Zum Hauptinhalt springen
Deutsch— Sprache auswählen
Menü

Snowflake, IBM watsonx und Outscale

Lektion 9 von 14 Aktualisiert am 2. November 2026 Fortgeschritten
Auf dieser Seite
  1. Drei ergänzende Plattformen
  2. Snowflake Cortex
  3. IBM watsonx.ai
  4. Outscale
  5. Vergleich der drei Plattformen
  6. Kernaussagen

Drei ergänzende Plattformen

Neben den großen Hyperscalern (Azure, GCP, AWS) ist Mistral auf drei weiteren Plattformen verfügbar, die spezifische Anforderungen adressieren: Snowflake Cortex für Datenteams, IBM watsonx für regulierte Unternehmen und Outscale für europäische Datenhoheit. Keine dieser Plattformen zielt darauf ab, allgemeine Plattformen zu ersetzen; vielmehr zeichnet sich jede in einem bestimmten Szenarium aus. Diese Lektion bietet Ihnen einen klaren Überblick über alle drei.

Snowflake Cortex

Snowflake Cortex integriert KI-Modelle direkt in die Snowflake-Plattform. Der Hauptvorteil lässt sich in einem Satz zusammenfassen: Sie rufen Mistral aus Ihren SQL-Abfragen auf, ohne Daten jemals aus Snowflake zu exportieren. Zwei Modelle stehen zur Verfügung: Mistral Large 2 unter der Bezeichnung mistral-large2 für fortgeschrittenes Reasoning und Mistral 7B, eine leichte serverlose Option. Voraussetzungen sind ein Snowflake-Konto in einer Cortex-kompatiblen Region und die Aktivierung der Rolle CORTEX_USER.

Die eleganteste Integration ist ein reiner SQL-Aufruf:

-- Direkter Aufruf innerhalb einer SQL-Abfrage
SELECT SNOWFLAKE.CORTEX.COMPLETE(
    'mistral-large2',
    'Summarize the main trends in this dataset.'
) AS summary;

Der wahre Wert entsteht, wenn Sie das Modell mit Ihren bestehenden Tabellen kombinieren. Stellen Sie sich eine Tabelle reviews mit Millionen von Kundenbewertungen vor: Anstatt ein Export-Skript zu schreiben, eine API-Aufruf-Pipeline aufzubauen und Ergebnisse neu zu importieren, generieren Sie in einer einzigen Abfrage eine Sentiment-Spalte.

-- Analyse jeder Zeile in einer Tabelle
SELECT
    id,
    description,
    SNOWFLAKE.CORTEX.COMPLETE(
        'mistral-large2',
        CONCAT('Classify this text (positive/negative/neutral): ', description)
    ) AS sentiment
FROM reviews
LIMIT 100;

Das LIMIT 100 in diesem Beispiel ist kein Schmuckelement: Beginnen Sie immer mit einer Stichprobe, um Kosten zu schätzen und Antwortformate zu überprüfen, bevor Sie die Verarbeitung auf die gesamte Tabelle anwenden. Dieselbe Logik ist über Snowpark in Python verfügbar, was die Integration von Aufrufen in bestehende Pipelines ermöglicht:

from snowflake.cortex import Complete

# Einfacher Aufruf
completion = Complete(
    model="mistral-large2",
    prompt="What are Snowflake's advantages for AI?"
)
print(completion)

Cortex eignet sich hervorragend für großangelegte Textklassifizierung, die direkte Anreicherung von Daten innerhalb von SQL-Pipelines, die Generierung von Zusammenfassungen über riesige Datensätze und die Durchführung von Sentiment-Analysen, ohne Daten jemals zu exportieren.

IBM watsonx.ai

IBM watsonx.ai ist die Unternehmens-KI-Plattform von IBM, die für regulierte Branchen wie Banken, Versicherungen und Gesundheitswesen entwickelt wurde. Mistral-Modelle, einschließlich Mistral Large, sind sowohl als SaaS als auch On-Premise verfügbar, was diese Option stark macht, wenn interne Audits das Senden von Daten an öffentliche Cloud-Dienste verbieten. Der Zugriff erfordert ein IBM watsonx-Projekt (IBM_CLOUD_PROJECT_ID), eine Service-ID mit Zugriff auf Watson Machine Learning und die Rolle EDITOR, sowie einen IBM Cloud API-Schlüssel (IBM_CLOUD_API_KEY).

Ihre gewählte Region bestimmt die Endpunkt-URL, die Sie an den Client übergeben:

RegionCode
Dallasus-south
Londoneu-gb
Frankfurteu-de
Tokyojp-tok

Die Installation umfasst drei Pakete:

pip install httpx ibm-watsonx-ai mistral-common

Das dritte Paket verdient besondere Aufmerksamkeit. Das Paket mistral-common ist für die korrekte Prompt-Formatierung unerlässlich. Ohne es kann der Tokenizer stille Fehler produzieren – Antworten, die plausibel erscheinen, aber auf falsch tokenisierten Prompts basieren. Dies ist das Worst-Case-Szenario, da nichts darauf hinweist, dass ein Problem besteht.

Sobald die Credentials bereitgestellt sind, bleibt der Aufruf selbst einfach:

from ibm_watsonx_ai.foundation_models import ModelInference
import os

model = ModelInference(
    model_id="mistralai/mistral-large",
    credentials={
        "url": "https://eu-de.ml.cloud.ibm.com",
        "apikey": os.environ["IBM_CLOUD_API_KEY"]
    },
    project_id=os.environ["IBM_CLOUD_PROJECT_ID"]
)

response = model.generate_text(
    prompt="What are the GDPR requirements for AI data processing?"
)
print(response)

Vermeiden Sie das Senden von rohen Strings: Nutzen Sie den Mistral-Tokenizer, um die zuvor erwähnten stillen Tokenisierungsfehler zu vermeiden.

from mistral_common.tokens.tokenizers.mistral import MistralTokenizer
from mistral_common.protocol.instruct.messages import UserMessage
from mistral_common.protocol.instruct.request import ChatCompletionRequest

tokenizer = MistralTokenizer.from_model("mistral-large-latest")

request = ChatCompletionRequest(
    messages=[UserMessage(content="Your prompt here")]
)
tokens = tokenizer.encode_chat_completion(request)

Outscale

Outscale ist ein europäischer Cloud-Anbieter und eine Tochtergesellschaft von Dassault Systèmes. Es ist die erste Wahl für Organisationen, die vollständige Datenhoheit innerhalb der Europäischen Union benötigen. Drei Modelle sind verfügbar: Mistral Small (24.09), Codestral (24.05), spezialisiert für Code, und Ministral 8B (24.10). Die Bereitstellung erfolgt über den Outscale Marketplace, der eine VM mit GPU und dem vorab bereitgestellten Modell liefert – Sie müssen die Inferenz nicht selbst konfigurieren.

Ein willkommener Unterschied zu den beiden vorherigen Plattformen: Outscale funktioniert mit dem Standard-Mistral-Client, indem Sie einfach server_url auf Ihre Instanz setzen.

import os
from mistralai.client import Mistral

client = Mistral(server_url=os.environ["OUTSCALE_SERVER_URL"])

response = client.chat.complete(
    model=os.environ["OUTSCALE_MODEL_NAME"],
    messages=[
        {"role": "user", "content": "What are the advantages of a European sovereign cloud?"}
    ],
    temperature=0
)
print(response.choices[0].message.content)

Wenn Sie Codestral bereitgestellt haben, funktioniert FIM (fill-in-the-middle) Completion auf dieselbe Weise: Sie geben den Anfang und das Ende des Codes an, und das Modell füllt die Mitte aus. Dies ist der Mechanismus hinter Completion-Assistenten in Code-Editoren.

response = client.fim.complete(
    model=os.environ["OUTSCALE_MODEL_NAME"],
    prompt="def fibonacci(n: int) -> int:",
    suffix="return result"
)
print(response.choices[0].message.content)

Vergleich der drei Plattformen

KriteriumSnowflake CortexIBM watsonxOutscale
ZielgruppeDaten-/SQL-TeamsReguliertes UnternehmenEU-Datenhoheit
ZugriffNative SQL + PythonIBM SDKMistral-Client
DatenstandortBleibt in SnowflakeIBM CloudEuropäische Cloud
ModelleLarge, 7BLargeSmall, Codestral, 8B
ComplianceSOC 2, HIPAASOC 2, HIPAA, PCISecNumCloud

Kernaussagen

  • Snowflake Cortex – ideal, wenn Ihre Daten bereits in Snowflake liegen; rufen Sie KI direkt aus SQL auf
  • IBM watsonx – Plattform für regulierte Unternehmen; erfordert mistral-common für die Formatierung
  • Outscale – europäische Datenhoheit; Bereitstellung über den Marketplace mit vor konfigurierter GPU
  • Jede Plattform verfügt über ihren eigenen SDK – nur Outscale verwendet den Standard-Mistral-Client