L’intelligence artificielle n’est plus qu’une simple promesse technologique, elle s’impose aujourd’hui comme un levier incontournable pour transformer la gestion de la donnée et réinventer l’expérience utilisateur. Grâce à Snowflake Intelligence, nous mettons en œuvre des services à forte valeur ajoutée, en tirant parti de leurs dernières technologies.
En quoi l’IA intégrée à Snowflake permet-elle d’enrichir l’expérience utilisateur, en rendant les analyses métiers compréhensibles en langage naturel ?
À travers ce retour d’expérience d’un client, cet article illustre comment l’IA de Snowflake démocratise l’accès à l’analyse métier et la rend plus pertinente pour tous.
Du besoin métier à la solution IA : retour d’expérience sur un cas concret
Dans le cadre d’une mission pour un client du secteur financier, nous avons conçu une pipeline de données permettant de suivre l’historique des modifications apportées aux fonds financiers via un système de gestion des versions. Cette approche visait à garantir une traçabilité précise de chaque changement, tout en offrant la possibilité d’analyser ces évolutions ainsi que les performances et notations associées à chaque version.
Une fois ces fondations en place, un nouveau défi s’est présenté : rendre l’analyse accessible aux experts métiers. Ceux-ci ne disposant pas des compétences techniques nécessaires pour réaliser eux-mêmes les analyses, et la diversité des cas ne permettant pas la création d’un tableau de bord générique, nous avons opté pour une solution d’interrogation des données en langage naturel, en nous appuyant sur Snowflake Intelligence.
Modélisation intelligente : comment Cortex Analyst simplifie la création de modèles sémantiques
Dans le cadre de l’optimisation de la gestion des fonds financiers, une modélisation avancée a été mise en œuvre, s’appuyant sur une logique de versioning rigoureuse. Chaque fonds est ainsi caractérisé par plusieurs éléments structurants :
- Une catégorie
- Une déclinaison
- Un ensemble d’informations descriptives (nom, type de gestion, forme juridique, etc.)
- Une date de début de version
- Une date de fin de version (par défaut : 9999-12-31)
- Une clé de jointure, construite par agrégation de la catégorie, de la déclinaison et de la version (clé unique)
Lorsqu’une modification intervient sur l’une des caractéristiques du fonds, une nouvelle version est générée et la clé de jointure est recalculée. Les performances et notations sont alors associées à la version active au moment du calcul, assurant ainsi une traçabilité optimale des évolutions.
Face à la nécessité croissante de comprendre les variations de performance, les équipes métiers ont exprimé le besoin d’identifier précisément l’origine de ces évolutions, notamment lorsqu’elles résultent de changements dans les caractéristiques des fonds. Jusqu’alors, ces analyses nécessitaient l’intervention systématique de l’équipe data. L’intégration des capacités d’intelligence artificielle de Snowflake, et en particulier la fonctionnalité « Talk to Data » via Cortex Analyst, a permis de démocratiser l’accès à l’analyse métier, en rendant possible l’interrogation des données en langage naturel par les experts métiers eux-mêmes.
Langage naturel au service des experts métiers : interroger les données sans SQL
Etape 1 : Construction rapide d’un modèle sémantique grâce à Cortex Analyst
La création du modèle sémantique s’est révélée particulièrement fluide grâce à l’interface Snowflake. N’ayant pas connaissance de l’ensemble des valeurs de champs, ni du détail exhaustif des données disponibles, plusieurs fonctionnalités se sont avérées déterminantes :
/snowflake_pic.png?Status=Master&sfvrsn=772033db_3)
- La sélection de colonne pertinente (dimension) directement dans la table source
- La recherche d’échantillons de valeur, qui permettent d’avoir une idée des valeurs possibles
- L’ajout de description, assisté par IA qui permettent d’avoir une idée des valeurs possibles
- La recherche de synonymes, assistée par IA qui accélère considérablement la construction du modèle
- Le prompt contextuel, permettant de tester instantanément les résultats générés
Etape 2 : Test et amélioration par itération incrémentale via Verified Queries et Custom Instructions
Une fois le modèle sémantique posé, nous avons travaillé par itération en testant avec quelques exemples :
- Exemple 1 : identifier les fonds fermés en juin 2025
Lors de la transmission initiale de la requête en langage naturel, seuls les fonds dont la date de fin était positionnée en juin 2025 étaient identifiés, sans considération pour la logique métier exigeant l’absence de nouvelle version – c’est-à-dire l’absence de toute ligne comportant une nouvelle date de début pour le même couple catégorie/déclinaison. L’intégration d’une requête vérifiée (« Verified query ») a permis de prendre en compte cette exigence métier et d’assurer la cohérence des résultats obtenus.
- Exemple 2 : identifier les fonds créés en juin 2025
Le modèle renvoyait cette fois l’ensemble des fonds dont une version était ouverte en juin 2025, ce qui n’était pas le comportement attendu. Pour corriger cela, nous avons enrichi le modèle sémantique en introduisant un champ version construit à partir de la join key. Cependant, le modèle ne l’exploitait pas pleinement dans les requêtes générées. Nous avons donc explicitement décrit la logique de version dans le prompt, puis l’avons intégrée de manière permanente via les Custom Instructions afin d’éviter toute répétition dans les échanges futurs.
Après quelques itérations, le modèle semblait répondre aux attentes, nous l’avons donc testé sur des demandes plus complexes : « détecter les modifications d’une information sur un mois donné » par exemple.
La puissance de l’IA : Un modèle robuste & rapide au service des métiers
Bien que le cadre d’analyse n’ait mis l’accent que sur les créations et suppressions de version, les modèles d’IA sous-jacent utilisés par Snowflake Intelligence permettent la prise en compte globale du contexte et de répondre à des questions plus complexes :
- les changements de version,
- les fonds nouvellement créés ou supprimés,
- les modifications intervenues sur un champ particulier au cours d’une période définie.
Ce modèle sémantique a été ajouté dans un agent exposé via Snowflake intelligence qui le rend exploitable très simplement. Grâce aux fonctionnalités Cortex de Snowflake et l’expertise de la cellule Data de Sopra Steria, nous avons pu construire un modèle permettant aux équipes métiers d’interroger leurs données de façon autonome, sans expertise SQL spécifique.
Enfin, Snowflake offre d’autres possibilités que nous déployons actuellement chez nos clients :
- Document AI de Snowflake : amélioration de l’information sur les fonds via analyse automatique de document PDF
- Cortex Knowledge Extension (CKE) : analyse de la performance des fonds via un Dataset disponible sur la Snowflake Marketplace et l’intégration d’un agent basé complémentaire.
L’intégration de l’intelligence artificielle au sein de Snowflake, illustrée par ce retour d’expérience, démontre la capacité de l’IA à transformer en profondeur l’analyse métier et à démocratiser l’accès à la donnée pour les experts métiers, sans compétences techniques préalable. Grâce à des outils comme Snowflake Intelligence et les fonctionnalités de langage naturel, il devient possible de modéliser, d’interroger et d’expliquer des données complexes de manière intuitive, tout en garantissant la traçabilité et la pertinence des analyses.