Sas Viya är en plattform utvecklad att passa lika bra för stora etablerade företag som mindre. Genom att namnge det nya Systemet Viya vill Sas tydligt markera att Viya inte är en fortsatt utveckling av plattformen Sas 9.4. utan nästa generations plattform
Först och främst innehåller de olika SAS-produkterna som komponerar Viya-serien – från Data Preparation och Model Manager till Visual Data Mining and Machine Learning (VDMML) och Event Stream Processing – nu en nivå av cross-product integration som var frånvarande förut.
SAS-kunder som använder den senaste mjukvaran kommer också att dra nytta av fri rörlighet. Så kunder som börjar med en relativt enkel uppgift, till exempel att förbereda eller visualisera data, och sedan utnyttja mer sofistikerade SAS-möjligheter, som att bygga maskininlärningsmodeller och till och med distribuera dem i en strömmande analytisk pipeline, kan nu enkelt hämta arbetet på någon punkt däremellan.
Man kan kalla detta att “gå från höger till vänster” längs det analytiska kontinuumet, som börjar ut till vänster med relativt enkla uppgifter, och blir progressivt mer komplext desto mer mot höger.
“När du tidigare kom in i processen kunde du inte gå tillbaka. “När du väl har gått i automatiseringsfasen kan du nu gå tillbaka till den interaktiva fasen. Du kan arbeta dig bakåt, alt inom den miljön, utan att flytta data. “
SAS beskriver Viya som en “insiktsgenerator, snabb och enkelt, svar direkt -analysplattform som möter alla datautmaningar och tjänar alla med olika kompetens- och ansvarsområden – chefer, datavetenskapare, domänexperter, analytiker, utvecklare. ”
SAS gör det också lättare för kunder på äldre utgåvor av SAS-produkter, tex Enterprise Miner, för att få sitt arbete framåt i den nya Viya-världen.
“Vi sträcker ut miljön så att befintliga SAS-kunder kan övergå till den nya miljön genom att ta med och komma åt sitt befintliga arbete. “Om du har en favoritteknik – till exempel en viss statistikteknik, kan du lyfta den i Viya-miljön/community. Det vi försöker göra är att öppna miljön för hela SAS användarbas. “
De kommande förbättringarna till Viya kommer att ge användarna bättre integration med open source-verktyg
Till exempel de populära Python- och R-baserade bibliotek som har blivit populära bland analytiker under senaste åren. I synnerhet kommer SAS att tillåta externa modeller som kunder vill använda att sätta i produktion.
“Du kan nu ta med externa paket med öppen källkod, som Scikit-learn, till Viya-miljön och du kan jämföra och kontrastera dessa modeller. “Så du kan köra open source-paketet mot data som du jobbar med och förbereder i VDMML. Du kan använda och få ut öppen källkodspaket och vanliga SAS-modeller. “
SAS har ett intressant förhållande med öppen källkodsprogramvara. Företaget har en lång och framgångsrik historia av att utveckla analysprogramvara som distribueras med en traditionell proprietär licens. Vi ser dock för närvarande en uppsving av open source-alternativ, inklusive spridningen av många R- och Python-baserade analysbibliotek, och SAS-kunder, som är några av de största organisationerna på planeten, vill naturligtvis delta i denna utveckling. De kan då använder sig av öppen källkodförbättring utan att påverka SAS eller överge det arbete de har gjort med de egna verktygen.
För detta ändamål har Viya arkitekturen nu en nod som är dedikerad öppen källkod där användarna kan köra Python och R-paket. Det är värt att notera att medan SAS-programvaran körs i minnet och på ett distribuerat, trådlöst sätt, kommer Python och R-grejerna inte att vara lika snabba.
“Åtgärderna för öppen källkod kör inte i minnesmiljön. De är nöjda med din R- eller Python-installation på din server.”Vi kommer inte att parallellisera några av de öppna källkodspaketen. Jag kan inte säga imorgon som inte kommer att förändras, men från och med nu är planen “att stödja paketen på ett icke-parallellt sätt.”
Viya körs on-prem eller i molnet, kan integrera med Hadoop och använda GPU
En viktig aspekt av Viya är stöd för Deep Learning. Sedan det lanserades 2016 har Viya-användare byggt neurala nätverk som kan lära sig på stora dataöverföringar. Nu lägger SAS ett tolkningsskikt som använder framväxande tekniker, såsom lokala tolkbara modell-agnostiska förklaringar (LIME) och påverkan, förtroende och lätthet (ICE), för att hjälpa användarna att motivera rekommendationerna
Läs hela originalinlägget på SAS Blogs