Ir para o conteúdo principal
Português— Escolher um idioma
Menu

Snowflake, IBM watsonx e Outscale

Aula 9 de 14 Atualizada a 2 de novembro de 2026 Avancado
Nesta página
  1. Três plataformas complementares
  2. Snowflake Cortex
  3. IBM watsonx.ai
  4. Outscale
  5. Comparação das três plataformas
  6. Pontos-chave

Três plataformas complementares

Para além dos principais hyperscalers (Azure, GCP, AWS), a Mistral está disponível em três plataformas adicionais que respondem a necessidades específicas: Snowflake Cortex para equipas de dados, IBM watsonx para empresas regulamentadas e Outscale para a soberania de dados europeia. Nenhuma destas visa substituir as plataformas de uso geral; pelo contrário, cada uma sobressai num cenário particular. Esta lição oferece-lhe uma visão clara das três.

Snowflake Cortex

O Snowflake Cortex integra modelos de IA diretamente na plataforma Snowflake. A sua principal vantagem resume-se a uma frase: invoca a Mistral nas suas consultas SQL sem jamais mover os dados para fora do Snowflake. Estão disponíveis dois modelos: o Mistral Large 2, sob o identificador mistral-large2, para raciocínio avançado, e o Mistral 7B, uma opção serverless ligeira. Os pré-requisitos incluem uma conta Snowflake numa região compatível com o Cortex e a ativação da função CORTEX_USER.

A integração mais elegante é uma chamada SQL pura:

-- Chamada direta numa consulta SQL
SELECT SNOWFLAKE.CORTEX.COMPLETE(
    'mistral-large2',
    'Summarize the main trends in this dataset.'
) AS summary;

O verdadeiro valor surge quando combina o modelo com as suas tabelas existentes. Imagine uma tabela reviews contendo milhões de avaliações de clientes: em vez de escrever um script de exportação, construir um pipeline de chamadas API e reimportar os resultados, gera uma coluna de sentimento numa única consulta.

-- Analisar cada linha numa tabela
SELECT
    id,
    description,
    SNOWFLAKE.CORTEX.COMPLETE(
        'mistral-large2',
        CONCAT('Classify this text (positive/negative/neutral): ', description)
    ) AS sentiment
FROM reviews
LIMIT 100;

O LIMIT 100 neste exemplo não é decorativo: comece sempre por uma amostra para estimar custos e verificar formatos de resposta antes de executar o processamento em toda a tabela. A mesma lógica é acessível em Python via Snowpark, permitindo-lhe integrar chamadas num pipeline existente:

from snowflake.cortex import Complete

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

O Cortex destaca-se na classificação de texto em larga escala, no enriquecimento de dados diretamente em pipelines SQL, na geração de resumos sobre conjuntos de dados massivos e na análise de sentimentos sem jamais exportar dados.

IBM watsonx.ai

O IBM watsonx.ai é a plataforma de IA empresarial da IBM, concebida para indústrias regulamentadas como a banca, seguros e saúde. Os modelos Mistral, incluindo o Mistral Large, estão disponíveis tanto como SaaS como no local (on-premise), tornando esta uma opção robusta quando auditorias internas proíbem o envio de dados para serviços de nuvem pública. O acesso requer um projeto IBM watsonx (IBM_CLOUD_PROJECT_ID), um ID de Serviço com acesso ao Watson Machine Learning e a função EDITOR, e uma chave API da IBM Cloud (IBM_CLOUD_API_KEY).

A região que escolher determina o URL do endpoint que passa ao cliente:

RegiãoCódigo
Dallasus-south
Londreseu-gb
Frankfurteu-de
Tóquiojp-tok

A instalação envolve três pacotes:

pip install httpx ibm-watsonx-ai mistral-common

O terceiro pacote merece atenção especial. O pacote mistral-common é essencial para uma formatação correta do prompt. Sem ele, o tokenizador pode produzir erros silenciosos — respostas que parecem plausíveis, mas que se baseiam em prompts tokenizados incorretamente. Este é o pior cenário, pois nada sinaliza a existência de um problema.

Uma vez as credenciais configuradas, a chamada em si permanece simples:

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)

Evite enviar strings brutas: utilize o tokenizador da Mistral para prevenir os erros de tokenização 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="Your prompt here")]
)
tokens = tokenizer.encode_chat_completion(request)

Outscale

A Outscale é um fornecedor de nuvem europeu, subsidiária da Dassault Systèmes. É a escolha privilegiada para organizações que exigem soberania total de dados dentro da União Europeia. Estão disponíveis três modelos: Mistral Small (24.09), Codestral (24.05), especializado em código, e Ministral 8B (24.10). A implementação ocorre através do marketplace da Outscale, que fornece uma VM com GPU e o modelo pré-instalado — não precisa de configurar a inferência manualmente.

Uma diferença bem-vinda face às duas plataformas anteriores: a Outscale funciona com o cliente padrão da Mistral, bastando apontar o server_url para a sua instância.

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)

Se tiver implementado o Codestral, a conclusão FIM (fill-in-the-middle) funciona da mesma forma: fornece o início e o fim do código, e o modelo preenche o meio. Este é o mecanismo por trás dos assistentes de conclusão em 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)

Comparação das três plataformas

CritérioSnowflake CortexIBM watsonxOutscale
Público-alvoEquipas de dados/SQLEmpresa regulamentadaSoberania UE
AcessoSQL nativo + PythonSDK IBMCliente Mistral
Localização dos dadosPermanece no SnowflakeIBM CloudNuvem europeia
ModelosLarge, 7BLargeSmall, Codestral, 8B
ConformidadeSOC 2, HIPAASOC 2, HIPAA, PCISecNumCloud

Pontos-chave

  • Snowflake Cortex — ideal se os seus dados já estiverem no Snowflake; invoque a IA diretamente a partir do SQL
  • IBM watsonx — plataforma empresarial regulamentada; requer mistral-common para formatação
  • Outscale — soberania europeia; implementação via marketplace com GPU pré-configurada
  • Cada plataforma tem o seu próprio SDK — apenas a Outscale utiliza o cliente padrão da Mistral