Ir al contenido principal
Español— Elegir un idioma
Menú

Snowflake, IBM watsonx y Outscale

Lección 9 de 14 Actualizado el 2 de noviembre de 2026 Avanzado
En esta página
  1. Tres plataformas complementarias
  2. Snowflake Cortex
  3. IBM watsonx.ai
  4. Outscale
  5. Comparación de las tres plataformas
  6. Puntos clave

Tres plataformas complementarias

Más allá de los grandes proveedores de hiperescala (Azure, GCP, AWS), Mistral está disponible en tres plataformas adicionales que cubren necesidades específicas: Snowflake Cortex para equipos de datos, IBM watsonx para empresas reguladas y Outscale para la soberanía de datos europea. Ninguna de ellas pretende sustituir a las plataformas de propósito general; cada una destaca en un escenario concreto. Esta lección te ofrece una visión clara de las tres.

Snowflake Cortex

Snowflake Cortex integra modelos de IA directamente en la plataforma Snowflake. Su principal ventaja se resume en una frase: puedes llamar a Mistral desde tus consultas SQL sin sacar nunca los datos de Snowflake. Hay dos modelos disponibles: Mistral Large 2, bajo el identificador mistral-large2, para razonamiento avanzado, y Mistral 7B, una opción ligera sin servidor. Los requisitos previos incluyen una cuenta de Snowflake en una región compatible con Cortex y el rol CORTEX_USER habilitado.

La integración más elegante es una llamada puramente SQL:

-- Llamada directa dentro de una consulta SQL
SELECT SNOWFLAKE.CORTEX.COMPLETE(
    'mistral-large2',
    'Resume las principales tendencias de este conjunto de datos.'
) AS summary;

El valor real surge al combinar el modelo con tus tablas existentes. Imagina una tabla reviews que contiene millones de opiniones de clientes: en lugar de escribir un script de exportación, montar una tubería de llamadas a la API y volver a importar los resultados, generas una columna de sentimiento en una única consulta.

-- Analizar cada fila de una tabla
SELECT
    id,
    description,
    SNOWFLAKE.CORTEX.COMPLETE(
        'mistral-large2',
        CONCAT('Clasifica este texto (positivo/negativo/neutro): ', description)
    ) AS sentiment
FROM reviews
LIMIT 100;

El LIMIT 100 de este ejemplo no es decorativo: empieza siempre con una muestra para estimar costes y verificar los formatos de respuesta antes de ejecutar el procesamiento sobre toda la tabla. La misma lógica es accesible en Python mediante Snowpark, lo que te permite integrar llamadas en una tubería existente:

from snowflake.cortex import Complete

# Llamada simple
completion = Complete(
    model="mistral-large2",
    prompt="¿Cuáles son las ventajas de Snowflake para la IA?"
)
print(completion)

Cortex brilla en la clasificación de texto a gran escala, el enriquecimiento de datos directamente dentro de tuberías SQL, la generación de resúmenes sobre conjuntos de datos masivos y el análisis de sentimientos sin exportar nunca los datos.

IBM watsonx.ai

IBM watsonx.ai es la plataforma de IA empresarial de IBM, diseñada para sectores regulados como la banca, los seguros y la sanidad. Los modelos de Mistral, incluido Mistral Large, están disponibles tanto como SaaS como en instalaciones propias (on-premise), lo que convierte a esta opción en una elección sólida cuando las auditorías internas prohíben enviar datos a servicios de nube pública. El acceso requiere un proyecto de IBM watsonx (IBM_CLOUD_PROJECT_ID), un ID de servicio con acceso a Watson Machine Learning y el rol EDITOR, y una clave de API de IBM Cloud (IBM_CLOUD_API_KEY).

La región que elijas determina la URL del punto final que pasas al cliente:

RegiónCódigo
Dallasus-south
Londreseu-gb
Fráncforteu-de
Tokiojp-tok

La instalación implica tres paquetes:

pip install httpx ibm-watsonx-ai mistral-common

El tercer paquete merece una atención especial. El paquete mistral-common es esencial para un formato correcto del prompt. Sin él, el tokenizador puede producir errores silenciosos: respuestas que parecen plausibles pero que se basan en prompts tokenizados incorrectamente. Este es el peor de los casos, porque nada indica que exista un problema.

Una vez configuradas las credenciales, la llamada en sí sigue siendo sencilla:

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="¿Cuáles son los requisitos del RGPD para el procesamiento de datos de IA?"
)
print(response)

Evita enviar cadenas en bruto: utiliza el tokenizador de Mistral para prevenir los errores de tokenización silenciosos mencionados anteriormente.

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="Tu prompt aquí")]
)
tokens = tokenizer.encode_chat_completion(request)

Outscale

Outscale es un proveedor de nube europeo, filial de Dassault Systèmes. Es la opción predilecta para las organizaciones que exigen una soberanía total de los datos dentro de la Unión Europea. Hay tres modelos disponibles: Mistral Small (24.09), Codestral (24.05), especializado en código, y Ministral 8B (24.10). El despliegue se realiza a través del mercado (marketplace) de Outscale, que entrega una máquina virtual con GPU y el modelo predesplegado; no necesitas configurar la inferencia tú mismo.

Una diferencia bienvenida respecto a las dos plataformas anteriores: Outscale funciona con el cliente estándar de Mistral simplemente apuntando server_url a tu instancia.

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": "¿Cuáles son las ventajas de una nube soberana europea?"}
    ],
    temperature=0
)
print(response.choices[0].message.content)

Si has desplegado Codestral, la completación FIM (fill-in-the-middle) funciona de la misma manera: proporcionas el principio y el final del código, y el modelo rellena el medio. Este es el mecanismo que hay detrás de los asistentes de completación en los editores de código.

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)

Comparación de las tres plataformas

CriterioSnowflake CortexIBM watsonxOutscale
Público objetivoEquipos de datos/SQLEmpresa reguladaSoberanía UE
AccesoSQL nativo + PythonSDK de IBMCliente de Mistral
Ubicación de los datosPermanece en SnowflakeIBM CloudNube europea
ModelosLarge, 7BLargeSmall, Codestral, 8B
CumplimientoSOC 2, HIPAASOC 2, HIPAA, PCISecNumCloud

Puntos clave

  • Snowflake Cortex: ideal si tus datos ya están en Snowflake; llama a la IA directamente desde SQL.
  • IBM watsonx: plataforma para empresas reguladas; requiere mistral-common para el formato.
  • Outscale: soberanía europea; despliegue mediante marketplace con GPU preconfigurada.
  • Cada plataforma tiene su propio SDK; solo Outscale utiliza el cliente estándar de Mistral.