Využití AI funkcí ve Snowflake: podívali jsme se na konkrétní use casy a tipy při prototypování

V České spořitelně mohou uživatelé platformy Snowflake využívat hned několik AI komponent, které usnadňují práci s daty i jejich analýzou – konkrétně Cortex Analyst, Cortex Search, Cortex AISQL a Document AI. Velký posun přináší v tomto létě představená Snowflake Intelligence, která rozšiřuje možnosti práce s daty o využití generativní AI nebo vytváření customizovaných agentů přímo v rámci platformy. Tato funkcionalita otevírá nové způsoby, jak uživatelé mohou získávat přehledy a odpovědi nad svými daty přirozeným jazykem. ​“Těšíme se, až bude Snowflake Intelligence v obecném zpřístupnění uživatelům (General Access), abychom ji mohli plně integrovat do naší platformy a nabídnout ji poté uživatelům jako nadstavbu Cortex Analyst,“ říká David Václavík. 

Jedním z nejzajímavějších AI use casů, které David s týmem na platformě Snowflake realizoval, je tzv. barometr zákaznické zkušenosti. Systém dokáže klasifikovat text a vyhodnocovat sentiment zpětné vazby klientů. ​„Toto řešení pro nás dříve vytvářela externí společnost, avšak díky implementaci na platformě Snowflake jsme dokázali ušetřit 96 % ročních nákladů a dosáhnout totožných výsledků,“ popisuje nadšeně David. Využity byly funkce Cortex AISQL – konkrétně sentiment, classify_​text, complete a translate – a modely MISTRAL-LARGE a MISTRAL-LARGE2, které se ukázaly jako nejpřesnější. 

Zajímavé jsou také interní projekty, kde týmy využívají komponentu Cortex Analyst k tvorbě vlastních chatbotů nad daty. Chatboti nejvíce pomáhají při rychlé nebo dílčí datové analýze a šetří čas datovým analytikům, kteří díky nim nemusí vytvářet ad hoc SQL dotazy pro své kolegy z byznysových útvarů. ​„Myslím si, že takový chatbot může být zajímavý pro všechny datové týmy napříč trhem, které zpracovávají velké množství ad hoc SQL dotazů,“ doplňuje David. Další využití se týká funkcí Cortex AISQL pro překlady cizojazyčných textů, sumarizaci delších dokumentů či automatickou kategorizaci dat. 

Bezpečnost a ochrana citlivých dat jsou ve velkých institucích vždy nejvyšší prioritou, a totéž platí i při práci s umělou inteligencí. Platforma Snowflake přitom splňuje všechny regulatorní a bezpečnostní požadavky potřebné pro práci s daty. Veškeré zpracování probíhá přímo uvnitř platformy, takže data nikdy neopouštějí prostředí zákazníka. 

„Snowflake AI využívá stejnou úroveň zabezpečení jako zbytek platformy – včetně end-to-end šifrování, řízení přístupu pomocí rolí a detailního auditu aktivit. Každý AI use case má vyhrazené vlastní prostředí, kam mohou přistupovat jen uživatelé s patřičným oprávněním. Další ochranou je, že každý AI use case je individuálně schvalován, zda splňuje veškerá bezpečnostní kritéria a data mohou být použita pro AI,“ vysvětluje David. 

V České spořitelně trvají na tom, aby každý AI use case vždy prošel fází Proof of Concept (PoC), než se nasadí do produkčního používání. ​„Tento přístup nám umožňuje ověřit, zda daný use case dává smysl a zda je použití Snowflake AI pro konkrétní scénář opravdu vhodné,“ vysvětluje David. Doporučený postup je začít s malým, omezeným řešením, pečlivě testovat výsledky a poznatky a teprve poté řešení postupně rozšiřovat. Takový přístup nejen minimalizuje časové a finanční ztráty, pokud by se ukázalo, že řešení není optimální, ale také umožňuje uživatelům lépe pochopit limity technologie a nastavit realistická očekávání. 

Snowflake AI nabízí široké možnosti, a proto je klíčové jasně definovat, k čemu ji chcete využít – zda půjde o analytické dotazování přes Cortex Analyst, práci s texty pomocí LLM funkcí nebo integraci AI do datových produktů. Základ úspěchu tvoří kvalitní a dobře popsaná data, ideálně obohacená o sémantický kontext, protože právě na nich stojí přesnost výsledků. 

Zejména u Cortex Analyst potažmo i Snowflake Intelligence je důležité, aby byla data správně pojmenovaná, strukturovaná a popsána, protože to zásadně ovlivňuje, jak přesně model odpovídá na uživatelské dotazy. Jakmile máte kvalitní data a jasný cíl, doporučuje se experimentovat, testovat limity a chování Snowflake AI v praxi a postupně odhalovat scénáře s největší přidanou hodnotou. Podle Davida je také nutné paralelně sledovat náklady spojené s AI, aby investice do řešení byly efektivní a udržitelné. 

S příchodem AI se role datového engineera lehce posouvá – nejde už jen o tok a transformaci dat, ale také o zajištění jejich sémantické kvality, kontextu a připravenosti pro AI use cases. ​„Datoví inženýři by se dnes měli zaměřovat i na strukturování a obohacování dat tak, aby byla pro AI modely co nejvíce využitelná,“ vysvětluje David. AI přitom může jejich práci výrazně zefektivnit a otevírá nové možnosti při návrhu datových řešení. Do budoucna se porozumění AI a schopnost jejího praktického využití stanou klíčovými dovednostmi v této profesi.