L'optimisation n'est pas laissée au hasard. Le paramètre hyperParameterOptimizer permet de choisir entre TUNEALL, qui effectue une recherche exhaustive, et MODELCOMPOSER, plus sélectif. Cette étape garantit que chaque algorithme est exploité à son plein potentiel selon la structure spécifique de vos données.
Pour faciliter le passage en production (ModelOps), l'option saveState génère une table CAS contenant l'état complet 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).. Cela inclut non seulement les 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). final, mais aussi toutes les étapes de préparation des données. Il est alors possible d'utiliser ce store analytique pour effectuer du 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. en temps réel via des 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. ou des jobs batch.