Persistance et Sérialisation via CAS

Le moteur d'exécution en mémoire gère les artefacts d'intelligence artificielle sous forme de tables distribuées. Le paramètre saveState est l'élément central de cette démarche : il désigne explicitement la table de destination qui va réceptionner l'ensemble de l'état cognitif de votre modèle mathématique.Cette table analytique capture la matrice complexe des poids du modèle ainsi que les métadonnées vitales à la reproductibilité. Vous avez la liberté de définir la bibliothèque de données cible, d'activer la compression matérielle pour économiser de la RAM, ou encore de paramétrer la promotion directe de cette table en espace global. Une table promue devient ainsi instantanément interrogeable par d'autres processus de scoring ou d'autres data scientists connectés au cluster.

Où et comment sont stockés de manière pérenne les poids de votre réseau de neurones après l'exportation ? - dlmzExport

Le moteur d'exécution en mémoireGemini said
Espace de stockage temporaire (RAM) utilisé par le moteur CAS pour charger et traiter les données à haute vitesse, minimisant les accès disque pour optimiser les performances de SAS Viya. gère les artefacts d'intelligence artificielle sous forme de tables distribuées. Le paramètre saveState est l'élément central de cette démarche : il désigne explicitement la table de destination qui va réceptionner l'ensemble de l'état cognitif de votre modèleReprésentation mathématique entraînée sur des données pour capturer des tendances, prédire des résultats ou classifier des observations via des algorithmes (Régression, Forêt aléatoire, Gradient Boosting). mathématique.

Cette table analytique capture la matrice complexe des poids du modèleReprésentation mathématique entraînée sur des données pour capturer des tendances, prédire des résultats ou classifier des observations via des algorithmes (Régression, Forêt aléatoire, Gradient Boosting). ainsi que les métadonnéesInformations décrivant les données, les utilisateurs et les ressources dans SAS Viya. Elles assurent la traçabilité, la sécurité et la gouvernance au sein de l'architecture distribuée. vitales à la reproductibilité. Vous avez la liberté de définir la bibliothèque de données cible, d'activer la compression matérielle pour économiser de la RAM, ou encore de paramétrer la promotion directe de cette table en espace global. Une table promue devient ainsi instantanément interrogeable par d'autres processus de scoringProcessus d'application d'un modèle prédictif à de nouvelles données pour calculer une probabilité ou un score, permettant ainsi d'automatiser la prise de décision en temps réel sur SAS Viya. ou d'autres data scientistsExperts extrayant des connaissances via des méthodes statistiques, algorithmes et IA. Ils transforment les données brutes en insights stratégiques pour résoudre des problèmes métier complexes. connectés au clusterEnsemble de nœuds (machines) interconnectés, gérés par Kubernetes, qui collaborent pour exécuter les microservices et le moteur CAS de SAS Viya, assurant haute disponibilité et passage à l'échelle..

Schéma : Où et comment sont stockés de manière pérenne les poids de votre réseau de neurones après l'exportation ?

Exemple de Code Additionnel

1	<pre>/* CASL Script : Exportation et Persistance d'un modèle CNN
2	(c) Nicolas Housset 2026 - Code SAS pour VIYA 4 - testé et validé en version 2024.09 */
3	PROC CAS;
4	/* 1. Exportation de l'état du modèle (Poids + Architecture) */
5	DEEPLEARN.dlExportModel /
6	modelTable={name="RESEAU_VGG16"}
7	initWeights={name="VGG16_WEIGHTS"}
8	casOut={
9	name="MODEL_PERSISTE",
10	caslib="Public",
11	replace=true
12	};
13	/* 2. Sauvegarde physique pour garantir la pérennité hors mémoire */
14	TABLE.save /
15	TABLE={name="MODEL_PERSISTE", caslib="Public"}
16	name="model_persiste.sashdat"
17	caslib="Public"
18	replace=true;
19	QUIT;</pre>

Exemples pour l'action dlmzExport

Exportation basique d'un modèle en mémoire

Ce code exporte un modèle existant en mémoire vers une table d'état final (souvent appelée Astore) de manière simple.

Exportation complète avec options YAML et allocation GPU

Une exportation plus poussée où l'on configure spécifiquement le GPU à utiliser, la fonction de perte ('CROSS_ENTROPY'), un niveau de journalisation affiné ('DEBUG') et des métadonnées supplémentaires en YAML.

Conseil de l'Expert

Pour garantir la portabilité totale de votre "State Table", utilisez systématiquement l'action table.save après l'exportation. Une table en mémoire est volatile ; seul un enregistrement physique au format .sashdat sur un DNFS (Distributed Network File System) ou un bucket S3 garantit une reprise sur incident et une performance optimale lors du rechargement.

Anatomie technique de la table SaveState

Structure Binaire (BLOB) : Le paramètre saveState ne se contente pas de stocker des colonnes numériques ; il encapsule la topologie du réseau et les poids sous forme de blocs binaires optimisés pour le moteur analytique.
Indépendance du Runtime : Une fois exportée, cette table permet de s'affranchir de la session d'entraînement originale. Elle devient un artefact autonome utilisable par l'action deepLearn.dlScore.
Multi-tenant & Sécurité : En stockant les poids dans une Caslib spécifique, vous pouvez appliquer des contrôles d'accès (Access Control Levels) granulaires au niveau de la table, sécurisant ainsi votre propriété intellectuelle (PI).
Attributs de Métadonnées : La table contient des colonnes de métadonnées invisibles qui décrivent les transformations de variables (scaling, encodage) appliquées en amont, assurant une cohérence stricte lors de l'inférence.
Compatibilité ASTORE : Le saveState est le précurseur ou le composant direct de l'Analytic Store (ASTORE), facilitant le déploiement via SAS Model Manager vers des conteneurs d'exécution (MAS).