L'action fastknn est un outil de recherche de similarité hautes performances conçu pour l'environnement SAS Viya. Elle permet d'identifier les k observations les plus proches d'une cible donnée au sein d'un jeu de données massif. Pour le business, cela se traduit par la capacité de créer des moteurs de recommandation en temps réel, de détecter des comportements frauduleux par comparaison de profils, ou encore de segmenter dynamiquement une base client en fonction de caractéristiques multi-dimensionnelles traitées en parallèle par Cloud Analytic ServicesMoteur d'exécution in-memory de SAS Viya. Il assure le traitement massivement parallèle (MPP) et distribué des données pour optimiser les performances analytiques et le passage à l'échelle..
Comment booster vos recommandations clients grâce à la recherche ultra-rapide des voisins les plus proches ?
Exemples pour l'action fastknn
Recherche exacte de base
Trouver les 3 voisins les plus proches de manière exacte pour chaque point de la table 'requete' en utilisant les points de 'reference'.
Recherche approximative haute performance avec distances
Utilise la méthode approximative (HNSW) pour aller plus vite que la lumière, calcule les distances cosinus, et sauvegarde les distances dans une table séparée.
Imputation de valeurs manquantes par k-NN
Cette option permet de nettoyer vos données en remplaçant les trous par la 'sagesse du voisinage'.
Cette réponse vous a-t-elle aidé ?
À lire aussi...
Pourquoi privilégier la méthode approximative pour vos projets de Big Data ?
Comment choisir la métrique de distance idéale pour capturer la similarité parfaite entre vos observations ?
Quels sont les leviers de performance pour affiner la précision de votre recherche approximative ?
Comment traiter intelligemment vos données manquantes lors d'une phase de préparation de données ?