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.