"Streamlit in Snowflake（SiS）" でsemantic-model-generator とcortex-analyst と動作させる方法

概要

Snowflake 内にあるテーブルに対して，テーブルのメタ情報を作成する処理（semantic-model-generator）と，その情報を用いてテーブルを自然言語で問い合わせを行う処理（cortex-analyst）を構築する．構築方法は，Streamlit in Snowflake（SiS）を用いるやり方とローカルのPythoを用いてStreamlitを用いるやり方があるが，今回は前者のやり方について解説する．

前提条件

• Streamlit in Snowflake（SiS）で処理が完結
• ACCOUNTADMINの権限があること
• SnowflakeからGitリポジトリにアクセスできること，できなければ別の手段でGitリポジトリにあるファイルをSnowflakeの内部ステージにアップロードできること

大まかな流れ

1. テーブルのメタ情報を作成する処理（semantic-model-generator）の実装
2. テーブルを自然言語で問い合わせを行う処理（cortex-analyst）の実装
   

1. テーブルのメタ情報を作成する処理の実装

• semantic-model-generator にアクセス
• sissetup_snowsightgit.sql を実行
  Gitリポジトリにアクセスするための外部APIの作成，Gitリポジトリへの接続，内部ステージの作成，Gitリポジトリから内部ステージへのファイルコピー，Streamlitアプリの作成を実施
  
  
  
• Streamlitアプリを実行し，テーブルのメタ情報となるyamlファイルを作成する
  
  
  
  

2. テーブルを自然言語で問い合わせを行う処理の実装

• cortex-analyst にアクセス

• create_snowflake_objects.sql を実行
  cortex-analyst のアプリを動作させるためのデータベースやスキーマ，ステージ，テストテーブルを作成

  • ROLE の切り替えが発生するため，すべて選択して実行はできない．そのため，基本的には1行ごとに実行する．
  • SECURITYADMIN やSYSADMIN 等必要な権限に切り替えながら実行する．必要に応じてロールは変更して実行すること．cortex_user_role についても，別のロールに置き換えても良い．
  • 部分は権限を付与したいアカウント名を指定して書き換えること．
  • テストテーブル（daily_revenue，product_dim，region_dim）は本番環境では不要．不要の場合，次および次々の手順はスキップしても良い．

• daily_revenue.csv，product.csv，region.csv，revenue_timeseries.yaml（3つのテーブルのメタデータ） のファイルを内部ステージにアップロード（スキップ可）
  

• cortex_search_create.sql を実行（スキップ可）
  テストテーブルにdaily_revenue.csv，product.csv，region.csv をロード

• Streamlit in Snowflake（SiS） でcortex_analyst_sis_demo_app.py を実行