Implementación de Snowflake Intelligence

Snowflake Intelligence ya está disponible para todas las cuentas y está transformando la forma en que las empresas acceden a sus datos y utilizan la IA. Como Elite y Launch Partner, adesso ha probado Snowflake Intelligence desde sus primeras etapas para acompañar a los clientes en su camino hacia la democratización de los datos y la introducción de soluciones de IA.

Este artículo no aborda qué es Snowflake Intelligence, ya que lo explicamos en detalle en nuestro blog anterior, “Snowflake Intelligence: solo pregunta a tus datos”. En esta publicación mostramos cómo implementar Snowflake Intelligence en paisajes de datos y IA existentes y ofrecemos un resumen de los componentes clave necesarios para su configuración.

Overview

Snowflake Intelligence se basa en varias fuentes de datos, divididas en tres categorías:

• Datos estructurados: tablas y vistas.
• Datos no estructurados: documentación, contratos, guías en texto, PDFs o imágenes.
• Componentes técnicos: procedimientos almacenados y funciones definidas por el usuario (UDF).

Estas fuentes son utilizadas por diversos servicios y herramientas, incluidos Cortex Analyst y Cortex Search, así como herramientas desarrolladas internamente. La orquestación completa del procesamiento de datos la realizan agentes especializados (por ejemplo, P&P Agent, Agent 2, Agent n), que controlan la ejecución y coordinación de las herramientas.

Caso de uso y base de datos

Acompañamos a un grupo tecnológico que utiliza tierras raras en la producción de componentes electrónicos. Gracias a Snowflake Intelligence, los empleados pueden obtener insights profundos sobre los datos estructurados y no estructurados de la empresa simplemente haciendo preguntas, sin necesidad de crear análisis o dashboards complejos.

Datos estructurados

Nuestros datos estructurados se basan en tablas de productos, clientes y ventas, así como en tablas de producción, materiales y composición de productos.

Datos no estructurados

Los datos no estructurados consisten en informes en formato PDF sobre requisitos ambientales y de sostenibilidad, que incluyen las regulaciones que la empresa debe cumplir.

Implementación

Para crear un agente de IA, primero necesitamos proporcionarle los servicios necesarios a los que pueda acceder. Para los datos estructurados, configuramos un Cortex Analyst y le proporcionamos los datos como base. Luego usamos el Cortex Search Service para dar acceso al agente a los datos no estructurados. En nuestro caso, se trata de los informes sobre requisitos ambientales y de sostenibilidad.

Creación del Cortex Analyst

Para crear un Cortex Analyst en Snowflake, primero se crea el objeto Cortex Analyst en el entorno de Snowflake. Luego se seleccionan las fuentes de datos a las que el analyst debe acceder, normalmente tablas o vistas dentro de un esquema. En nuestro caso, se trata de las tablas mencionadas en la sección de Datos estructurados (ventas, clientes, materiales, etc.).

El siguiente paso es crear una vista semántica para el Cortex Analyst. Esta vista actúa como una capa semántica sobre los datos y define cómo el analyst puede interpretarlos. También es posible mantener manualmente las relaciones entre tablas si no se reconocen automáticamente.

Una vez conectadas todas las fuentes de datos y definida la capa semántica, el Cortex Analyst está listo para su uso. A partir de ese momento, se pueden hacer preguntas en lenguaje natural, que el analyst responderá en función de los datos vinculados.

Creación del Search Service

Para crear un Cortex Search Service en Snowflake, se comienza seleccionando los documentos relevantes que se quieren buscar posteriormente (por ejemplo, los informes sobre requisitos ambientales y de sostenibilidad).

Estos documentos se cargan primero en un stage. Luego, se escriben en una tabla utilizando la función PARSE_DOCUMENT(), que extrae el contenido de manera estructurada.

A continuación, los textos de los documentos se dividen, normalmente según encabezados o secciones lógicas. Este paso se conoce como chunking, y es necesario para dividir documentos largos en unidades más pequeñas y semánticamente significativas. Esto permite que el Search Service ofrezca resultados de búsqueda más precisos y funcione de manera más eficiente.

Una vez preparados los datos, se crea el Search Service, que accede a las tablas que contienen los chunks de los PDFs. Finalmente, se utiliza el parámetro Target Lag para configurar el periodo de tiempo en el que el servicio aplica cambios a las fuentes de datos subyacentes. Dependiendo de la configuración, el servicio actualiza regularmente sus datos de índice para que las consultas de búsqueda entreguen siempre resultados actualizados.

Creación del agente Snowflake Intelligence

Para crear un Snowflake Intelligence Agent basado en un Cortex Analyst y un Search Service existentes, primero se crea el agente en Snowflake. Se especifican la base de datos, el esquema y el nombre del agente.

Luego, el agente se configura a través de cuatro pestañas:

• About:
  Se define la información que verá el usuario final, como nombre, descripción de la función y ejemplos de consultas.
• Tools:
  Se especifica a qué servicios puede acceder el agente, como Cortex Analyst, Search Service o nuestras herramientas personalizadas. Cada servicio agregado incluye una descripción para que el agente comprenda su función y pueda acceder correctamente, controlando su comportamiento y asegurando que las consultas se procesen de forma coherente.
• Orchestration:
  Aquí se selecciona el modelo a utilizar, por ejemplo GPT-5 o Claude Haiku 4.5. También se pueden almacenar instrucciones sobre cómo debe razonar el agente, seleccionar herramientas y ejecutar acciones en el orden correcto. Además, se pueden definir presupuestos, límites de tiempo y límites de tokens.
• Access:
  Se definen los roles que pueden acceder al agente y en qué medida.

Esto proporciona un agente que procesa fuentes de datos estructuradas y no estructuradas, las interpreta semánticamente y responde consultas contextualizadas basadas en los datos accesibles.

Pregunta de prueba y resultado

Para probar el agente que creamos, le hicimos la siguiente pregunta:

"¿Hemos alcanzado el objetivo de reducción de CO₂ para 2024 respecto al año de referencia 2023? ¿En qué medida se superó o no se cumplió el objetivo?"

La respuesta se muestra en el siguiente video:

Recibimos tanto una respuesta gráfica a nuestra pregunta como una explicación detallada. Snowflake Cortex Intelligence proporciona información profunda sobre los gráficos y las respuestas generadas por la IA.

Vamos a repasar el proceso desde el principio

• El agente nos guía paso a paso a través de su razonamiento. Decide de forma autónoma qué fuentes de datos consultar y qué servicios utilizar según la información que le proporcionamos. De este modo, interpreta y comprende tanto los datos estructurados como los no estructurados.
• Para los datos estructurados, Cortex Analyst genera automáticamente el SQL adecuado y lo ejecuta. Los datos no estructurados se analizan mediante el Cortex Search Service, que utiliza búsqueda vectorial para este propósito.
• A partir del SQL generado, siempre podemos entender la lógica que el agente está aplicando. Una vez disponibles los resultados de la consulta, el agente los evalúa y nos presenta la respuesta final, complementada con una representación gráfica adecuada.

El agente no solo nos ofrece resultados, sino que también revela todo su camino de solución, manteniendo el proceso totalmente transparente y fácil de comprender.

Otras posibilidades que ofrece Snowflake Intelligence

Además de las funcionalidades descritas, los agentes de Snowflake Intelligence pueden:

• Obtener datos mediante el modelo semántico del Snowflake Marketplace.
• Interpretar y utilizar dashboards y KPIs de Tableau y leer información de fuentes de socios como Salesforce.
• Ejecutar funciones y procedimientos, lo que permite, por ejemplo, enviar correos electrónicos automáticamente.

Conclusión

La implementación de Snowflake Intelligence demuestra cómo las funciones nativas de IA pueden integrarse directamente en la plataforma de datos, sin necesidad de infraestructura adicional ni complejas rutas de integración.

La combinación de Cortex Analyst para datos estructurados y Cortex Search Service para documentos no estructurados crea un agente central que:

• Comprende las fuentes de datos
• Las interpreta semánticamente
• Las hace accesibles en lenguaje natural

Esto permite que empleados sin conocimientos de SQL ni herramientas de análisis puedan formular preguntas informadas y tomar decisiones basadas en datos.

Prueba Snowflake Intelligence con tus propios datos. Los primeros experimentos muestran rápidamente el enorme potencial de estas nuevas funcionalidades.