# Snowflake Cortex qua tin tuyển FDE: Cortex Analyst, Cortex Search và Streamlit dùng vào việc gì

> Tin tuyển FDE của Snowflake gắn thẳng Cortex Analyst với việc dựng semantic model trên bảng của khách hàng. Chi tiết đó cho bạn biết nên học gì trước.

Bản gốc: https://fdetimes.net/vi/cong-cu/snowflake-cortex-fde-agent-semantic-model-streamlit/

Snowflake từng đăng tin tuyển "Forward Deployed Engineer - Finance Analytics & AI Specialist". Tin này đã đóng ngày 8/7/2026. Các sản phẩm được kể tên trong tin gồm Cortex Analyst, Cortex Agents, Cortex Search, Cortex Code và Snowflake CoWork.

Câu đáng chú ý hơn cả danh sách sản phẩm là phần mô tả việc cần làm: xây và cải thiện semantic model, để người dùng hỏi bảng dữ liệu của khách hàng bằng ngôn ngữ tự nhiên qua Cortex Analyst.

Chi tiết đó cho thấy phần việc của FDE nằm nhiều ở lớp nghĩa của dữ liệu, ít hơn ở bản thân LLM.

Nếu bạn định ứng tuyển một vai trò FDE quanh nền tảng dữ liệu, dù ở Snowflake hay công ty khác, hãy hiểu ba công cụ dưới đây và cách chúng ghép với nhau, thay vì chỉ học thuộc danh sách tính năng.

## Mỗi công cụ dành cho một loại câu hỏi

Tài liệu của Snowflake mô tả Cortex Analyst là một tính năng Cortex fully managed, chạy bằng LLM, dùng để xây ứng dụng trả lời câu hỏi kinh doanh trên dữ liệu có cấu trúc. Nó được cung cấp dưới dạng REST API nên có thể nhúng vào bất kỳ ứng dụng nào. Để nó hiểu dữ liệu, bạn phải cung cấp một semantic model.

Cortex Search dành cho loại câu hỏi khác. Đây là dịch vụ tìm kiếm hybrid, kết hợp vector với keyword, chạy trên dữ liệu văn bản và hỗ trợ fuzzy search với độ trễ thấp.

Theo tài liệu, hai ứng dụng chính của nó là RAG và enterprise search. Hợp đồng, email hay ghi chú đối soát nên giao cho Cortex Search, còn con số nằm trong bảng thì giao cho Analyst.

Streamlit là thư viện Python mã nguồn mở để dựng web app. Streamlit in Snowflake cho phép build, deploy và chia sẻ các app này ngay trong Snowflake, nên dữ liệu không phải chuyển ra ngoài. Tin tuyển nói rõ FDE sẽ làm dashboard tài chính, vận hành và phân tích dưới dạng app Streamlit chạy native trong Snowflake. Đó là dashboard chạy production, không chỉ là bản demo.

## Semantic model mới là sản phẩm thật

Theo tài liệu, semantic model của Cortex Analyst được viết trong một file YAML gọn nhẹ. Với các triển khai mới, Snowflake khuyến nghị dùng Semantic Views. File YAML đặt trên stage vẫn được hỗ trợ.

Semantic view là object ở cấp schema, gồm bốn thành phần: logical table, dimension, fact và metric. Snowflake định nghĩa metric là thước đo định lượng cho hiệu quả kinh doanh.

Thử hình dung đội tài chính hỏi: "Doanh thu thuần theo khu vực quý trước là bao nhiêu?" Giả sử khách hàng có một bảng đơn hàng và một bảng khu vực. Logical table là hai bảng đó, dimension là khu vực và quý, fact là số tiền, tiền hoàn và chiết khấu trên từng dòng đơn hàng, còn metric là doanh thu thuần.

Phần khó nằm ở metric. Có thể bộ phận bán hàng coi doanh thu thuần là tổng tiền đơn hàng, trong khi kế toán trừ đi hoàn tiền và chiết khấu. Phác thảo dưới đây chỉ để minh hoạ cách ghi định nghĩa đó vào model. Đây không phải cú pháp chính xác, tên trường cụ thể bạn cần tra trong spec của Snowflake.

```yaml
# Phác thảo minh hoạ, không phải cú pháp chính xác của Snowflake
logical_tables:
  - name: don_hang
    dimensions: [khu_vuc, quy]
    facts: [so_tien, tien_hoan, chiet_khau]
metrics:
  - name: doanh_thu_thuan
    description: "Tổng tiền đơn hàng trừ hoàn tiền và chiết khấu, theo định nghĩa kế toán đã duyệt"
    expr: SUM(so_tien) - SUM(tien_hoan) - SUM(chiet_khau)
```

Nếu thiếu dòng `expr` và `description` mà kế toán đã đồng ý, model vẫn sinh ra SQL nhưng phải tự đoán ý người hỏi. Kết quả là một câu trả lời trông hợp lý mà vẫn sai.

**Điểm mấu chốt:** Model chỉ trả lời đúng khi nghĩa của dữ liệu đã được ghi lại rõ ràng.

Vì vậy, khi đến chỗ khách hàng, việc đầu tiên nên làm là ngồi với người dùng bên tài chính, viết định nghĩa từng metric bằng lời rồi mới mở editor.

Tin tuyển cho thấy FDE sẽ làm việc onsite cùng đội của khách hàng để gỡ các vướng mắc deployment ngay khi chúng xuất hiện. Một buổi chốt định nghĩa metric với người dùng là ví dụ điển hình cho kiểu vướng mắc đó.

## Đo lường ngay từ đầu

Một vị trí khác là "Forward Deployed Engineer, Applied AI" thuộc đội Cortex AI, tin này cũng đã đóng. Người nhận vị trí sẽ xây hệ thống AI production trên Snowpark và Cortex, và dành ít nhất 25% thời gian onsite với những khách hàng chiến lược nhất của Snowflake.

Tin còn nhấn mạnh rằng đo lường phải là một phần chính của việc xây dựng chứ không phải việc để sau.

Với Cortex Analyst, cách đo trực tiếp nhất là lập một bộ câu hỏi mẫu, mỗi câu kèm đáp án SQL đã được người dùng tài chính duyệt. Mỗi lần sửa semantic view, bạn chạy lại toàn bộ bộ câu hỏi và so kết quả.

Quay lại ví dụ doanh thu thuần. Nếu bộ câu hỏi có câu này, với đáp án đã trừ hoàn tiền và chiết khấu, thì một lỗi định nghĩa sẽ lộ ra ngay ở lần chạy đầu tiên, thay vì đến buổi họp với giám đốc tài chính mới bị phát hiện.

## Giới hạn và thứ tự học

Giới hạn đầu tiên là ranh giới giữa các công cụ: Analyst làm việc trên dữ liệu có cấu trúc, còn Search làm việc trên văn bản. Tin tuyển cũng kể tên Cortex Agents trong cùng bộ sản phẩm; nếu khách hàng hỏi những câu cần cả bảng lẫn văn bản, đó là phần nên tìm hiểu tiếp trong tài liệu.

Giới hạn thứ hai là câu trả lời chỉ tốt đến mức semantic model cho phép. Khi model trả lời sai, hãy kiểm tra định nghĩa trước rồi mới nghi đến LLM.

Về thứ tự học, nên bắt đầu bằng SQL và mô hình hoá dữ liệu, đến mức phân biệt được dimension, fact và metric trên một bộ dữ liệu thật. Sau đó học Python đủ để dựng app Streamlit, rồi đến RAG và tìm kiếm hybrid để hiểu Cortex Search.

Trong CV, thay vì ghi "biết Cortex", hãy mô tả một semantic model bạn đã xây: có bao nhiêu metric, bộ câu hỏi kiểm thử gồm bao nhiêu câu, và tỷ lệ trả lời đúng tăng bao nhiêu sau mỗi lần sửa.

Snowflake đặt các công cụ AI ngay cạnh dữ liệu. Vì thế, người được tuyển cho những vai trò này là người giải thích được bảng của khách hàng mang nghĩa gì.

**Thử ngay tuần này:**

- Chọn một bộ dữ liệu bán hàng mẫu, viết ra năm câu hỏi kinh doanh, rồi liệt kê dimension, fact và metric mà mỗi câu cần
- Viết định nghĩa cho một metric dễ gây tranh cãi như doanh thu thuần, sau đó soạn ba câu hỏi kèm đáp án SQL đúng để làm bộ kiểm thử
- Dựng một app Streamlit nhỏ bằng Python, có một ô nhập câu hỏi và một bảng kết quả, để làm quen trước khi chuyển sang Streamlit in Snowflake

## Nguồn

- [Cortex Analyst | Snowflake Documentation](https://docs.snowflake.com/en/user-guide/snowflake-cortex/cortex-analyst)

- [Overview of semantic views | Snowflake Documentation](https://docs.snowflake.com/en/user-guide/snowflake-cortex/cortex-analyst/semantic-model-spec)

- [Cortex Search | Snowflake Documentation](https://docs.snowflake.com/en/user-guide/snowflake-cortex/cortex-search/cortex-search-overview)

- [About Streamlit in Snowflake | Snowflake Documentation](https://docs.snowflake.com/en/developer-guide/streamlit/about-streamlit)

- [Forward Deployed Engineer - Finance Analytics & AI Specialist (Snowflake)](https://www.builtinsf.com/job/forward-deployed-engineer-finance-analytics-ai-specialist/9841413)

- [Forward Deployed Engineer, Applied AI](https://careers.wing.vc/companies/snowflake/jobs/65567988-forward-deployed-engineer-applied-ai)