precisa definir uma política de mascaramento em cada coluna no banco de dados ou esquema.

Para obter mais informações, consulte Políticas de mascaramento baseadas em tags.

Histórico de acesso: rastreamento de objetos modificados por uma operação DDL — Versão preliminar¶

Neste lançamento, temos o prazer de anunciar a versão preliminar do rastreamento de objetos modificados por uma operação DDL na exibição ACCESS_HISTORY do Account Usage. Essas operações incluem:

• Rastrear como as atribuições de tag e da política se alteram.

• Rastrear o ciclo de vida da tabela e da coluna.

A coluna object_modified_by_ddl registra essas alterações. Você pode usar esta coluna para aprimorar suas práticas de auditoria de dados e detectar novos objetos a serem classificados para atender aos requisitos de detecção PII.

Para obter mais informações, consulte Histórico de acesso.

Carregamento de arquivos de um estágio para uma tabela — Disponibilidade geral¶

Neste lançamento, temos o prazer de anunciar a disponibilidade geral do carregamento de arquivos de um estágio para uma tabela usando o Snowsight.

Para obter mais informações, consulte Carregamento de um arquivo de um estágio em uma tabela existente.

Novas organizações só têm acesso ao Snowsight¶

A partir de 30 de maio de 2023, as novas organizações do Snowflake terão acesso apenas ao Snowsight e não terão mais acesso ao console clássico.

Para obter mais informações, consulte Sobre a atualização do Snowsight.