オプション A は正解です。PyCaret などのサポートされていないモデルタイプを使用する場合は、シリアル化されたモデルファイル (例: ピクルファイル) を参照する 'ModelContext' を定義する必要があります。 オプション B は不正解です。Snowpark Container Services にデプロイされたモデルの場合、 'conda_dependencies' はデフォルトで 'conda-forge' から取得され、ウェアハウスのデプロイに使用される Snowflake Anaconda チャネルからは取得されません。したがって、SPCS のデプロイに Snowflake Anaconda チャネルを利用するのは誤りです。 オプション C は正解です。 'conda_dependencies' は SPCS ('conda-forge' から解決) に使用できますが、 'pip_requirementS は、カスタムまたはあまり一般的ではないサードパーティの Python パッケージの依存関係を指定するより直接的で信頼性の高い方法であることが多く、 'conda-forge' で使用できない場合は PyPI から直接プルされるようにします。ソース内の PyCaret の例は 'conda_dependencies' を使用していますが、これは特殊なケースであり、より広範な「カスタムサードパーティパッケージ」の場合、 pip が強力な選択肢となります。オプション D は正解です。デプロイされたサービスを HTTP エンドポイント経由でアクセスできるようにするには、を 'True' に設定する必要があります。さらに、モデルを GPU コンピューティングプールにデプロイして推論に GPU リソースを活用できるようにするには、 'gpu_requests = （または適切な数の GPU）が不可欠です。オプション E は不正解です。Snowpark Container Services は、ウェアハウスのデプロイの制限を緩和するように特別に設計されており、任意のパッケージ（PyPl を含む）を使用でき、大規模なモデルを GPU の分散クラスターで実行できるため、このシナリオに最適です。

オプションBが正解です。Cortex Analyst（および基盤となるCOMPLETE関数）は、呼び出しごとに状態を保持しません。ステートフルな会話エクスペリエンスを提供するには、アプリケーションは、会話内の以前のすべてのユーザープロンプトとモデル（アナリスト）応答を「メッセージ」（または各新しいリクエストの配列）の一部として明示的に渡す必要があります。オプションCも正解です。COMPLETE関数（およびそれに相当するREST API）の引数は、単一ターンのプロンプトの場合は文字列を受け入れますが、複数ターンの会話の場合はオブジェクトの配列を受け入れます。各オブジェクトには「役割」（「ユーザー」、「アシスタント」、「システム」など）と「コンテンツ」があります。オプションAは不正解です。Cortex Analyst関数は状態を保持しないため、会話履歴はクライアントアプリケーションによって明示的に管理される必要があります。オプションDは不正解です。情報源は、解釈に問題がある場合は長い会話をリセットすることを示唆していますが、コストの最適化や内部LLMコンテキストのクリアに関するコマンドは言及されていません。コストはトークンの使用量によって管理され、会話の長さに応じて増加します。オプションEは不正解です。完全な会話コンテキストを維持するには、最新のものだけでなく、以前のユーザープロンプトとモデル応答を渡す必要があります。部分的な履歴は文脈の喪失につながります。

選択肢Aは不正解です。ベクトルは明示的にサポートされていません。
変異体
列。選択肢Bが正解です。
ベクター
データ型は型の要素をサポートします
フロート
そして次元は4096までである。したがって、
ベクトル(実数、1024)
は有効な型指定です。選択肢Cは正解です。Snowpark PythonライブラリはVECTORデータ型をサポートしており、DataFrame列の距離計算にvector_12_distanceなどの関数を提供しています。選択肢Dは不正解です。VECTORデータ型はクラスタリングキーとしてサポートされていません。選択肢Eは正解です。以下のような演算子を使った直接的なベクトル比較は

バイト単位の辞書式であり、数値比較では意味的に期待される結果を生成しません。代わりに、VECTOR_L2_DISTANCE などの専用のベクトル類似性関数を使用する必要があります。

オプション A は不正解です。Snowflake では、 EMBED_TEXT_768 などの Cortex AI SQL 関数を呼び出すクエリを小さいウェアハウス（MEDIUM 以下）で実行することを推奨しています。ウェアハウスを大きくしてもパフォーマンスは向上しないためです。Snowpark に最適化されたウェアハウスは、大きなメモリ要件または特定の CPU アーキテクチャを持つワークロード（通常は ML トレーニング用であり、一般的な Cortex AI 関数呼び出し用ではありません）に推奨されます。オプション B は不正解です。Snowpark Python ライブラリは、 VECTOR_COSINE_SIMILARITY 関数をサポートしていないことを明示的に示しており、つまり「すべてのベクトル類似度関数を完全にサポートしているわけではない」ということです。オプション C は不正解です。VECTOR データ型はクラスタリング キーとしてサポートされていません。オプション D は正解です。埋め込みを生成した後（例： issue vec のように VECTOR 列に格納する）、ベクトル類似度関数を ORDER BY 句と LIMIT 句を含む SQL クエリで効果的に使用して、RAG の例の VECTOR_COSINE_SIMILARITY で示されているように、最も類似した結果を取得できます。このパターンはVECTOR_INNER_PRODUCTにも適用されます。選択肢Eは誤りです。VECTORデータ型は動的テーブルでの使用はサポートされていません。また、Snowflake Cortex関数（EMBED_TEXT_768を含む）は動的テーブルをサポートしていません。

データベース ロールは Document AI 機能への広範なアクセスとモデル構築の作業能力を提供しますが、ストリームやタスクなどのパイプライン コンポーネントを作成するには、関連するデータベース オブジェクトに対する特定のオブジェクト権限が必要です。タスクを作成するには、タスクが作成されるスキーマに対する「CREATE TASK」権限が明示的に必要です。オプション A (「CREATE DATABASE」) ははるかに高いレベルの権限であり、既存のスキーマ内でのタスク作成には直接関係しません。オプション B (ウェアハウスに対する「USAGE」) は、タスクがそのウェアハウスを使用するために必要ですが、「CREATE TASK」ステートメント自体を成功させるのには必要ありません。オプション C (「EXECUTE IMMEDIATE」) は、タスクを作成するための標準権限ではありません。オプション E (「ALTER STAGE」) は、ステージ プロパティを変更するためのものであり、タスクを作成するためのものではありません。