Sebagian besar tim menganggap pembuatan SQL seperti trik sulap. Anda mengetikkan pertanyaan dan mendapatkan kueri.
Namun, kenyataannya adalah: Snowflake Cortex Analyst hanya akan berfungsi sebaik model semantik yang Anda bangun terlebih dahulu, dan pengaturannya tidaklah mudah. Dengan mempelajari cara menggunakan Snowflake Cortex untuk pembuatan SQL, tim data kini dapat mengubah bahasa alami menjadi kueri yang kompleks dan dapat dieksekusi dalam hitungan detik.
Panduan ini akan memandu Anda melalui proses implementasi yang sebenarnya, mulai dari mendefinisikan model semantik YAML hingga melakukan kueri pada data warehouse Anda menggunakan bahasa alami, sehingga Anda memahami baik kekuatan maupun prasyaratnya sebelum memulai.
Kami juga akan membahas kelemahan Snowflake Cortex serta bagaimana ClickUp dapat mendukung alur kerja yang lebih luas seputar pembuatan kueri SQL.
Apa itu Snowflake Cortex Analyst?
Snowflake Cortex Analyst adalah layanan yang sepenuhnya dikelola yang memungkinkan Anda membangun aplikasi percakapan berdasarkan data analitik Anda.
Layanan ini menggunakan agen khusus text-to-SQL untuk mengubah pertanyaan dalam bahasa alami menjadi kueri yang akurat dan dapat dieksekusi. Layanan ini menjembatani kesenjangan antara struktur data yang kompleks dan pengguna bisnis yang membutuhkan jawaban tanpa perlu menulis kode.
Fitur utama meliputi:
- Menyediakan antarmuka dengan akurasi tinggi untuk berinteraksi dengan data terstruktur
- Menggunakan model semantik untuk memahami logika bisnis dan terminologi spesifik Anda
- Menyediakan REST API untuk memudahkan integrasi ke dalam aplikasi khusus atau alat BI
- Menjaga privasi data dengan memproses permintaan di dalam batas keamanan Snowflake
📮 Wawasan ClickUp: 88% responden survei kami menggunakan AI untuk tugas-tugas pribadi mereka, namun lebih dari 50% enggan menggunakannya di tempat kerja. Tiga hambatan utama? Kurangnya integrasi yang mulus, kesenjangan pengetahuan, atau kekhawatiran terkait keamanan.
Namun, bagaimana jika AI sudah terintegrasi ke dalam ruang kerja Anda dan sudah aman? ClickUp Brain, asisten AI bawaan ClickUp, mewujudkan hal ini. Ia memahami perintah dalam bahasa sehari-hari, mengatasi ketiga kekhawatiran terkait adopsi AI sekaligus menghubungkan obrolan, tugas, dokumen, dan pengetahuan Anda di seluruh ruang kerja.
Temukan jawaban dan wawasan hanya dengan satu klik!
Prasyarat untuk Pembuatan Kueri SQL dengan Snowflake Cortex
Memulai penggunaan Snowflake Cortex tanpa pengaturan yang tepat dapat menimbulkan frustrasi. Anda mungkin mendapatkan hasil yang tidak akurat, membuang-buang waktu untuk memecahkan masalah, dan salah menyimpulkan bahwa alat tersebut rusak, padahal masalah sebenarnya adalah fondasi yang lemah.
Untuk menghindari hal ini, Anda perlu memastikan tiga elemen dasar tersebut sudah tersedia terlebih dahulu.
1. Siapkan basis data dan tabel Anda
Kecerdasan AI Anda bergantung pada kualitas data yang dapat diaksesnya. Jika skema basis data Anda berupa labirin nama kolom yang membingungkan seperti cust_dat_v2_final, baik analis maupun AI Anda akan kesulitan memahaminya.
Kebingungan ini menyebabkan AI menghasilkan join yang salah atau mengambil data dari kolom yang salah, dan tim Anda menghabiskan berjam-jam hanya untuk mencoba memahami skema sebelum mereka bahkan dapat menulis kueri.
Mulailah dengan memastikan perangkat lunak data warehouse Anda berisi tabel-tabel yang ingin Anda kueri menggunakan Cortex Analyst. Sebisa mungkin, gunakan nama kolom yang jelas dan deskriptif. Misalnya, kolom bernama customer_lifetime_value jauh lebih intuitif bagi manusia maupun AI daripada clv_01.
Untuk melanjutkan proses penyiapan, peran Snowflake Anda memerlukan izin-izin berikut:
- PENGGUNAAN: Pada database dan skema yang berisi tabel-tabel Anda
- SELECT: Pada tabel yang ingin Anda kueri menggunakan Cortex Analyst
- CREATE STAGE: Pada skema, yang diperlukan untuk mengunggah berkas model semantik Anda
2. Buat berkas model semantik Anda
Tantangan terbesar dalam menggunakan alat text-to-SQL apa pun adalah bahwa AI tidak memahami bahasa unik perusahaan Anda. AI tidak secara otomatis mengetahui bahwa “ARR” berarti “Annual Recurring Revenue” atau bahwa tabel pelanggan Anda dihubungkan dengan tabel pesanan melalui kolom customer_id.
Tanpa konteks ini, AI mungkin menghasilkan SQL yang secara teknis valid tetapi secara logis salah, sehingga memberikan jawaban yang tampak benar tetapi sangat menyesatkan.
Model semantik adalah solusinya. Ini adalah berkas YAML yang berfungsi sebagai “lapisan terjemahan” khusus Anda, yang mengajarkan Cortex Analyst kosakata dan logika spesifik bisnis Anda. Pembuatan dan pemeliharaan berkas ini merupakan upaya kolaboratif antara insinyur data yang menggunakan alat ETL untuk memahami skema dan analis bisnis yang memahami terminologi.
Berkas model semantik Anda harus berisi komponen-komponen utama berikut:
| Komponen | Tujuan |
| Tabel | Mencantumkan setiap tabel beserta deskripsi dalam bahasa sehari-hari mengenai tujuannya |
| Kolom | Menentukan tipe semantik setiap kolom (seperti kategori atau metrik) dan dapat menyertakan nilai contoh |
| Hubungan | Menentukan bagaimana tabel-tabel terhubung melalui join, sehingga menghilangkan kebutuhan AI untuk menebak-nebak |
| Kueri yang Telah Diverifikasi | Menyediakan contoh pasangan pertanyaan dan SQL yang berfungsi sebagai panduan yang sangat berguna untuk LLM |
3. Konfigurasikan Layanan Pencarian Cortex (opsional)
Terkadang, jawaban yang Anda butuhkan tersembunyi dalam teks tidak terstruktur, seperti deskripsi produk, tiket dukungan, atau transkrip panggilan. Kueri SQL standar tidak dapat mengakses data ini, yang berarti Anda sering kali melewatkan alasan di balik fakta tersebut.
Anda juga dapat menambahkan Snowflake Cortex Search Service di sini. Ini adalah lapisan "search-as-a-service " yang memungkinkan Anda melakukan kueri pada tabel terstruktur dan data teks tidak terstruktur Anda secara bersamaan menggunakan agen AI untuk analisis data.
Anda sebaiknya mengonfigurasi Cortex Search jika analis Anda perlu mengajukan pertanyaan yang memerlukan pengambilan konteks dari teks sebelum menghasilkan SQL. Misalnya, Anda dapat terlebih dahulu mencari semua ulasan produk yang mengandung frasa ‘masalah baterai’, lalu menghasilkan kueri SQL untuk mengagregasi data penjualan hanya untuk produk-produk tersebut.
Untuk pembuatan SQL murni terhadap tabel terstruktur, layanan ini tidak diperlukan.
🧠 Fakta Menarik: Pada awal tahun 1970-an, peneliti IBM Donald Chamberlin dan Raymond Boyce menciptakan ‘Structured English Query Language.’ Mereka harus mengganti namanya menjadi SQL karena ‘SEQUEL’ sudah didaftarkan sebagai merek dagang oleh sebuah perusahaan pesawat terbang Inggris.
Panduan Langkah demi Langkah untuk Menghasilkan SQL dengan Cortex Analyst
Anda telah menyelesaikan persiapan, tetapi kini Anda dihadapkan pada layar kosong, tidak yakin dengan alur kerja yang sebenarnya. Bagaimana cara mengubah pertanyaan di kepala Anda menjadi kueri SQL yang dapat dieksekusi? Ketika manajemen alur kerja tidak jelas, alat-alat baru sering kali tidak terpakai, dan investasi dalam pengaturan pun terbuang percuma.
Proses praktiknya sangat mudah dan menyenangkan. Berikut penjelasannya lebih lanjut!
Langkah #1: Siapkan data Anda di Snowflake
Sebelum melakukan apa pun, data terstruktur Anda harus sudah tersimpan di dalam Snowflake. Setiap aplikasi Cortex Analyst diarahkan ke satu tabel atau tampilan (view) yang terdiri dari satu atau lebih tabel. Pastikan tabel-tabel Anda sudah dibuat dan diisi datanya.
Jika Anda memuat data dari file datar:
- Unggah berkas data Anda (misalnya, CSV) ke Snowflake Stage
- Gunakan perintah COPY INTO untuk memuat data dari stage ke dalam tabel Anda
- Pastikan data telah dimuat dengan sukses sebelum melanjutkan
Langkah #2: Membuat model semantik (atau tampilan semantik)
Ini adalah langkah konfigurasi yang paling penting. Kekuatan Cortex Analyst berasal dari penggabungan model bahasa besar (LLM) dengan model semantik, yaitu berkas YAML yang berada di samping skema basis data Anda dan mengkodekan konteks bisnis.
Semantic Views kini menjadi metode yang direkomendasikan oleh Snowflake untuk Cortex Analyst. Fitur ini menyimpan metrik bisnis, hubungan, dan definisi secara langsung di dalam Snowflake. File model semantik YAML versi lama masih berfungsi, namun Snowflake mengarahkan implementasi baru ke Semantic Views.
Model semantik atau tampilan Anda sebaiknya mencakup:
- Deskripsi tabel dan kolom: Penjelasan dalam bahasa sehari-hari mengenai arti setiap kolom
- Metrik bisnis: Definisi untuk bidang yang dihitung seperti pendapatan, tingkat churn, atau tingkat konversi
- Filter dan sinonim: Istilah alternatif yang mungkin digunakan pengguna (misalnya, ‘dibatalkan’ dipetakan ke nilai status tertentu)
- Kueri terverifikasi: Repositori Kueri Terverifikasi Snowflake menyimpan pasangan pertanyaan dan SQL yang telah disetujui. Ketika pertanyaan pengguna mirip dengan salah satu entri tersebut, Cortex Analyst dapat merujuknya selama proses pembuatan kueri SQL
🤝 Pengingat Ramah: Snowflake menyarankan untuk tidak menggunakan lebih dari 10 tabel dan tidak lebih dari 50 kolom yang dipilih demi kinerja optimal dalam alur kerja Snowsight.
Langkah #3: Unggah model semantik ke tahap Snowflake
Jika Anda menggunakan model semantik berbasis YAML, model tersebut perlu disiapkan agar Cortex Analyst dapat merujuknya saat runtime.
- Unggah berkas .yaml Anda ke tahap internal Snowflake (misalnya, RAW_DATA)
- Pastikan berkas tersebut muncul di stage melalui antarmuka pengguna Snowsight atau perintah LIST @stage_name
- Perhatikan jalur stage; Anda akan merujuknya dalam panggilan API atau konfigurasi aplikasi Anda
Jika Anda menggunakan Semantic View, langkah ini ditangani secara native di dalam Snowflake, dan tidak diperlukan pengunggahan terpisah.
🔍 Tahukah Anda? NULL dalam SQL tidak berarti nol atau kosong. NULL mewakili data yang tidak diketahui atau hilang, yang menyebabkan perilaku yang tidak intuitif seperti perbandingan yang tidak menghasilkan hasil benar maupun salah.
Langkah #4: Kirim pertanyaan dalam bahasa alami melalui REST API
Sekarang proses pembuatan SQL yang sebenarnya dimulai. REST API menghasilkan kueri SQL untuk pertanyaan tertentu menggunakan model semantik atau tampilan semantik yang disertakan dalam permintaan.
Susun permintaan API Anda dengan:
- pesan; sebuah array yang berisi pertanyaan pengguna Anda dengan peran: “user”
- Referensi ke model semantik atau tampilan semantik Anda
- Model pilihan Anda (atau biarkan dalam mode otomatis agar Cortex memilih yang terbaik)
Anda dapat melakukan percakapan multi-putaran di mana Anda dapat mengajukan pertanyaan lanjutan yang dibangun berdasarkan kueri sebelumnya.
Langkah #5: Mengurai respons API
Setiap pesan dalam respons dapat memiliki beberapa blok konten dengan tipe yang berbeda-beda. Tiga nilai yang saat ini didukung untuk bidang tipe adalah: teks, saran, dan SQL.
Berikut adalah arti dari masing-masing jenis:
- SQL: Cortex berhasil menghasilkan kueri; inilah yang akan Anda jalankan
- text: Penjelasan atau jawaban dalam bahasa alami yang menyertai kueri SQL
- saran: Jenis konten saran hanya disertakan dalam respons jika pertanyaan pengguna ambigu dan Cortex Analyst tidak dapat menghasilkan pernyataan SQL untuk kueri tersebut. Gunakan ini untuk memperjelas atau menyempurnakan pertanyaan
🔍 Tahukah Anda? Urutan penulisan SQL tidak sama dengan urutan eksekusinya. Meskipun Anda menulis SELECT terlebih dahulu, database sebenarnya memproses FROM dan WHERE sebelum memilih kolom. Hal ini membingungkan baik pemula maupun pengguna berpengalaman.
Langkah #6: Jalankan SQL yang dihasilkan di Snowflake
Setelah Anda mendapatkan blok SQL dari respons, jalankan kueri tersebut di gudang data virtual Snowflake Anda. Kueri SQL yang dihasilkan akan dieksekusi di gudang data virtual Snowflake Anda untuk menghasilkan output akhir. Data tetap berada dalam batas tata kelola Snowflake.
Hal-hal penting yang perlu diketahui pada saat eksekusi:
- Cortex Analyst terintegrasi sepenuhnya dengan kebijakan kontrol akses berbasis peran (RBAC) Snowflake, memastikan bahwa kueri SQL yang dihasilkan dan dijalankan mematuhi semua kontrol akses yang telah ditetapkan.
- Jika pengguna tidak memiliki akses ke suatu tabel, kueri tersebut akan gagal saat dieksekusi, sama seperti halnya jika kueri tersebut ditulis secara manual.
- Biaya komputasi warehouse berlaku pada tahap ini, terpisah dari biaya penggunaan Cortex Analyst itu sendiri
Langkah #7: Perbaiki dan ulangi
Tidak selalu dijamin bahwa Anda akan mendapatkan kueri yang sempurna pada percobaan pertama. Berikut ini cara meningkatkan hasil seiring berjalannya waktu:
- Tambahkan kueri yang telah diverifikasi ke model semantik Anda untuk pertanyaan yang sering muncul
- Perluas model semantik Anda dengan deskripsi, sinonim, dan filter yang lebih baik ketika Cortex salah menafsirkan suatu istilah
- Gunakan percakapan multi-putaran untuk menindaklanjuti, misalnya, ‘Sekarang saring berdasarkan wilayah’, percakapan multi-putaran memungkinkan pertanyaan lanjutan yang dibangun berdasarkan kueri sebelumnya
- Pantau penggunaan melalui CORTEX_ANALYST_USAGE_HISTORY dan riwayat kueri Snowflake untuk mengidentifikasi pola pada kueri yang gagal atau tidak akurat
🧠 Fakta Menarik: Satu kondisi JOIN yang terlewatkan dapat menimbulkan masalah besar. Melupakan kondisi join dapat menghasilkan produk Kartesius, yang secara drastis melipatgandakan jumlah baris dan terkadang menyebabkan sistem crash.
Praktik Terbaik untuk Akurasi Konversi Teks ke SQL di Snowflake
Kualitas model semantik Anda secara langsung menentukan akurasi kueri yang dihasilkannya. Berikut adalah praktik terbaik yang dapat meningkatkan akurasi. 🛠️
- Tambahkan kueri yang telah diverifikasi ke model semantik Anda: Ini adalah hal paling berdampak yang dapat Anda lakukan. Sertakan banyak contoh pasangan pertanyaan-SQL yang mencerminkan cara tim Anda benar-benar mengajukan pertanyaan
- Gunakan nama kolom dan tabel yang deskriptif: Model akan bekerja lebih baik jika nama kolom dan tabelnya mudah dipahami. Jika Anda tidak dapat mengubah skema, tambahkan deskripsi yang jelas dalam berkas YAML Anda untuk nama kolom yang sulit dipahami.
- Sertakan nilai contoh: Menambahkan data contoh untuk kolom kategorikal (seperti status atau wilayah) membantu model memahami opsi filter yang valid yang tersedia
- Uji dengan kasus-kasus ekstrem: Selama pengembangan, ajukan pertanyaan yang sengaja dibuat ambigu atau rumit untuk mengidentifikasi di mana model semantik Anda memerlukan konteks atau klarifikasi lebih lanjut
- Lakukan iterasi pada model semantik Anda: Anggaplah model semantik Anda sebagai dokumen yang terus berkembang. Model tersebut harus terus diperbarui melalui proses iteratif berdasarkan kueri mana yang berhasil dan mana yang gagal
ClickUp: Alternatif yang Lebih Sederhana daripada Snowflake Cortex
Snowflake Cortex sangat efektif ketika tim ingin menghasilkan SQL dan menjalankan kueri pada data terstruktur. Tim mendefinisikan skema, memetakan hubungan, dan menulis kueri untuk mengekstrak wawasan. Pengaturan tersebut sangat cocok untuk lingkungan dengan volume data besar, terutama ketika analis bertanggung jawab atas pelaporan.
Namun, banyak tim tidak memerlukan lapisan SQL yang lengkap untuk menjawab pertanyaan operasional sehari-hari. Manajer produk, pemimpin program, dan tim operasional sering kali menginginkan jawaban cepat yang terkait dengan pekerjaan yang sedang berlangsung.
ClickUp menawarkan cara yang lebih mudah. Tim dapat mengajukan pertanyaan dalam bahasa sehari-hari, meninjau dasbor secara langsung, dan bertindak berdasarkan wawasan tanpa perlu menulis SQL atau membangun model semantik.
Buat dan sempurnakan SQL dengan lebih cepat
Snowflake Cortex berfokus pada pembuatan kueri SQL dari kumpulan data terstruktur di dalam lingkungan warehouse. Fitur ini bekerja dengan baik jika data Anda sudah tersimpan di Snowflake dan skema data telah dirancang dengan baik.
ClickUp Brain mendukung pembuatan kueri SQL dengan cara yang lebih fleksibel dan berfokus pada eksekusi. Tim dapat membuat, menyempurnakan, dan menyimpan kueri SQL langsung di dalam ruang kerja mereka, tempat analisis, diskusi, dan pengambilan keputusan sudah berlangsung.
Misalkan seorang analis produk sedang mengerjakan tugas analisis retensi di dalam ClickUp. Alih-alih berpindah ke alat lain untuk menulis kueri, mereka bertanya kepada ClickUp Brain:
📌 Coba prompt ini: Tulis kueri SQL untuk menghitung retensi tujuh hari bagi pengguna yang dikelompokkan berdasarkan kohort pendaftaran.
ClickUp Brain menghasilkan kueri terstruktur yang mencakup pengelompokan kohort, filter tanggal, dan logika retensi. Analis menempelkan kueri tersebut ke Snowflake atau gudang data lainnya, lalu menjalankannya segera.
Ini membantu:
- Tulis join antar beberapa tabel, seperti pengguna, pesanan, dan peristiwa
- Ubah pertanyaan produk dalam bahasa Inggris sederhana menjadi logika SQL yang siap dieksekusi
- Mendiagnosis kueri yang bermasalah dan menjelaskan masalah, seperti penggabungan (join) yang salah atau kondisi yang hilang
- Tulis ulang kueri untuk meningkatkan kinerja atau keterbacaan
Misalnya, saat meninjau eksperimen pertumbuhan, seorang pemasar bertanya: ‘Tulis kueri SQL untuk membandingkan tingkat konversi antara dua halaman arahan selama 14 hari terakhir’.
ClickUp Brain menghasilkan kueri tersebut menggunakan agregasi bersyarat dan filter tanggal. Tim tersebut menjalankannya di Snowflake dan memvalidasi hasil eksperimen.
📌 Coba prompt ini: Perbaiki kueri SQL ini di mana join-nya menyebabkan duplikasi baris dan jelaskan masalahnya.
ClickUp Brain mengidentifikasi masalah join, memperbaiki kueri, dan menjelaskan bagaimana baris duplikat terjadi akibat kondisi join yang salah.
Ganti pelaporan berbasis SQL
Alur kerja Snowflake Cortex sering kali melibatkan pembuatan SQL, menjalankan kueri, dan memvisualisasikan hasil di lapisan terpisah. Dasbor ClickUp menghilangkan proses multi-langkah tersebut dan menyajikan wawasan langsung dari pekerjaan yang sedang berlangsung.
Tim manajemen program yang memantau kesiapan rilis dapat membuat dasbor tanpa perlu menulis kueri. Misalnya, dasbor rilis dapat mencakup:
- Sebuah kartu daftar tugas yang difilter untuk menampilkan tugas-tugas yang terlambat di seluruh tim produk
- Sebuah kartu beban kerja yang menampilkan distribusi tugas di antara para insinyur
- Sebuah diagram batang yang membandingkan tugas yang telah diselesaikan dengan tugas yang masih tertunda berdasarkan sprint
- Sebuah kartu perhitungan yang melacak waktu penyelesaian rata-rata
Misalkan seorang pemimpin program meninjau dasbor ini sebelum rapat peluncuran. Mereka langsung melihat bahwa layanan backend menunjukkan tingkat penundaan yang lebih tinggi. Mereka membuka kartu daftar tugas dan memeriksa tugas-tugas spesifik yang menyebabkan risiko.
Seorang pengguna ClickUp yang sebenarnya berbagi pengalamannya:
ClickUp memungkinkan kami untuk dengan CEPAT saling meneruskan proyek, dengan MUDAH memeriksa status proyek, dan memberikan gambaran kepada atasan kami mengenai beban kerja kami kapan saja tanpa harus mengganggu kami. Kami pasti telah menghemat satu hari per minggu berkat ClickUp, bahkan mungkin lebih. Jumlah email pun BERKURANG SECARA SIGNIFIKAN.
ClickUp memungkinkan kami untuk dengan CEPAT saling meneruskan proyek, dengan MUDAH memeriksa status proyek, dan memberikan gambaran kepada atasan kami mengenai beban kerja kami kapan saja tanpa harus mengganggu kami. Kami pasti telah menghemat satu hari per minggu berkat ClickUp, bahkan mungkin lebih. Jumlah email pun BERKURANG SECARA SIGNIFIKAN.
Tindaklanjuti wawasan tanpa perlu menggunakan pipeline
Snowflake Cortex berfokus pada menghasilkan wawasan dari data. Tim masih perlu menafsirkan hasil dan memicu tindakan secara terpisah.
ClickUp AI Super Agents menjembatani kesenjangan tersebut dan mengubah wawasan menjadi tindakan. Mereka beroperasi sebagai rekan tim AI yang memantau data ruang kerja secara terus-menerus dan mengambil tindakan berdasarkan kondisi tertentu.
Misalkan seorang manajer program mengawasi beberapa inisiatif produk. Seorang Super Agent dapat:
- Pantau tugas di seluruh proyek dan deteksi ketika tugas yang terlambat melebihi ambang batas yang telah ditentukan
- Identifikasi pola seperti penundaan berulang pada tahap alur kerja yang sama
- Buat tugas yang merangkum proyek-proyek yang terdampak dan tetapkan tugas tersebut kepada pemimpin program
- Beritahu pemilik tim ketika tugas-tugas kritis masih belum diselesaikan setelah melewati batas waktu
Misalnya, selama siklus rilis, seorang Super Agent mendeteksi bahwa lebih dari 10 tugas prioritas tinggi melewati batas waktu di dua tim. Ia membuat Tugas ClickUp berjudul ‘Risiko rilis: melewati batas waktu’, melampirkan semua tugas yang relevan, dan menugaskan manajer program untuk ditinjau segera.
Tim juga dapat berinteraksi langsung dengan Super Agent: ‘Analisis semua proyek aktif dan soroti risiko penyelesaian untuk sprint ini’.
Super Agent meninjau tenggat waktu, ketergantungan, dan status tugas, lalu memposting ringkasan terstruktur di dalam ruang kerja.
Berikut cara menyiapkan Super Agent Anda sendiri di ClickUp:
Sentralisasikan Alur Kerja Data Anda dengan ClickUp
Alat Text-to-SQL seperti Snowflake Cortex membuat data lebih mudah diakses. Namun, mendapatkan hasil yang andal tetap membutuhkan usaha.
Tim memerlukan skema yang rapi, model semantik yang kuat, dan iterasi berkelanjutan untuk memastikan akurasi hasil. Bahkan setelah menghasilkan kueri yang tepat, pekerjaan tidak berhenti di situ. Masih diperlukan seseorang untuk menafsirkan hasil, membagikan wawasan, dan mengubahnya menjadi keputusan.
ClickUp menghadirkan pendekatan yang berbeda. Alih-alih memisahkan analisis dari eksekusi, ClickUp menghubungkan keduanya. Tim dapat membuat kueri SQL, mendokumentasikan wawasan, berkolaborasi dalam temuan, dan mengambil tindakan berdasarkan temuan tersebut di dalam ruang kerja yang sama.
ClickUp Brain membantu menulis dan menyempurnakan kueri, sementara Dashboard dan Agen AI membantu tim memantau hasil serta melanjutkan pekerjaan tanpa perlu berpindah-pindah antar alat.
Snowflake Cortex membantu Anda mendapatkan jawaban. ClickUp membantu Anda memanfaatkan jawaban tersebut. Daftar ke ClickUp sekarang juga!
Pertanyaan yang Sering Diajukan
Apa itu Snowflake Cortex Analyst dan apa perbedaannya dengan Cortex AI?
Snowflake Cortex Analyst adalah layanan khusus dalam rangkaian Snowflake Cortex AI yang lebih luas. Cortex Analyst berfokus secara khusus pada pembuatan kueri SQL dari teks menggunakan model semantik, sedangkan Cortex AI mencakup berbagai fungsi LLM, inferensi model pembelajaran mesin, dan kemampuan pencarian yang lebih luas.
Apakah Snowflake Cortex Analyst dapat digunakan dengan sumber data eksternal seperti tabel Iceberg?
Ya, Cortex Analyst dapat menjalankan kueri terhadap tabel Apache Iceberg yang dikelola melalui Snowflake. Selama tabel-tabel tersebut dapat diakses di lingkungan Snowflake Anda dan didefinisikan dengan benar dalam model semantik Anda, Anda dapat menghasilkan kueri terhadap tabel-tabel tersebut.
Seberapa akuratkah fitur pembangkitan teks-ke-SQL Snowflake untuk kueri yang kompleks?
Akurasi kueri yang kompleks hampir sepenuhnya bergantung pada kualitas model semantik Anda. Model dengan hubungan tabel yang terdefinisi dengan baik, banyak kueri yang telah diverifikasi, dan metadata deskriptif akan menghasilkan hasil yang jauh lebih akurat untuk penggabungan multi-tabel dan agregasi yang kompleks.
Berapa biaya fitur pembuatan SQL di Snowflake Cortex?
Harga Snowflake Cortex Analyst mengikuti model berbasis konsumsi Snowflake, yang berarti Anda akan ditagih berdasarkan kredit komputasi yang digunakan selama proses pembuatan kueri. Untuk tarif terkini, Anda disarankan untuk selalu merujuk ke dokumentasi harga resmi Snowflake.