Snowflake — Guide d'utilisation de Cortex Code dans Snowsight

1 Qu'est-ce que Cortex Code ?

Cortex Code est l'assistant de programmation IA intégré à Snowsight, l'interface web de Snowflake. Il permet de générer du code SQL, Python et Streamlit directement à partir du langage naturel, accélérant le développement de solutions analytiques.

Fonctionnalités principales

Génération de code SQL — CREATE TABLE, INSERT, vues, procédures, fonctions
Cortex AI/ML — ML.CLASSIFICATION, ML.FORECAST, CORTEX.COMPLETE, CORTEX.SENTIMENT, Cortex Search
Feature Store — Entity, FeatureView, get_features()
Model Registry — log_model(), get_model(), versionnage
Streamlit — Génération de dashboards interactifs
Tasks & Pipelines — Automatisation et orchestration

Important : Cortex Code génère du code qui s'exécute dans votre compte Snowflake. Tout reste dans votre environnement — aucune dépendance externe, aucune donnée envoyée à l'extérieur.

2 Prérequis

Avant de commencer, assurez-vous d'avoir configuré les éléments suivants :

Compte Snowflake

Important : Demandez à votre représentant Snowflake la création des comptes nécessaires pour votre équipe. Ainsi, nous nous assurons que toutes les fonctions de Cortex Code et Cortex AI sont prises en charge : ML.CLASSIFICATION, ML.FORECAST, CORTEX.COMPLETE, CORTEX.SENTIMENT, Cortex Search et Feature Store.

Accéder à Cortex Code dans Snowsight

Une fois connecté à votre compte, le panneau de l'assistant Cortex Code apparaît sur la partie droite de l'écran. C'est votre compagnon de programmation IA pour exécuter tous les prompts de ce catalogue :

Prêt : Si vous voyez le panneau Cortex Code avec le message «How can I help?» à droite, vous pouvez commencer à copier-coller les prompts de n'importe quel cas d'usage.

Compte et permissions

Compte Snowflake avec accès à Snowsight
Rôle avec permissions CREATE DATABASE, CREATE SCHEMA, CREATE TABLE
Warehouse actif (recommandé : taille S pour le développement, M pour la production)
Cortex Code activé dans le compte (disponible dans toutes les éditions)

Pour les fonctions avancées

Cortex AI/ML : Nécessite que la région prenne en charge les Cortex Functions (AWS us-west-2, us-east-1, eu-west-1, etc.)
Feature Store : Package snowflake-ml-python disponible
Model Registry : Permissions pour créer des modèles dans le schéma
Streamlit : Permission CREATE STREAMLIT dans le schéma

Note sur les régions : Certaines fonctions Cortex AI (comme ML.CLASSIFICATION ou CORTEX.COMPLETE) nécessitent des régions spécifiques. Consultez la documentation de disponibilité pour vérifier votre région.

3 Ouvrir Cortex Code dans Snowsight

Cortex Code est intégré à plusieurs surfaces de Snowsight. Voici comment y accéder :

Option A — Depuis les Workspaces

Allez dans Snowsight → Projects → Workspaces
Créez ou ouvrez un workspace existant
Cliquez sur l'icône Cortex (✨) dans la barre latérale droite, ou utilisez le raccourci Cmd+Shift+Space (Mac) / Ctrl+Shift+Space (Windows)
Le panneau Cortex Code s'ouvrira à droite de l'éditeur

Astuce : Le panneau Cortex Code conserve le contexte de votre workspace. Si vous avez des tables référencées dans l'éditeur, Cortex Code les utilisera comme contexte pour générer un code plus précis.

4 Ajouter la Skill Best-Practices à Cortex Code

Pour améliorer les performances et réduire les coûts du code généré, vous pouvez ajouter la skill best-practices à Cortex Code. Une fois chargée, elle sera disponible avant chaque prompt et orientera l'assistant vers la génération de code plus efficace et optimisé pour Snowflake.

4.1 — Télécharger la skill

Téléchargez le fichier compressé contenant la skill best-practices et enregistrez-le sur votre ordinateur :

Télécharger best-practices.zip

4.2 — Décompresser localement

Décompressez le fichier téléchargé sur votre ordinateur. Vous obtiendrez un dossier nommé best-practices contenant les fichiers de la skill prêts à être importés.

Astuce : Décompressez dans un emplacement facile à retrouver (par exemple le Bureau ou votre dossier Téléchargements), car à l'étape suivante vous devrez sélectionner ce dossier depuis Snowsight.

4.3 — Importer la skill dans Cortex Code sur Snowsight

Dans Snowsight, dans le panneau Cortex Code, cliquez sur le bouton +, sélectionnez l'option «Upload Skill Folder(s)» et choisissez le dossier best-practices que vous venez de décompresser :

Bouton + dans Cortex Code pour importer une skill

Note : Le bouton + se trouve en haut du panneau Cortex Code, à côté du sélecteur de contexte. En cliquant, un menu apparaît — sélectionnez «Upload Skill Folder(s)» et naviguez jusqu'au dossier décompressé de la skill.

4.4 — Utiliser la skill avant chaque prompt

Une fois importée, la skill sera disponible dans votre session Cortex Code. Tapez la commande /best-practices avant chaque prompt pour l'activer et obtenir un code plus efficace :

Commande /best-practices disponible dans Cortex Code

Prêt : Avec la skill active, Cortex Code appliquera automatiquement les bonnes pratiques Snowflake à tout le code généré : utilisation efficace des warehouses, clustering keys, optimisation des requêtes et réduction des coûts de crédits.

5 Flux de travail avec les prompts

Chaque cas d'usage de ce catalogue comprend entre 8 et 11 prompts séquentiels. Le flux recommandé est :

Choisir
le cas d'usage

Lire
le guide

Ouvrir
Cortex Code

Copier-coller
chaque prompt

Vérifier &
exécuter

Structure de chaque cas d'usage

En cliquant sur «Voir les prompts» sur n'importe quelle carte de cas d'usage, vous verrez :

Étape 1 — Configurer l'environnement : Crée la base de données, le schéma et le warehouse. Toujours le premier prompt.
Étapes 2-4 — Créer les données : Génère des tables avec des données synthétiques représentatives du domaine.
Étapes 5-7 — Analyser et modéliser : Features, modèles ML, fonctions Cortex AI, Feature Store ou Model Registry.
Étapes 8-9 — Dashboard : Code Streamlit pour la visualisation interactive.
Dernière étape — Pipeline : Tasks pour l'automatisation et le fonctionnement continu.

Séquentialité : Les prompts sont conçus pour être exécutés dans l'ordre. Chaque étape dépend des objets créés aux étapes précédentes. Ne sautez pas d'étapes.

6 Exécuter un cas d'usage pas à pas

Voyons le processus complet avec un exemple pratique :

6.1 — Sélectionner le secteur et le cas d'usage

Rendez-vous au catalogue des secteurs
Choisissez un secteur (par exemple, Banque)
Parcourez les cartes ou utilisez la recherche pour trouver un cas d'usage
Lisez la section «Problème» pour comprendre le besoin métier

6.2 — Lire le guide

Cliquez sur «Voir le guide»
Lisez les sections : Contexte, Focus, Défi, Objectifs, Fonctionnalités, Données, Stratification et Utilisation
Cela vous donnera le cadre conceptuel avant de générer du code

6.3 — Exécuter les prompts

Cliquez sur «Voir les prompts»
Dans Snowsight, ouvrez un workspace et activez Cortex Code
Pour chaque étape :
- Cliquez sur «Copier» sur le prompt
- Collez-le dans le panneau Cortex Code
- Cortex Code générera le code SQL/Python correspondant
- Vérifiez-le avant l'exécution (voir section 7)
- Cliquez sur «Run» ou «Apply»
- Vérifiez que l'exécution s'est bien déroulée
- Passez au prompt suivant

Exemple-- Prompt copied from the catalog (Step 1):
"Create the database BANKING_FRAUD_DB with schema ANALYTICS
and warehouse BANKING_WH (size S). Include comments for the
transactional fraud detection project."

-- Cortex Code generates:
CREATE DATABASE IF NOT EXISTS BANKING_FRAUD_DB
  COMMENT = 'Transactional fraud detection project with Cortex AI/ML';

CREATE SCHEMA IF NOT EXISTS BANKING_FRAUD_DB.ANALYTICS
  COMMENT = 'Main schema for fraud analytics';

CREATE WAREHOUSE IF NOT EXISTS BANKING_WH
  WAREHOUSE_SIZE = 'SMALL'
  AUTO_SUSPEND = 300
  AUTO_RESUME = TRUE
  COMMENT = 'Warehouse for banking fraud project';

USE DATABASE BANKING_FRAUD_DB;
USE SCHEMA ANALYTICS;
USE WAREHOUSE BANKING_WH;

Résultat attendu : À la fin de toutes les étapes, vous aurez : une base de données avec des tables de données synthétiques, des modèles ML entraînés, des fonctions Cortex AI configurées et un dashboard Streamlit fonctionnel.

7 Vérifier et valider le code généré

Cortex Code génère du code de haute qualité, mais vous devez toujours le vérifier avant l'exécution. Points clés :

Checklist de vérification

Noms des objets : Vérifiez que la base de données, le schéma et le warehouse correspondent à votre environnement
Taille du warehouse : Ajustez la taille selon votre charge (S pour le développement, M-L pour la production)
Volume de données synthétiques : Les prompts suggèrent des volumes représentatifs ; ajustez selon vos besoins
Modèles LLM : Vérifiez que le modèle référencé (ex. llama3.1-70b, mistral-large2) est disponible dans votre région
Fonctions ML : Confirmez que ML.CLASSIFICATION, ML.FORECAST sont disponibles
Permissions : Votre rôle doit disposer des grants nécessaires sur les objets

Adapter aux données réelles

Les prompts génèrent des données synthétiques pour la démonstration. Pour passer en production :

Remplacez les CREATE TABLE ... INSERT synthétiques par des CREATE VIEW ou SELECT sur vos tables réelles
Ajustez les noms de colonnes à votre modèle de données
Modifiez les seuils et paramètres métier
Conservez la structure des features, modèles et dashboards

Données synthétiques : Les données générées sont fictives et représentatives. Ne pas utiliser dans des rapports métier réels. Elles servent à valider le pipeline de bout en bout avant de connecter les données réelles.

8 Déployer des dashboards Streamlit

Presque tous les cas d'usage incluent un prompt pour générer un dashboard Streamlit. Voici comment le déployer :

8.1 — Générer l'application Streamlit

Exécutez le prompt «Dashboard» (généralement l'avant-dernière étape)
Cortex Code générera du code Python avec Streamlit
Allez dans Snowsight → Projects → Streamlit

8.3 — Vérifier et partager

Vérifiez que tous les graphiques et tableaux se chargent correctement
En cas d'erreurs, vérifiez que les tables et vues existent (créées aux étapes précédentes)
Partagez l'application avec d'autres utilisateurs via «Share»

Structure typique# Streamlit generated by Cortex Code
import streamlit as st
from snowflake.snowpark.context import get_active_session

session = get_active_session()
st.set_page_config(page_title="Dashboard", layout="wide")

# Main KPIs
col1, col2, col3 = st.columns(3)
with col1:
    st.metric("Metric 1", value1)
# ... charts, tables, interactive filters

9 Automatiser avec Tasks et Pipelines

Le dernier prompt de chaque cas d'usage crée des Tasks Snowflake pour automatiser le pipeline :

Ce qui est automatisé

Ingestion de données : Chargement périodique depuis les sources (quotidien, hebdomadaire)
Mise à jour des features : Recalculer les indicateurs et métriques
Scoring ML : Exécuter les modèles sur les nouvelles données
Alertes : Notifications en cas de dépassement des seuils
Réentraînement : Mettre à jour les modèles périodiquement

Structure typique des Tasks

SQL-- Weekly scoring task
CREATE OR REPLACE TASK weekly_scoring
  WAREHOUSE = MY_WH
  SCHEDULE = 'USING CRON 0 6 * * 1 Europe/Paris'
  COMMENT = 'Weekly ML scoring on active data'
AS
  CALL run_scoring();

-- Activate
ALTER TASK weekly_scoring RESUME;

DAG de Tasks : Les cas d'usage avancés créent des DAGs (Directed Acyclic Graphs) où des Tasks dépendent les unes des autres. Cortex Code génère automatiquement les dépendances avec AFTER.

10 Vérifier les coûts consommés

Après avoir exécuté un ou plusieurs cas d'usage, utilisez ce prompt dans Cortex Code pour obtenir un résumé consolidé de tous les crédits et tokens consommés pour la journée en cours : warehouses, fonctions Cortex AI, modèles ML et Cortex Code dans Snowsight.

Prompt — Résumé des coûts du jour

Copiez-collez ce prompt directement dans Cortex Code (pensez à activer /best-practices avant) :

PromptGenerate a SQL query that shows a consolidated summary of all costs and
consumption of the Snowflake account for the current day (CURRENT_DATE). Include the following sections:

1. WAREHOUSE CREDITS
   - Source: SNOWFLAKE.ACCOUNT_USAGE.WAREHOUSE_METERING_HISTORY
   - Columns: warehouse_name, SUM(credits_used) AS warehouse_credits
   - Filter: DATE(start_time) = CURRENT_DATE()

2. CORTEX AI FUNCTIONS (tokens and credits)
   - Source: SNOWFLAKE.ACCOUNT_USAGE.CORTEX_FUNCTIONS_USAGE_HISTORY
   - Columns: function_name, SUM(tokens_used) AS tokens_used,
     SUM(credits_used) AS cortex_credits
   - Filter: DATE(start_time) = CURRENT_DATE()

3. SERVERLESS ML FUNCTIONS (ML.CLASSIFICATION, ML.FORECAST, etc.)
   - Source: SNOWFLAKE.ACCOUNT_USAGE.METERING_DAILY_HISTORY
   - Filter: service_type IN ('ML_FUNCTIONS','SNOWPARK_ML')
     AND DATE(usage_date) = CURRENT_DATE()
   - Columns: service_type, credits_used_compute AS ml_credits

4. CORTEX CODE IN SNOWSIGHT
   - Source: SNOWFLAKE.ACCOUNT_USAGE.METERING_DAILY_HISTORY
   - Filter: service_type = 'CORTEX_CODE'
     AND DATE(usage_date) = CURRENT_DATE()
   - Columns: service_type, credits_used_compute AS cortex_code_credits

5. TOTAL SUMMARY BY SERVICE TYPE
   - Union all previous results with UNION ALL
   - Final columns: service_type, name, tokens_used, credits_spent
   - Order by credits_spent DESC
   - Add a TOTAL row at the end with SUM of all credits

Use CTEs for each section. If a view does not exist in the account,
replace it with SNOWFLAKE.ACCOUNT_USAGE.METERING_DAILY_HISTORY filtering by the equivalent service_type.
Add comments explaining each CTE.

Note : Les données d'ACCOUNT_USAGE ont une latence allant jusqu'à 45 minutes. Si vous venez d'exécuter un cas d'usage et qu'aucune donnée n'apparaît, attendez quelques minutes et relancez la requête.

Alternative : Si CORTEX_FUNCTIONS_USAGE_HISTORY n'est pas disponible dans votre compte, Cortex Code remplacera automatiquement cette section par METERING_DAILY_HISTORY avec service_type = 'AI_SERVICES'.

11 Conseils et bonnes pratiques

Développement

Utilisez toujours /best-practices avant chaque prompt — Activez la skill pour que Cortex Code génère un code optimisé en performance et en coûts dès le départ
Exécutez prompt par prompt — N'essayez pas d'exécuter tous les prompts d'un coup ; chaque étape valide la précédente
Nommez vos objets de manière cohérente — Les prompts suggèrent des noms descriptifs comme BANKING_FRAUD_DB
Sauvegardez le worksheet — Chaque cas d'usage génère beaucoup de code ; sauvegardez fréquemment

Cortex Code

Soyez spécifique dans les prompts — Les prompts du catalogue sont déjà détaillés, mais vous pouvez ajouter le contexte de votre activité
Itérez sur le code — Si le code généré ne correspond pas exactement à vos besoins, demandez à Cortex Code de l'ajuster
Utilisez le contexte du worksheet — Si vous avez déjà des tables dans l'éditeur, Cortex Code les référencera automatiquement
Combinez les prompts si nécessaire — Pour les utilisateurs avancés, vous pouvez combiner 2-3 étapes dans un seul prompt plus long

Production

Remplacez les données synthétiques par des réelles — Le pipeline fonctionne de la même manière, vous ne changez que la source de données
Configurez des Resource Monitors — Contrôlez la consommation de crédits du warehouse
Vérifiez les permissions — Utilisez des rôles spécifiques pour chaque projet (data_scientist, analyst, etc.)
Surveillez les Tasks — Vérifiez l'historique d'exécution dans Activity → Task History
Versionnez les modèles — Les cas d'usage avec Model Registry incluent déjà le versionnage ; utilisez-le pour l'A/B testing

12 Questions fréquentes

Faut-il connaître le SQL pour utiliser les prompts ?

Ce n'est pas indispensable, mais cela aide. Cortex Code génère le SQL pour vous, mais comprendre les concepts de base (CREATE TABLE, SELECT, JOIN) vous permettra de vérifier et adapter le code en toute confiance.

Les données synthétiques consomment-elles beaucoup de crédits ?

Très peu. La génération de données synthétiques avec INSERT consomme très peu de crédits (quelques secondes d'un warehouse S). La plus grande consommation provient de l'entraînement ML et des fonctions Cortex, qui dépendent du volume de données.

Puis-je utiliser les prompts avec mes données réelles dès le départ ?

Oui. Remplacez les étapes «Créer les données» par des références à vos tables existantes. Assurez-vous que les noms de colonnes correspondent à ce qu'attendent les étapes suivantes, ou demandez à Cortex Code d'adapter le code.

Que faire si un prompt génère une erreur ?

Le plus fréquent : (1) une étape précédente créant la table référencée n'a pas été exécutée, (2) le warehouse n'est pas actif, (3) la fonction Cortex n'est pas disponible dans votre région. Vérifiez le message d'erreur et demandez à Cortex Code de le corriger : «Ce code produit l'erreur X, corrigez-le».

Combien de temps faut-il pour compléter un cas d'usage ?

Entre 8 et 15 minutes pour exécuter tous les prompts avec des données synthétiques. Le temps indiqué sur chaque carte est une estimation réaliste incluant la vérification du code.

Puis-je combiner des cas d'usage de différents secteurs ?

Absolument. De nombreux patterns sont transversaux : un Feature Store client fonctionne de la même manière en banque, retail ou télécom. Adaptez les noms de colonnes et la logique métier.

Cortex Code se souvient-il des étapes précédentes ?

Dans la même session de worksheet, oui. Si vous fermez et rouvrez, vous devrez fournir du contexte. C'est pourquoi nous recommandons d'exécuter toutes les étapes d'un cas d'usage dans une session continue.

Puis-je modifier les prompts ?

Oui, et c'est recommandé. Les prompts sont conçus comme point de départ. Ajoutez des détails de votre activité, ajustez les volumes de données, modifiez les seuils ou ajoutez des colonnes spécifiques à votre domaine pour obtenir des résultats plus précis.

Quelle est la différence entre «Voir le guide» et «Voir les prompts» ?

Voir le guide affiche le cadre conceptuel : contexte du problème, objectifs, données nécessaires et stratégie d'implémentation. Voir les prompts contient les prompts pas à pas que vous copiez-collez directement dans Cortex Code pour générer le code.

Faut-il installer quelque chose ?

Presque rien. Tout le code s'exécute dans Snowsight depuis le navigateur, sans environnements Python ni outils externes. La seule étape préparatoire est de télécharger la skill best-practices (fichier best-practices.zip), la décompresser sur votre ordinateur et importer le dossier dans Cortex Code via le bouton + dans Snowsight. Une fois importée, elle sera disponible avec la commande /best-practices et vous n'aurez pas à répéter le processus.