Snowflake Cortex intègre les capacités de l’intelligence artificielle générative directement dans l’environnement de données des entreprises. La plateforme permet de réaliser de nombreuses opérations comme l’exploitation de modèles de langage, l’interrogation de bases SQL en langage naturel…
Snowflake Cortex marque une nouvelle étape dans l’évolution des plateformes de données. Le système rapproche les modèles d’intelligence artificielle des informations qu’ils doivent exploiter. Jusqu’ici, les entreprises devaient souvent extraire leurs données vers des services externes pour utiliser des LLM. Elles devaient ensuite construire des pipelines RAG ou automatiser certaines analyses. Cette architecture multipliait les composants techniques et soulevait des questions de gouvernance.
Snowflake propose une approche différente qui consiste à intégrer les fonctions d’IA directement dans son Data Cloud. Les développeurs peuvent appeler des modèles depuis SQL ou Python. D’un autre côté, les utilisateurs métiers interrogent leurs données sans maîtriser le langage technique. En 2026, cette suite regroupe plusieurs briques complémentaires, dont Cortex AI Functions, Analyst, Search et Agents.
Snowflake : le socle IA de Snowflake Cortex
Cette fonction constitue la couche d’intelligence artificielle intégrée à l’environnement Snowflake. Elle vise à permettre aux entreprises d’exploiter les capacités des grands modèles de langage. Tout peut se faire sans construire une infrastructure IA entièrement séparée de leur entrepôt de données. De ce fait, les équipes peuvent travailler sur leurs informations existantes. Il suffit de mobiliser des fonctions accessibles depuis SQL, des interfaces Python et différents services managés.
Cette intégration modifie sensiblement la manière de concevoir une architecture data. Dans un environnement traditionnel, un projet d’IA générative nécessite généralement plusieurs composants. Un entrepôt de données, un service d’inférence, une base vectorielle, un système d’orchestration et une couche applicative chargée de gérer les échanges. Chaque élément possède ses propres paramètres de sécurité, ses contraintes de disponibilité et ses mécanismes de facturation.
Avec Cortex, Snowflake cherche à réduire cette fragmentation. Les fonctions d’IA sont accessibles dans le même environnement que les données et simplifient les échanges entre les différentes briques. Les développeurs peuvent exploiter des modèles issus de fournisseurs comme Anthropic, Mistral, Meta ou OpenAI, selon les modèles et les régions.
Cortex AI Functions : l’IA générative directement en SQL
Ces fonctions représentent la porte d’entrée la plus simple pour découvrir l’intelligence artificielle intégrée à Snowflake Cortex. Elles permettent d’exécuter des opérations basées sur des modèles de langage directement depuis une requête SQL. Les développeurs n’ont pas besoin de construire une application intermédiaire pour analyser un ensemble de textes.
La fonction AI_COMPLETE occupe une place centrale dans cet environnement. Elle permet de soumettre une instruction à un modèle de langage afin de générer une réponse textuelle. Par ailleurs, AI_SUMMARIZE_AGG condense un contenu textuel pour en extraire les éléments essentiels à travers plusieurs lignes. De son côté, AI_FILTER permet de valider des contenus en évaluant une instruction pour renvoyer une valeur booléenne (Vrai ou Faux). Il agit comme une couche de vérification directement dans les clauses WHERE de vos requêtes.
D’autres fonctions complètent cet ensemble dont les suivantes :
- AI_TRANSLATE prend en charge la traduction de contenus
- AI_SENTIMENT permet d’identifier la tonalité d’un texte
- AI_CLASSIFY sert à répartir des informations dans différentes catégories prédéfinies.
Cortex Analyst : comment interroger ses données sans écrire de SQL ?
Cette fonction s’attaque à une difficulté bien connue des entreprises. L’accès aux données reste souvent réservé aux personnes qui maîtrisent SQL. Pourtant, les équipes commerciales, financières ou marketing ont besoin de consulter régulièrement des indicateurs sans solliciter systématiquement un ingénieur data.
Le service repose sur une technologie appelée text-to-SQL. Son rôle consiste à transformer une question formulée en langage naturel en une requête SQL. Celle-ci doit être adaptée à la structure de la base de données. L’utilisateur peut demander le chiffre d’affaires du dernier trimestre, comparer les performances de deux filiales ou identifier les produits les plus rentables.
Cependant, la traduction d’une question en SQL ne consiste pas simplement à remplacer des mots par des commandes techniques. Le système doit comprendre les relations entre les tables, identifier les mesures pertinentes et interpréter correctement les notions métier. C’est là qu’intervient le modèle sémantique qui fournit au service des informations sur les structures de données.
Prenez aussi en compte les dimensions, les mesures et les relations utilisées dans l’entreprise. Ces éléments peuvent être décrits dans des fichiers YAML, ou directement managés dans Snowflake via des Vues Sémantiques (Semantic Views). Ceux-ci précisent de manière gouvernée la signification des champs et les règles de calcul à respecter.
Sans couche sémantique, le modèle doit interpréter les éléments suivants :
- La colonne correspondant au chiffre d’affaires
- Le champ permettant d’identifier la région
- La relation entre les clients et les commandes
- La période à prendre en compte
Cortex Search : comment exploiter les documents et contenus non structurés ?
Les entrepôts de données contiennent généralement des informations structurées dans des tables et des colonnes. Pourtant, une part importante du patrimoine informationnel d’une entreprise se trouve ailleurs. Notez en particulier les contrats PDF, les rapports techniques, la documentation interne, les comptes rendus ou les fichiers Markdown.
Cortex Search permet d’exploiter ces contenus sans devoir les convertir intégralement en tables relationnelles. Ce service de recherche managé combine des mécanismes de recherche lexicale et sémantique. Il permet de retrouver des passages pertinents à partir d’une requête utilisateur.
La recherche lexicale repose sur la correspondance entre les termes recherchés et ceux présents dans les documents indexés. Elle se montre efficace pour retrouver une référence exacte, un numéro de série, un identifiant ou une expression technique. Par ailleurs, la recherche sémantique fonctionne différemment. Elle s’appuie sur des représentations vectorielles, appelées embeddings, qui encodent le sens d’un texte sous forme de valeurs numériques.
La création d’un service commence généralement par l’identification d’une source de données textuelles. Les documents peuvent être stockés dans un stage Snowflake, puis traités pour extraire leur contenu. La fonction AI_PARSE_DOCUMENT intervient dans l’analyse de fichiers documentaires afin d’en récupérer les informations textuelles.
Les contenus sont ensuite préparés pour l’indexation. Selon la structure des documents, cette étape peut nécessiter un découpage en segments, également appelés chunks. Cette opération est essentielle dans une architecture RAG. Elle évite de transmettre systématiquement des documents entiers au modèle de langage.
Cortex Agents : comment construire des agents IA sur ses données d’entreprise ?
Les agents IA représentent une évolution importante par rapport aux assistants conversationnels classiques. Ils peuvent décomposer un objectif en plusieurs étapes et mobiliser différents outils pour obtenir les informations nécessaires. Cortex Agents s’inscrit dans cette logique. Le service permet de construire des agents capables de combiner plusieurs composants de l’écosystème Snowflake, notamment Cortex Analyst et Cortex Search.
L’objectif est de traiter des demandes qui nécessitent de croiser des données structurées et des documents non structurés. Un agent Cortex peut orchestrer différentes opérations. Il commence par identifier les données pertinentes et interroge les tables structurées via Analyst. Il passe ensuite à la recherche des procédures correspondantes dans les documents indexés par Search. Les informations récupérées sont transmises au modèle de langage pour construire une réponse contextualisée.
Cette capacité d’orchestration repose sur plusieurs éléments. L’agent dispose d’instructions qui définissent son rôle, ses objectifs et ses limites. Il connaît aussi les outils auxquels il peut accéder et les conditions dans lesquelles il doit les utiliser. Lorsqu’une demande arrive, le modèle analyse son contenu et détermine les opérations nécessaires. Selon la complexité du problème, il peut lancer une recherche documentaire, exécuter une analyse SQL ou combiner plusieurs résultats.
L’intégration avec les autres services constitue ici un avantage technique important. L’entreprise n’a pas besoin de développer séparément un moteur de recherche documentaire et un système de génération SQL. Cela ne vous empêche pas de vous connecter à un orchestrateur externe. Elle peut exploiter les composants déjà présents dans son environnement Snowflake.
Quels cas d’usage métier Snowflake Cortex rend-il réellement accessibles ?
Les fonctionnalités de la plateforme prennent tout leur sens lorsqu’elles répondent à des besoins opérationnels précis. L’enjeu n’est pas simplement de mettre un chatbot à disposition des collaborateurs. C’est plutôt de réduire le temps consacré à certaines tâches répétitives et de faciliter l’exploitation des données existantes.
Le support client constitue un premier terrain d’application. Les entreprises reçoivent souvent des milliers de messages, de réclamations et de demandes d’assistance. Leur traitement manuel mobilise des équipes importantes et rend difficile l’identification rapide des problèmes récurrents.
Les AI Functions permettent de classifier les demandes, d’identifier leur tonalité et d’en produire des synthèses. Cortex Search peut compléter cette analyse en retrouvant les passages pertinents dans une base de connaissances. Un agent peut ensuite combiner les informations issues de l’historique client et de la documentation technique pour proposer une réponse contextualisée.
La direction financière représente un autre cas d’utilisation intéressant. Les équipes peuvent interroger les indicateurs de plusieurs filiales sans construire manuellement chaque requête SQL. Cortex Analyst facilite la comparaison des chiffres d’affaires, des marges ou des volumes de ventes sur différentes périodes.
Dans les ressources humaines, les possibilités concernent principalement le traitement documentaire. Les modèles peuvent aider à extraire des compétences depuis des CV et à classer des candidatures selon des critères définis. Ils sont aussi capables de synthétiser des comptes rendus d’entretien. Toutefois, les résultats doivent être soumis à une validation humaine, surtout quand ils interviennent dans des décisions concernant les candidats.
- Partager l'article :
