Většina obchodních týmů nemá nedostatek dat. Chybí jim však odpovědi, kterým mohou důvěřovat a které mohou získat rychle.
Není tedy překvapením, že mnoho datových týmů stále tráví přibližně 70 % svého času přípravou a čištěním dat, než se mohou pustit do samotné analýzy.
Snowflake Cortex Analyst je navržen tak, aby tento cyklus přerušil. Namísto překládání obchodních otázek do SQL ticketů mohou týmy pomocí něj klást otázky přímo v běžné angličtině a získávat odpovědi přímo ze svého datového skladu.
V tomto příspěvku se podíváme na to, jak používat Snowflake Cortex pro business intelligence, jak funguje v pozadí, kde přináší skutečnou hodnotu a kde týmy často narážejí na limity.
Co je Snowflake Cortex Analyst
Snowflake Cortex Analyst je plně spravovaná služba umělé inteligence v rámci Snowflake Data Cloud. Umožňuje vám klást otázky týkající se vašich strukturovaných dat pomocí běžné angličtiny.
Představte si to jako překladatel, který automaticky převádí vaše konverzační otázky na složité dotazy SQL. To je užitečné pro samoobslužnou analytiku. Poskytuje všem přístup k datovým informacím bez ohrožení bezpečnosti, kontroly přístupu a správy dat.
Cortex Analyst je součástí větší sady Snowflake Cortex AI, která zahrnuje řadu funkcí pro práci s velkými jazykovými modely (LLM).
Klíčové funkce pro samoobslužnou analytiku
Cortex Analyst je navržen tak, aby usnadnil život vašim datovým týmům tím, že umožňuje obchodním uživatelům najít si vlastní odpovědi. Zde je přehled jeho výhod:
- Rozhraní v přirozeném jazyce: Můžete zadávat otázky jako „Které produkty se minulý měsíc nejlépe prodávaly na severovýchodě?“ místo psaní kódu pro získání odpovědí.
- Integrace sémantického modelu: Tato funkce propojuje obchodní termíny, které používáte každý den („tržby“ nebo „zákazník“), s technickými názvy sloupců ve vaší databázi.
- Ověřené dotazy: V případě důležitých, často kladených otázek můžete předem schválit konkrétní dvojice otázek a odpovědí, abyste zajistili přesnost.
- Uchování kontextu: Nástroj si pamatuje, na co jste se již ptali, takže můžete klást doplňující otázky, aniž byste museli začínat od začátku.
- Indikátory důvěryhodnosti: Abychom vám pomohli důvěřovat odpovědím, poskytujeme skóre důvěryhodnosti a zobrazujeme přesný SQL kód, který byl vygenerován.
Jaké je tajemství, které za tím stojí? Sémantický model. Funguje jako slovník, který překládá to, jak váš tým hovoří o podnikání, do jazyka, kterému databáze rozumí.
Jak funguje Cortex Analyst
Proces je velmi jednoduchý.
Nejprve zadáte otázku do chatového rozhraní. Cortex Analyst pak prozkoumá svůj sémantický model – konfigurační soubor, který vytvoříte – aby pochopil obchodní kontext vašich slov. Na základě tohoto kontextu generuje základní LLM dotaz SQL.
Tento dotaz se spustí přímo ve vašich tabulkách v Snowflake a výsledky se vám vrátí v chatu spolu s použitým kódem SQL. Tato transparentnost je klíčem k budování důvěry. A protože se vše odehrává uvnitř vašeho účtu Snowflake, vaše data nikdy neopustí vaše zabezpečené prostředí. ✨
Jak vytvořit aplikaci Cortex Analyst?
Vytvoření aplikace Cortex Analyst není teoreticky obtížné, ale v praxi to málokdy bývá jednoduché. Technologie funguje pouze tak dobře, jak dobře funguje struktura kolem ní.
Váš tým možná tráví mnohem více času čištěním dat, definováním obchodního významu a formováním uživatelské zkušenosti než samotným propojením AI.
Dobrou zprávou je, že vytvoření aplikace Cortex Analyst se dá shrnout do tří základních komponent: čistá data, dobře definovaný sémantický model a chatové rozhraní. Snowflake poskytuje nástroje, ale vaším hlavním úkolem je převést chaotickou, reálnou obchodní logiku vašeho týmu do strukturované vrstvy, kterou umělá inteligence dokáže pochopit.
Abyste to zvládli dobře, musíte:
1. Připravte si datový soubor
Cortex Analyst je výkonný nástroj, ale neumí číst myšlenky. Nejlépe funguje s čistými, dobře strukturovanými daty uloženými ve vašich tabulkách nebo zobrazeních Snowflake. Pokud jsou vaše data neuspořádaná, budou neuspořádané i vaše odpovědi. Jedná se o klasický problém „garbage in, garbage out“ (co tam dáte, to tam máte).
Chcete-li se připravit na úspěch, zaměřte se na tyto kroky přípravy dat:
- Normalizujte konvence pojmenování: Používejte jasné, popisné názvy sloupců, které odpovídají vašemu obchodnímu jazyku. Například pojmenujte sloupec monthly_recurring_revenue namísto mrr_val.
- Vytvářejte agregované pohledy: Pokud váš tým neustále žádá o stejné metriky, předem je vypočítejte v souhrnné tabulce nebo pohledu. Díky tomu budou dotazy rychlejší a spolehlivější.
- Vztahy mezi dokumenty: Ujistěte se, že spojení (nebo propojení) mezi tabulkami jsou logická a jasně definovaná.
- Odstraňte nejednoznačnost: Vyhněte se používání stejného názvu sloupce v různých tabulkách pro různé věci, protože to mate AI.
Většina týmů začíná s časovými řadami dat (například denními tržbami) nebo transakčními záznamy (například objednávkami zákazníků) jako základem pro svou první aplikaci BI.
📚 Přečtěte si také: Jak používat AI pro analýzu dat
2. Vytvořte sémantický model
Sémantický model je mozkem vaší aplikace Cortex Analyst. Jedná se o soubor YAML (Yet Another Markup Language), který vytvoříte, abyste naučili AI jedinečný jazyk vaší společnosti. Představte si to jako podrobný návod k použití pro AI.
Zde je to, co v něm definujete:
- Tabulky: Konkrétní tabulky nebo pohledy Snowflake, které může AI dotazovat.
- Sloupce: Popisy jednotlivých datových polí v srozumitelné angličtině, včetně synonym, která může váš tým používat.
- Metriky: Definice vypočítaných obchodních ukazatelů, jako je profit_margin (zisková marže) nebo customer_lifetime_value (celková hodnota zákazníka).
- Vztahy: Jak se různé tabulky navzájem propojují
- Ověřené dotazy: Sada předem schválených „zlatých“ párů otázek a SQL, které zaručují přesnost vašich nejdůležitějších obchodních otázek.
💡 Tip pro profesionály: Psaní efektivních popisů sloupců je zásadní. Buďte konkrétní. U sloupce s názvem order_status by váš popis měl vysvětlovat, co každý stavový kód znamená. Vytvoření tohoto modelu je iterativní proces; začnete se základní verzí a postupem času ji budete vylepšovat na základě zpětné vazby od uživatelů.
3. Vytvořte chatovací rozhraní
Jakmile jsou vaše data a sémantický model připraveny, potřebujete místo, kde mohou uživatelé klást otázky. Snowflake vám nabízí dvě možnosti:
- Prvním z nich je Streamlit. Jedná se o framework založený na jazyce Python, který slouží k vytváření interaktivních webových aplikací přímo ve vašem prostředí Snowflake. Jedná se o nejrychlejší způsob, jak zprovoznit prototyp.
- Druhou možností je REST API, které vám umožňuje zabudovat funkce Cortex Analyst do vašich vlastních aplikací.
V obou případech je uživatelská zkušenost tím nejdůležitějším. Neohrabané a matoucí rozhraní odradí lidi od používání nástroje, i když je samotná AI chytrá. Většina organizací začíná s jednoduchou aplikací Streamlit pro interní testování a poté zkoumá možnosti integrace vlastních API pro širší nasazení.
Příklady použití v praxi pro týmy zabývající se business intelligence
Skutečná síla Cortex Analyst se projeví, když jej použijete na konkrétní, opakující se otázky, které zpomalují vaše týmy. Jde o to zkrátit čas potřebný k získání rutinních odpovědí.
Některé konkrétní scénáře, ve kterých Cortex Analyst vyniká jako konverzační analytický nástroj:
- Prodejní týmy se mohou během revize pipeline zeptat: „Jaký byl náš celkový výnos podle regionů za poslední čtvrtletí?“, místo aby čekaly na zprávu.
- Marketingové týmy mohou přímo uprostřed strategické schůzky položit otázku: „Jak si vedla nová reklamní kampaň na Facebooku ve srovnání s Googlem minulý týden?“
- Finanční týmy mohou vygenerovat ad hoc zprávy o odchylkách rozpočtu zadáním dotazu „Ukažte mi rozdíl mezi plánovanými a skutečnými výdaji pro technické oddělení“.
- Provozní týmy mohou sledovat klíčové ukazatele výkonnosti (KPI) v reálném čase pomocí otázek jako „Jaká je naše aktuální doba vyřízení objednávky?“
- Vedení může získat okamžité odpovědi při přípravě na zasedání představenstva a zeptat se: „Jakých je 10 nejvýznamnějších účtů podle tržeb v tomto roce?“
Všimli jste si určitého vzorce? Cortex Analyst vyniká v odpovídání na strukturované, kvantitativní otázky. Není určen pro hloubkovou, explorativní analýzu dat.
Propojení business intelligence s vaším skutečným pracovním postupem pomocí ClickUp
Řekněme, že jste uprostřed revize pipeline a někdo se zeptá: „Jaký byl náš celkový výnos podle regionů za poslední čtvrtletí?“ S Cortex Analyst můžete položit tuto otázku v běžné angličtině a okamžitě získat jasnou, strukturovanou odpověď. To samo o sobě je velký krok vpřed.
Ale pak se obvykle stane toto. Zjistíte, že EMEA zaostává. Někdo navrhne prozkoumat rychlost uzavírání obchodů. Jiný upozorní na problém s personálem. Schůzka skončí – a poznatky zůstanou v okně chatu, zatímco následná práce se rozptýlí do desítek nástrojů.
Proto jsou ClickUp Dashboards a AI Cards lepší alternativou.
AI karty jsou nástroje, které můžete přidat do jakéhokoli dashboardu a které generují souhrny, poznatky a zprávy přímo tam, kde pracujete. Pokud jsou vaše data uložena v ClickUp, můžete položit stejnou otázku pomocí AI Brain Card v ClickUp. Jakmile se objeví odpověď, zůstane viditelná vedle úkolů a plánů vašeho týmu.
Místo toho, abyste tyto informace o tržbách nechali zmizet, můžete je připnout na sdílený dashboard vedle stavu pipeline, regionálních cílů a aktivních iniciativ.
Odtud můžete okamžitě přejít od slov k činům. Vytvořte úkol pro analýzu poklesu obchodů v regionu EMEA, přiřaďte mu vlastníka, nastavte termín splnění a sledujte pokrok na stejném místě, kde se nacházejí poznatky.
Stejný vzorec se objevuje všude:
- V marketingu se otázky týkající se výkonu kampaní mění v optimalizační úkoly.
- Ve financích se odchylky od rozpočtu stávají předmětem následných kontrol.
- V provozu vyvolávají změny KPI převzetí odpovědnosti a eskalaci.
Díky nativní kontextové umělé inteligenci ClickUp nezískáte jen rychlé odpovědi. Také se ujistíte, že odpověď skutečně změní další vývoj.
Zabezpečení a řízení přístupu v Cortex Analyst
👀 Věděli jste? 97 % organizací, které utrpěly bezpečnostní incidenty související s AI, nemělo řádné kontroly přístupu k AI.
Strach z odhalení citlivých informací, porušení pravidel compliance nebo náhodného úniku dat je hlavní překážkou při zavádění nových BI nástrojů.
V čem se Cortex Analyst liší?
Nevytváří nové, nezabezpečené zadní vrátka k vašim datům. Namísto toho přebírá všechny bezpečnostní zásady, které jste již nastavili. Jeho integrace s nativním bezpečnostním modelem Snowflake také poskytuje týmům klid.
Takto chrání vaše data:
- Řízení přístupu na základě rolí (RBAC): Uživatelé mohou vidět pouze data, která jim povoluje jejich přiřazená role Snowflake. Pokud obchodní zástupce nemá přístup k datům HR, Cortex Analyst mu je nezobrazí.
- Zabezpečení na úrovni řádků: Můžete filtrovat, které konkrétní záznamy uživatelé uvidí. Například regionální manažer může mít přístup pouze k datům pro své vlastní území.
- Maskování dat: Citlivé informace, jako jsou osobní údaje (PII), lze automaticky skrýt nebo redigovat ve výsledcích dotazů.
- Auditní protokolování: Každá položená otázka a každý spuštěný dotaz se zaznamenává, čímž se vytváří jasná auditní stopa pro účely dodržování předpisů a monitorování.
Můžete dokonce vytvořit různé sémantické modely pro různé skupiny uživatelů a dále omezit, na co se mohou ptát. Data během zpracování nikdy neopustí zabezpečený prostor vašeho účtu Snowflake.
📮ClickUp Insight: 88 % respondentů našeho průzkumu používá AI pro své osobní úkoly, ale více než 50 % se bojí ji používat v práci. Tři hlavní překážky? Nedostatečná integrace, mezery ve znalostech nebo obavy o bezpečnost.
Ale co když je AI zabudována do vašeho pracovního prostoru a je již zabezpečená? ClickUp Brain, vestavěný AI asistent ClickUp, to umožňuje. Rozumí pokynům v běžném jazyce, řeší všechny tři obavy spojené s přijetím AI a zároveň propojuje váš chat, úkoly, dokumenty a znalosti v celém pracovním prostoru.
Najděte odpovědi a poznatky jediným kliknutím!
Časté chyby analytiků Cortexu a jak se jim vyhnout
I ty nejchytřejší nástroje AI mohou selhat, pokud nejsou implementovány promyšleně. Zde jsou nejčastější pasti, do kterých týmy padají, a jak se jim můžete vyhnout:
- Nejasné popisy sémantického modelu: Pokud jsou popisy sloupců obecné, LLM musí hádat, co máte na mysli, a často se bude mýlit ✅ Místo toho: Pište popisy tak, jako byste data vysvětlovali novému zaměstnanci. Buďte konkrétní a uveďte obchodní kontext.
- ✅ Místo toho: Popisy pište tak, jako byste data vysvětlovali novému zaměstnanci. Buďte konkrétní a uveďte obchodní kontext.
- Přeskočení ověřených dotazů: Bez předem schválených příkladů pro vaše nejdůležitější metriky nemůžete zaručit přesnost u kritických otázek ✅ Místo toho: Identifikujte svých 10–20 nejdůležitějších obchodních otázek a vytvořte pro ně ověřené dotazy hned od prvního dne.
- ✅ Místo toho: Identifikujte 10–20 nejdůležitějších obchodních otázek a vytvořte pro ně ověřené dotazy hned od prvního dne.
- Přetížení sémantického modelu: Pokus o zahrnutí všech tabulek do datového skladu od samého začátku vede k nejednoznačnosti a zpomaluje AI. ✅ Místo toho: Začněte s cíleným modelem, který obsahuje pouze nejcennější a nejčastěji používaná data pro jeden konkrétní případ použití.
- ✅ Místo toho: Začněte s cíleným modelem obsahujícím pouze nejcennější a nejčastěji používaná data pro jeden konkrétní případ použití.
- Ignorování zpětné vazby od uživatelů: Nepovažujte první verzi svého sémantického modelu za dokonalou ✅ Místo toho: Vytvořte do své aplikace jednoduchý mechanismus zpětné vazby a každou nesprávnou odpověď považujte za příležitost ke zlepšení svého modelu.
- ✅ Místo toho: Vytvořte do své aplikace jednoduchý mechanismus zpětné vazby a každou nesprávnou odpověď považujte za příležitost ke zlepšení svého modelu.
- Očekávání dokonalosti: LLM mohou „halucinovat“ nebo si vymýšlet. Nevěřte slepě odpovědím ✅ Místo toho: Vždy povzbuzujte uživatele, aby při důležitých rozhodnutích zkontrolovali vygenerovaný SQL.
- ✅ Místo toho: Vždy doporučujte uživatelům, aby při důležitých rozhodnutích zkontrolovali vygenerovaný SQL.
- ✅ Místo toho: Popisy pište tak, jako byste data vysvětlovali novému zaměstnanci. Buďte konkrétní a uveďte obchodní kontext.
- ✅ Místo toho: Identifikujte 10–20 nejdůležitějších obchodních otázek a vytvořte pro ně ověřené dotazy hned od prvního dne.
- ✅ Místo toho: Začněte s cíleným modelem obsahujícím pouze nejcennější a nejčastěji používaná data pro jeden konkrétní případ použití.
- ✅ Místo toho: Vytvořte do své aplikace jednoduchý mechanismus zpětné vazby a každou nesprávnou odpověď berte jako příležitost ke zlepšení svého modelu.
- ✅ Místo toho: Vždy doporučujte uživatelům, aby při důležitých rozhodnutích zkontrolovali vygenerovaný SQL.
Jak testovat a vylepšovat výsledky Cortex Analyst
Spustili jste svou aplikaci, ale jak zjistíte, zda skutečně funguje? Nemůžete se spoléhat pouze na odpovědi umělé inteligence. Potřebujete rámec pro měření výkonu:
- Vytvořte testovací sadu: Před spuštěním sestavte seznam běžných obchodních otázek, na které existují známé a ověřitelné odpovědi.
- Porovnejte generovaný SQL: U každé testovací otázky zkontrolujte SQL, který generuje Cortex Analyst. Dává logika smysl? Spojuje tabulky správně?
- Sledujte přesnost v čase: Sledujte, jak často uživatelé dostávají správnou odpověď. Toho dosáhnete přidáním tlačítka „Bylo to užitečné?“ do svého chatového rozhraní.
- Opakujte sémantický model: Využijte každý neúspěšný dotaz nebo negativní zpětnou vazbu jako vodítko. Tyto momenty odhalují mezery ve vašich sémantických definicích nebo oblasti, kde je třeba přidat ověřený dotaz.
🤝 Přátelské připomenutí: Začněte testováním otázek s vysokou frekvencí a nízkou složitostí, abyste si vybudovali pevný základ. Jakmile získáte sebevědomí, můžete přejít k složitějším okrajovým případům.
Omezení Snowflake Cortex
Cortex Analyst nevyřeší všechny analytické problémy vašeho týmu. Možná budete muset doplnit dalšími nástroji, což zvýší počet nástrojů ve vaší společnosti.
Než se do toho pustíte naplno, je důležité mít realistické představy o tom, co Cortex Analyst dokáže a co ne. Zde jsou jeho současné limity:
- Funguje pouze se strukturovanými daty: Nelze analyzovat nestrukturované informace, jako je text z dokumentů, obrázky nebo zvukové soubory.
- Je založen na SQL: Každá odpověď je výsledkem dotazu SQL. Nelze provádět složitější analýzy ani spouštět predikce strojového učení.
- Záleží to zcela na sémantickém modelu: Přesnost odpovědí je závislá na kvalitě definic, které zadáte. Špatně definovaný model bude produkovat špatné výsledky.
- Vyžaduje to určitou dobu na osvojení: Vytvoření a údržba vysoce kvalitního sémantického modelu vyžaduje technické znalosti a neustálé úsilí.
- Je třeba zvážit náklady: Účtují se vám výpočetní kredity použité pro LLM inferenci a provádění dotazů, které se při velkém objemu použití mohou nasčítat.
- Nemá integraci pracovních postupů: Cortex Analyst odpovídá na otázky, ale nepomáhá vám s těmito odpověďmi nic dělat.
Hledáte chytřejší nástroje pro vizualizaci dat založené na umělé inteligenci? Podívejte se na toto video!
Když organizace hledají alternativu k Snowflake Cortex
Omezení Cortexu znamenají, že i s rychlejšími daty se projekty stále pohybují pomalu. Týmy musí ručně převádět zjištění do úkolů, plánů a konverzací v jiných nástrojích.
Týmy začnou hledat alternativu, když čelí:
- Mezery v pracovních postupech: Neexistuje způsob, jak přímo převést poznatky z dat na proveditelný úkol nebo projektový plán.
- Potřeby spolupráce: Diskuse o důsledcích zprávy vyžaduje přepnutí na Slack nebo e-mail, což může vést ke ztrátě kontextu.
- Problémy s mezifunkční viditelností: Poznatky datového týmu je třeba propojit s marketingovými kampaněmi, produktovými plány a inženýrskými sprinty, ale zůstávají izolované.
Když už každý den přepínáte mezi více než 9 aplikacemi, další analytický nástroj je to poslední, co potřebujete. Nechtěli byste raději mít analytiku přímo zabudovanou do svého pracovního prostředí?
Gartner potvrzuje tento trend. Předpovídá, že do roku 2027 bude 75 % analytického obsahu kontextualizováno pro inteligentní aplikace pomocí generativní AI.
ClickUp jako alternativa k Snowflake Cortex
Pokud potřebujete propojené pracovní prostředí, kde spolu koexistují data, projekty, dokumenty a komunikace, ClickUp je tou správnou volbou.
Už jsme viděli, jak dashboardy ClickUp a výkonné AI karty eliminují izolované poznatky.
Jako první konvergovaný AI pracovní prostor na světě vám ClickUp může dále pomoci vytvořit plynulý pracovní postup od dat po akci:
- Sledujte pokrok svého týmu na první pohled díky dashboardům ClickUp: Získejte přehled o svých pracovních datech, včetně pokroku úkolů, pracovní zátěže týmu a výkonu projektů – vše na jednom místě, kde spravujete své projekty. Filtrujte karty, plánujte zprávy a používejte podrobné pohledy pro detailní informace.
- Najděte odpovědi okamžitě ve svém pracovním prostoru s ClickUp Brain: Jděte nad rámec strukturovaných dat a pokládejte otázky týkající se vašich úkolů ClickUp, dokumentů ClickUp a konverzací. Stačí napsat @Brain do komentáře k úkolu nebo do chatu ClickUp a získáte okamžité odpovědi s ohledem na kontext.
- Okamžitě reagujte na poznatky pomocí propojených pracovních postupů: Když ClickUp Brain odhalí nějaký poznatek, můžete okamžitě vytvořit úkol, přiřadit jej členovi týmu a nastavit termín splnění – to vše bez opuštění konverzace.
- Sdílejte a spolupracujte na poznatcích pomocí ClickUp Docs: Dokumentujte své poznatky, vytvářejte zprávy a spolupracujte se zainteresovanými stranami v ClickUp Doc, který je přímo propojen s relevantními úkoly a projekty.
- Ušetřete čas a omezte manuální práci díky automatizacím ClickUp: Nastavte automatizace, které spouštějí akce, jako je odeslání e-mailu nebo změna stavu úkolu, na základě podmínek, které definujete.
ClickUp vs. Snowflake Cortex Analyst: Shrnutí
| Schopnosti | Analytik Snowflake Cortex | ClickUp |
|---|---|---|
| Dotazy v přirozeném jazyce | Ano (pouze strukturovaná data) | Ano (ve všech datech pracovního prostoru) |
| Integrace pracovních postupů | Ne | Nativní správa úkolů a projektů |
| Týmová spolupráce | Omezeno | Integrované dokumenty, komentáře a chat pro živou a asynchronní spolupráci |
| Mezifunkční viditelnost | Pouze datový sklad | Kompletní pracovní kontext |
| Akce na základě poznatků | Je nutný ruční export | Přímé vytváření úkolů |
Přejděte od poznatků k akci rychleji s ClickUp
Konverzační analytika mění způsob, jakým týmy pracují s daty. Skutečnou výzvou však stále zůstává překlenutí propasti mezi „vědět“ a „dělat“.
Nejúčinnější týmy optimalizují své BI nástroje ve třech oblastech:
- Informace s odpovědností: Odpovědi by měly vést přímo k úkolům, rozhodnutím a odpovědným vlastníkům – neměly by zmizet v chatových protokolech nebo dashboardech.
- Kontext nad jednoduchými dotazy: Poznatky jsou cennější, když jsou propojeny s projekty, časovými osami a konverzacemi týmu.
- Integrované provádění: Čím kratší je vzdálenost mezi poznatkem a akcí, tím vyšší je návratnost vašich investic do dat.
Vytvoření mostu mezi datovými poznatky a realizací projektů však nikdy nebylo jednodušší. K zahájení práce potřebujete pouze jeden jednotný pracovní prostor, kde se spojí vaše data, projekty a lidé.
Přesně to vám ClickUp nabízí. Chcete si to vyzkoušet? Zaregistrujte se do ClickUp ještě dnes – je to zdarma!
Často kladené otázky (FAQ)
Cortex Analyst je specifická funkce pro kladení otázek ke strukturovaným datům v běžné angličtině. Snowflake Intelligence je širší produkt, který zahrnuje Cortex Analyst spolu s dalšími AI agenty pro úkoly, jako je monitorování kvality dat.
Ano, uživatelé mohou klást otázky konverzačním způsobem bez použití SQL. Stále je však zapotřebí člen technického týmu, který vytvoří a bude udržovat sémantický model zajišťující, že AI poskytuje přesné odpovědi.
Ceny jsou založeny na spotřebě. Platíte za výpočetní kredity Snowflake použité k provozu modelu AI a provádění dotazů. Nejaktuálnější ceny najdete v oficiální cenové dokumentaci Snowflake.