Generative KI und große Sprachmodelle (LLMs) revolutionieren viele Aspekte der Produktivität von Entwicklern und Nicht-Entwicklern durch die Automatisierung sich wiederholender Aufgaben und die schnelle Generierung von Erkenntnissen aus großen Datenmengen. Snowflake-Benutzer nutzen bereits die Vorteile von LLMs, um wirklich coole Apps mit Integrationen zu webgehosteten LLM-APIs unter Verwendung externer Funktionen zu erstellen und Streamlit als interaktives Frontend für LLM-gestützte Apps wie KI-Plagiatserkennung, KI-Assistent und MathGPT zu verwenden.
Was treibt Daten und KI voran?
Auf die Frage, welche Trends Daten und KI vorantreiben, nannte ich zwei große Themen: Erstens werden immer mehr Modelle und Algorithmen produktiv gemacht und auf interaktive Weise für den Endnutzer verfügbar gemacht. Das zweite Thema ist die generative KI und die LLMs, die sich stärker durchsetzen werden, als ich es mir überhaupt vorstellen kann. LLMs haben das Potenzial, sowohl Entwicklern als auch technisch weniger versierten Nutzern dabei zu helfen, die Daten der Welt sinnvoll zu nutzen.
Die Anwendbarkeit von LLMs entwickelt sich rasant, und Führungskräfte aus Wirtschaft und Technik erkennen, dass sie schnell handeln und die neuesten Modelle nutzen müssen, wenn diese Technologien langfristige Auswirkungen haben sollen, wobei diese mit internen Daten angepasst werden sollten, ohne die Sicherheit zu gefährden. Der Schutz sensibler oder geschützter Daten wie Quellcode, personenbezogene Daten, interne Dokumente, Wikis, Codebasen und andere sensible Datensätze sowie Eingabeaufforderungen, die zur Kontextualisierung der LLMs verwendet werden, ist besonders wichtig.
Von Anfang an lag der Schwerpunkt von Snowflake auf der Sicherheit und der Verwaltung von Daten, indem wir die Daten mit den Daten verknüpfen, anstatt neue Kopien und zusätzliche Silos zu erstellen. Dieser Fokus hat unseren Ansatz für Snowpark geprägt, und unser Ansatz für LLMs ist nicht anders. Ohne Kompromisse bei der Sicherheit oder Governance zu machen, ermöglichen wir es Kunden und Partnern, die Leistung von LLMs in die Daten zu bringen, um zwei Dinge zu erreichen: Unternehmen können ihre Daten intelligenter nutzen und die Benutzerproduktivität auf sichere und skalierbare Weise verbessern.
Ausführen von LLMs in Snowflake, um die Zeit bis zur Erkenntnis zu verkürzen
Unstrukturierte Daten in Dokumenten, E‑Mails, Webseiten, Bildern usw. gehören zu den am schnellsten wachsenden Datentypen, aber es gibt immer noch keine einfache Möglichkeit, diese Daten zu aggregieren und Analysen durchzuführen, um daraus wertvolle Erkenntnisse zu gewinnen. Um die Vision der Snowflake Data Cloud zum Leben zu erwecken und alle Arten von verwalteten Daten sicher anzubieten, zu entdecken und zu nutzen, haben wir die Übernahme von Applica abgeschlossen, dem Gewinner der Document Visual Question Answering Challenge mit einem innovativen TILT-Modell (Text-Image-Layout-Transformer) – einem speziell entwickelten, multimodalen LLM für Document Intelligence.
Um unstrukturierte Daten funktionaler zu machen, stellen wir unseren Kunden weiterhin die Vorschau-Integration der bahnbrechenden LLM-Technologie von Applica zur Verfügung, um den Umfang der manuellen Dokumentenbeschriftung und ‑kommentierung zu minimieren, die Unternehmen zur Feinabstimmung der Modelle für ihre Dokumente benötigen.
Applica ist nur ein Beispiel für viele führende LLMs, die Kunden innerhalb von Snowflake auf sichere und konforme Weise ausführen können. Bleiben Sie dran, wenn Sie auf unserem Summit in Las Vegas weitere Neuigkeiten in diesem Bereich erfahren.
Eine Welle von Möglichkeiten, mehr Benutzer produktiver zu machen
Da immer mehr Unternehmen ihre Wachstumschancen auf digitale Strategien ausrichten und die Zahl der Entwickler weiter steigt, bieten LLMs die Möglichkeit, ihre Produktivität zu steigern, indem sie den Bedarf an manueller Codierung von sich wiederholenden oder Standardaufgaben verringern – eine Möglichkeit, von der auch Snowflake-Entwickler nicht ausgeschlossen sind. Um die benötigten Daten zu finden und in kürzester Zeit Erkenntnisse zu gewinnen, entwickeln wir in Snowflake-Arbeitsblättern sowohl für SQL als auch für Python die automatische Vervollständigung von Code, Text-zu-Code und Text-zu-Visualisierungen. Und um die Produktivität der Snowflake-Kunden zu maximieren, entwickeln wir auch LLM-gestützte Suchfunktionen für ganz Snowflake, von der Dokumentation bis zum Snowflake Marketplace.
Die Nutzung von LLMs durch die überwiegende Mehrheit der nicht programmierenden Mitarbeiter in einem Unternehmen kann die Effizienz des Unternehmens erheblich steigern. Ein häufiges Hindernis für die Einführung von KI für nicht programmierende Geschäftsteams war die Komplexität von KI. Die Verwendung von LLMs war nicht anders, bis chatGPT der Welt zeigte, wie durch eine interaktive Anwendung jeder die Macht dieser Modelle nutzen kann. Diese Kluft zwischen LLMs und den Menschen, die sie nutzen können, einschließlich nicht-technischer Kollegen, ist eine, die Streamlit überbrücken soll. Mit nur 25 Codezeilen kann jeder eine Anwendung erstellen, die eine Schnittstelle für eine besser geführte Eingabeaufforderung und Interaktion mit LLMs bietet, wie z. B. den GPT3-Datensatzgenerator.
Mit der weiteren Integration von Streamlit zur nativen Ausführung in Snowflake wird das Erstellen und Bereitstellen von Anwendungen, die auf LLMs basieren, noch sicherer, skalierbarer und angenehmer.
Die Macht der LLMs zu den Daten bringen
Snowflake bringt integrierte Funktionen zur Gewinnung von Erkenntnissen aus unstrukturierten Daten, LLM-gestützte Benutzererfahrungen und die Infrastruktur für führende LLMs und ihre Front-End-Anwendungen direkt in die Hände der Kunden. Um all dies zu erreichen, konzentrieren wir uns bei der Entwicklung weiterhin auf die Sicherheit und Governance von Daten, indem wir die Arbeit – in diesem Fall die LLMs – zu den Daten bringen. Besuchen Sie uns in Las Vegas auf unserem Summit und erfahren Sie mehr.
Zukunftsgerichtete Aussagen
Dieser Blog enthält ausdrückliche und implizite zukunftsgerichtete Aussagen, einschließlich Aussagen zu Snowflake-Produkten, ‑Services und ‑Technologieangeboten, die sich in der Entwicklung befinden. Diese zukunftsgerichteten Aussagen unterliegen einer Reihe von Risiken, Ungewissheiten und Annahmen, einschließlich derer, die unter der Überschrift Risikofaktoren“ und an anderer Stelle in den Jahresberichten auf Formblatt 10‑K und den Quartalsberichten auf Formblatt 10‑Q beschrieben sind, die Snowflake bei der Securities and Exchange Commission einreicht. In Anbetracht dieser Risiken, Ungewissheiten und Annahmen können die tatsächlichen Ergebnisse erheblich und nachteilig von den in den zukunftsgerichteten Aussagen erwarteten oder implizierten Ergebnissen abweichen. Aus diesem Grund sollten Sie sich nicht auf zukunftsgerichtete Aussagen als Vorhersagen zukünftiger Ereignisse verlassen.
Jegliche Informationen über zukünftige Produkte oder Roadmaps (zusammenfassend als Roadmap“ bezeichnet) in diesem Blog dienen dazu, die allgemeine Produktausrichtung zu skizzieren; sie stellen keine Verpflichtung, kein Versprechen und keine rechtliche Verpflichtung für Snowflake dar, zukünftige Produkte, Funktionen oder Funktionalitäten zu liefern, und sind nicht als Bestandteil eines Vertrags gedacht und können auch nicht als solche betrachtet werden. Der tatsächliche Zeitpunkt der Bereitstellung eines Produkts, einer Funktion oder eines Funktionsumfangs kann sich von den Angaben in der Roadmap unterscheiden. Die Informationen der Roadmap sollten nicht als Grundlage für eine Kaufentscheidung dienen. Beachten Sie außerdem, dass Snowflake keine Entscheidung darüber getroffen hat, ob für zukünftige Produkte, Merkmale und/oder Funktionen, die letztendlich zur Verfügung gestellt werden, separate Gebühren erhoben werden. Snowflake kann nach eigenem Ermessen beschließen, separate Gebühren für die Bereitstellung zukünftiger Produkte, Merkmale und/oder Funktionen zu erheben, die letztendlich zur Verfügung gestellt werden.
Erfahren Sie hier mehr über Lösungen im Bereich Snowflake oder besuchen Sie eines unserer kostenlosen Webinare.
Quelle: snowflake.com
