Hoppa till huvudinnehåll
Svenska— Välj ett språk
Meny

Snowflake, IBM watsonx och Outscale

Lektion 9 av 14 Uppdaterad 2 november 2026 Avancerad
På denna sida
  1. Tre kompletterande plattformar
  2. Snowflake Cortex
  3. IBM watsonx.ai
  4. Outscale
  5. Jämförelse av de tre plattformarna
  6. Viktiga punkter

Tre kompletterande plattformar

Utöver de stora hyperscalers (Azure, GCP, AWS) finns Mistral tillgängligt på tre ytterligare plattformar som möter specifika behov: Snowflake Cortex för datateam, IBM watsonx för reglerade företag och Outscale för europeisk datasuveränitet. Ingen av dessa syftar till att ersätta generella plattformar; varje en excellerar istället i ett särskilt scenario. Denna lektion ger dig en tydlig överblick över alla tre.

Snowflake Cortex

Snowflake Cortex bäddar in AI-modeller direkt i Snowflake-plattformen. Den främsta fördelen kan sammanfattas i en mening: du anropar Mistral från dina SQL-frågor utan att någonsin flytta data ur Snowflake. Två modeller är tillgängliga: Mistral Large 2 under identifieraren mistral-large2 för avancerad resonemangsförmåga, och Mistral 7B, ett lättviktsalternativ utan serverhantering. Förutsättningarna inkluderar ett Snowflake-konto i en Cortex-kompatibel region och att rollen CORTEX_USER är aktiverad.

Den mest eleganta integrationen är ett rent SQL-anrop:

-- Direkt anrop inom en SQL-fråga
SELECT SNOWFLAKE.CORTEX.COMPLETE(
    'mistral-large2',
    'Sammanfatta de viktigaste trenderna i denna datamängd.'
) AS summary;

Det verkliga värdet uppstår när du kombinerar modellen med dina befintliga tabeller. Tänk dig en tabell reviews som innehåller miljontals kundomdömen: istället för att skriva ett exportscript, bygga en pipeline för API-anrop och importera resultaten igen, genererar du en sentimentkolumn i en enda fråga.

-- Analysera varje rad i en tabell
SELECT
    id,
    description,
    SNOWFLAKE.CORTEX.COMPLETE(
        'mistral-large2',
        CONCAT('Klassificera denna text (positiv/negativ/neutral): ', description)
    ) AS sentiment
FROM reviews
LIMIT 100;

LIMIT 100 i detta exempel är inte bara dekoration: börja alltid med ett urval för att uppskatta kostnader och verifiera svarsformat innan du kör bearbetning på hela tabellen. Samma logik är tillgänglig i Python via Snowpark, vilket låter dig integrera anrop i en befintlig pipeline:

from snowflake.cortex import Complete

# Enkelt anrop
completion = Complete(
    model="mistral-large2",
    prompt="Vilka är Snowflakes fördelar för AI?"
)
print(completion)

Cortex excellerar vid textklassificering i stor skala, berikning av data direkt inom SQL-pipelines, generering av sammanfattningar över massiva datamängder och utförande av sentimentanalys utan att någonsin exportera data.

IBM watsonx.ai

IBM watsonx.ai är IBMs företagsplattform för AI, designad för reglerade branscher som bankväsen, försäkring och hälsovård. Mistral-modeller, inklusive Mistral Large, finns tillgängliga både som SaaS och on-premise, vilket gör detta till ett starkt alternativ när interna revisioner förbjuder sändning av data till publika molntjänster. Åtkomst kräver ett IBM watsonx-projekt (IBM_CLOUD_PROJECT_ID), ett Service ID med åtkomst till Watson Machine Learning och rollen EDITOR, samt en IBM Cloud API-nyckel (IBM_CLOUD_API_KEY).

Den region du väljer bestämmer slutpunkts-URL:n som du skickar till klienten:

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

Installationen involverar tre paket:

pip install httpx ibm-watsonx-ai mistral-common

Det tredje paketet förtjänar särskild uppmärksamhet. Paketet mistral-common är avgörande för korrekt prompt-formatering. Utan det kan tokenizern producera tysta fel – svar som verkar rimliga men som baseras på felaktigt tokeniserade prompts. Detta är värsta tänkbara scenario eftersom inget signalerar att ett problem finns.

När autentiseringsuppgifterna är på plats är själva anropet fortfarande enkelt:

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="Vilka är GDPR-kraven för AI-databehandling?"
)
print(response)

Undvik att skicka råa strängar: använd Mistral-tokenizern för att förhindra de tysta tokeniseringsfelen som nämndes tidigare.

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="Din prompt här")]
)
tokens = tokenizer.encode_chat_completion(request)

Outscale

Outscale är en europeisk molnleverantör, ett dotterbolag till Dassault Systèmes. Det är det självklara valet för organisationer som kräver full datasuveränitet inom Europeiska unionen. Tre modeller är tillgängliga: Mistral Small (24.09), Codestral (24.05) specialiserad för kod, och Ministral 8B (24.10). Distribution sker via Outscale Marketplace, som levererar en VM med GPU och modellen förinstallerad – du behöver inte konfigurera inferens själv.

En välkommen skillnad från de två tidigare plattformarna: Outscale fungerar med den vanliga Mistral-klienten genom att helt enkelt peka server_url mot din instans.

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": "Vilka är fördelarna med ett europeiskt suveränt moln?"}
    ],
    temperature=0
)
print(response.choices[0].message.content)

Om du har distribuerat Codestral fungerar FIM-komplettering (fill-in-the-middle) på samma sätt: du anger början och slutet på koden, så fyller modellen i mitten. Detta är mekanismen bakom kompletteringsassistenter i kodredigerare.

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)

Jämförelse av de tre plattformarna

KriteriumSnowflake CortexIBM watsonxOutscale
MålgruppData/SQL-teamReglerade företagEU-suveränitet
ÅtkomstNative SQL + PythonIBM SDKMistral-klient
DatalokationStannar i SnowflakeIBM CloudEuropeiskt moln
ModellerLarge, 7BLargeSmall, Codestral, 8B
EfterlevnadSOC 2, HIPAASOC 2, HIPAA, PCISecNumCloud

Viktiga punkter

  • Snowflake Cortex – idealiskt om din data redan finns i Snowflake; anropa AI direkt från SQL
  • IBM watsonx – plattform för reglerade företag; kräver mistral-common för formatering
  • Outscale – europeisk suveränitet; distribution via marketplace med förkonfigurerad GPU
  • Varje plattform har sin egen SDK – endast Outscale använder den vanliga Mistral-klienten