Anúncios da Summit - 26-29 de 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: Machine Learning Toolkit para 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 em ML do Snowflake Cortex.

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.