L'action buildTermIndex offre un support linguistique robuste grâce au paramètre language. Elle est capable de traiter une multitude de langues, notamment le Français, l'Anglais, l'Arabe, le Chinois, le Japonais et bien d'autres. Par défaut, le système utilise la valeur UNIVERSAL, mais spécifier la langue exacte permet d'appliquer les règles de segmentation et de normalisation propres à chaque idiome. Dans un contexte de microservicesLes microservices sont une approche d'architecture logicielle où une application est décomposée en une collection de petits services indépendants, spécialisés et communicant entre eux via des APIs légères. Contrairement aux architectures "monolithiques" anciennes, chaque microservice remplit une fonction unique (ex: gestion du catalogue, authentification, moteur de calcul).
Dans SAS Viya 4, cette architecture est native. Elle permet à la plateforme de s'exécuter sur Kubernetes, offrant une flexibilité totale : chaque composant de SAS peut être mis à jour, redémarré ou mis à l'échelle (scaling) individuellement sans affecter le reste du système. et d'architecture cloud, cette spécialisation linguistique assure que les termes indexés respectent les nuances morphologiques de la langue cible, ce qui est crucial pour la qualité globale du moteur de recherche mondial d'une organisation.
Quelles capacités multilingues offre cette action pour les organisations internationales ?
Optimisation Multilingue via buildTermIndex
Exemples pour l'action buildTermIndex
Extraction de base des termes
Ce code crée une table simple contenant tous les termes trouvés dans la table d'entrée.
Extraction avancée avec segmentation en Français
Ici, on spécifie que le texte est en français, on active la segmentation et on cible une colonne précise.
Conseil de l'Expert
Pour les déploiements internationaux sur Viya 4, ne vous contentez pas du paramètre UNIVERSAL. L'utilisation de la valeur spécifique (ex: ARABIC ou CHINESE) active des algorithmes de tokenisation morphologique et de détection de frontières de mots radicalement différents, indispensables pour les langues non segmentées ou à déclinaisons complexes.
Architecture Technique du Support Linguistique
- Moteur de Segmentation (Tokenization) : L'action utilise des bibliothèques de traitement du langage naturel (NLP) intégrées au Cloud Analytic Services (CAS) pour segmenter le texte selon les spécificités grammaticales de la langue déclarée.
- Interopérabilité Microservices : L'index généré est directement consommable par d'autres actions de l'écosystème (comme tpParse), facilitant l'intégration dans des pipelines de données automatisés via REST API.
Cette réponse vous a-t-elle aidé ?
À lire aussi...
Pouvez-vous limiter l'indexation à des colonnes spécifiques pour optimiser les performances ?
Comment le paramètre de tokenisation transforme-t-il la précision de vos analyses textuelles ?
Quel est l'usage métier de la table de sortie générée par le paramètre casOut ?
Pourquoi l'action buildTermIndex est-elle indispensable pour booster la pertinence de vos moteurs de recherche ?