SAS^® Model Studio

รายการคุณลักษณะของ SAS Model Studio

การเขียนโปรแกรมแบบอินเตอร์แอคทีฟที่สามารถพัฒนาได้ โดยสามารถใช้งานผ่านเว็บ

อินเตอร์เฟสการใช้งานแบบแผนภาพสำหรับกระบวนการวิเคราะห์ทั้งวงจร
อินเตอร์เฟสการใช้งานแบบอินเตอร์แอคทีฟที่สามารถลากและวางได้ทันที โดยไม่ต้องใช้การเขียน code หรือจะใช้วิธีเขียน code เองก็ได้เช่นกัน
รองรับการสร้าง code แบบอัตโนมัติในแต่ละจุดของขั้นตอนการประมวลคำสั่ง
เลือกเทมเพลตแนวทางปฏิบัติที่ดีที่สุด (ขั้นพื้นฐาน ขั้นกลาง หรือขั้นสูง) เพื่อเริ่มต้นใช้งานการเรียนรู้ของเครื่องอย่างรวดเร็ว หรือใช้ประโยชน์จากกระบวนการสร้างโมเดลอัตโนมัติของเรา
รายงานความสามารถในการตีความ เช่น PD, LIME, ICE และ Kernel SHAP
รวมถึงสามารถแบ่งปันข้อมูลเชิงลึกของการทำโมเดลในรูปแบบรายงาน PDF ได้
สำรวจข้อมูลจากภายใน Model Studio และเปิดใช้งานโดยตรงใน SAS Visual Analytics
แก้ไขโมเดลที่นำเข้าจาก SAS Visual Analytics ใน Model Studio
ดูข้อมูลภายในแต่ละโหนดใน Model Studio
เรียกใช้รหัสแบตช์ SAS^® Enterprise Miner^™ 14.3 ภายใน Model Studio
ให้สภาพแวดล้อมการทำงานร่วมกันเพื่อการแบ่งปันข้อมูล โค้ดสั้นๆ คำอธิบายประกอบ และแนวทางปฏิบัติที่ดีที่สุดระหว่างบุคคลต่างๆ ได้อย่างง่ายดาย
สร้าง จัดการ และแชร์เนื้อหาและจัดการสิทธิ์ในเนื้อหาผ่าน SAS Drive
โปรแกรมสำหรับดูสายข้อมูล SAS จะแสดงให้เห็นถึงความสัมพันธ์ระหว่างโมเดล ข้อมูล และการตัดสินใจอย่างชัดเจน

ระบบอัตโนมัติอัจฉริยะที่มีการควบคุมโดยมนุษย์

API สาธารณะที่จะช่วยให้ขั้นตอนการสร้างโมเดลที่ซับซ้อนและต้องดำเนินการด้วยตนเองเพื่อสร้างโมเดลการเรียนรู้ของเครื่องเป็นไปโดยอัตโนมัติ ตั้งแต่การจัดการข้อมูล ไปจนถึงการออกแบบคุณลักษณะ การเลือกอัลกอริทึม ไปจนถึงการปรับใช้
โหนดวิศวกรรมคุณลักษณะอัตโนมัติสำหรับการทำความสะอาดข้อมูล การแปลง และการเลือกคุณลักษณะสำหรับโมเดลโดยอัตโนมัติ
โหนดการสร้างโมเดลอัตโนมัติสำหรับการเลือกโมเดลที่ดีที่สุดโดยอัตโนมัติด้วยการใช้ชุดโปรแกรมการเพิ่มประสิทธิภาพและการปรับแต่งอัตโนมัติด้วยหลากหลายเทคนิค
ปรับการตัดและการแยกโหนดทรีการตัดสินใจแบบอินเทอร์แอคทีฟ
คำแนะนำการเตรียมข้อมูลอัตโนมัติจากการเรียนรู้เมตา
การสร้างไปป์ไลน์อัตโนมัติพร้อมความสามารถในการปรับแต่งที่สมบูรณ์

การสร้างภาษาธรรมชาติ

ดูผลลัพธ์ในภาษาที่เข้าใจง่ายเพื่ออำนวยความสะดวกในการทำความเข้าใจรายงาน รวมถึงการประเมินโมเดลและความสามารถในการตีความ

รองรับภาษา Python & R แบบฝังในตัว

ฝังโค้ดโอเพ่นซอร์สลงในการวิเคราะห์และเรียกใช้อัลกอริทึมโอเพ่นซอร์สภายใน Model Studio
โหนดโอเพ่นซอร์สโค้ดใน Model Studio รองรับ Python หรือ R เวอร์ชั่นต่างๆ
จัดการโมเดล Python ในที่เก็บทั่วไปภายใน Model Studio

การเรียนรู้เชิงลึกด้วย Python (DLPy)

สร้างโมเดลการเรียนรู้เชิงลึกสำหรับข้อมูลรูปภาพ ข้อความ เสียง และชุดข้อมูลตามเวลาโดยใช้ Jupyter Notebook
API ระดับสูงมีอยู่บน GitHub สำหรับ:
- โครงข่ายประสาทเทียมเชิงลึกสำหรับข้อมูลแบบตาราง
- การจำแนกภาพและการถดถอย
- การตรวจจับวัตถุ
- งานที่ใช้ RNN – การจัดหมวดหมู่ข้อความ การสร้างข้อความ และการติดป้ายตามลำดับ
- การประมวลผลและการสร้างโมเดลชุดข้อมูลตามเวลาตาม RNN
รองรับสถาปัตยกรรมเครือข่ายที่กำหนดไว้ล่วงหน้า เช่น LeNet, VGG, ResNet, DenseNet, Darknet, Inception, ShuffleNet, MobileNet, YOLO, Tiny YOLO, Faster R-CNN และ U-Net
นำเข้าและส่งออกโมเดลการเรียนรู้เชิงลึกในรูปแบบ ONNX
ใช้โมเดล ONNX เพื่อให้คะแนนชุดข้อมูลใหม่ในสภาพแวดล้อมที่หลากหลายโดยใช้ประโยชน์จาก Analytic Store (ASTORE)

ขั้นตอน SAS (PROC) และการดำเนินการของ CAS

อินเตอร์เฟซสำหรับโปรแกรม (SAS Studio) จะให้ IT หรือผู้พัฒนาเข้าถึงเซิร์ฟเวอร์ CAS โหลดและบันทึกข้อมุูลได้โดยตรงจากเซิร์ฟเวอร์ CAS และรองรับการประมวลผลภายในและจากระยะไกลบนเซิร์ฟเวอร์ CAS
โปรแกรมเมอร์ที่ชำนาญภาษา Python, Java, R, Lua และ Scala และฝ่าย IT สามารถเข้าใช้ข้อมูลและจัดการข้อมูลพื้นฐานได้ในเซิร์ฟเวอร์ CAS หรือดำเนินการ CAS โดยใช้ PROC CAS
การดำเนินการของ CAS รองรับการตีความ วิศวกรรมคุณสมบัติ และการสร้างโมเดล
รวมและเพิ่มพลังของ SAS เข้ากับแอปพลิเคชันอื่นๆ โดยใช้ REST API

กระบวนการการวิเคราะห์ที่ปรับแต่งขนาดได้พร้อมกับการกระจายการประมวลผลภายในหน่วยความจำของเครื่อง

กระบวนการการกระจายการประมวลผลภายในหน่วยความจำของการคำนวณการวิเคราะห์ที่มีความซับซ้อนของข้อมูลปริมาณมาก ช่วยลดความหน่วงในการประมวลผล
บทบาทการวิเคราะห์รวมเป็นหนึ่งเดียวภายใต้หน้าที่ของหน่วยความจำภายใน โดยไม่จำเป็นต้องมีการดึงข้อมูลหรือเขียนผลลัพธ์ลงหน่วยความจำของเครื่อง
ผู้ใช้งานหลายคนสามารถเข้าถึงข้อมูลเดียวกันภายในหน่วยความจำได้ในเวลาเดียวกัน ช่วยพัฒนาประสิทธิภาพการใช้งาน
ข้อมูลและผลลัพธ์ได้รับการจัดเก็บภายในหน่วยความจำตราบเท่าที่ต้องการ ซึ่งช่วยลดความหน่วงในการดึงข้อมูล
การจัดการปริมาณงานในตัวช่วยให้มั่นใจได้ถึงการใช้ทรัพยากรการประมวลผลอย่างมีประสิทธิภาพ
การจัดการความผิดพลาดที่มีให้ ทำให้แน่ใจได้ว่าจะสามารถส่งมอบงานได้ทันเวลา
การล้นดิสก์ I/O อัตโนมัติเพื่อการจัดการหน่วยความจำที่ดีขึ้น

การพัฒนาโมเดลด้วยอัลกอริธึมการเรียนรู้ของเครื่องที่ทันสมัย

การเรียนรู้ที่ช่วยเสริมประสิทธิภาพ:
- เทคนิคต่างๆ ประกอบด้วย Fitted Q-Network (FQN) และ Deep Q-Network (DQN)
- FQN สามารถฝึกโมเดลผ่านจุดข้อมูลที่รวบรวมไว้ล่วงหน้าโดยไม่จำเป็นต้องสื่อสารกับสภาพแวดล้อม
- ใช้หน่วยความจำการเล่นซ้ำและเทคนิคเครือข่ายเป้าหมายเพื่อแยกความสัมพันธ์ของจุดข้อมูลที่ไม่ใช่ IID และทำให้กระบวนการฝึกฝนมีความเสถียร
- ความสามารถในการระบุสภาพแวดล้อมที่กำหนดเองสำหรับคู่การดำเนินการสภาวะและรางวัล
ฟอเรสต์การตัดสินใจ:
- การรวบรวมแผนภาพต้นไม้การตัดสินใจ (decision trees) แบบอัตโนมัติ ช่วยส่งเสริมให้พยากรณ์นำไปสู่เป้าหมายเดียวกัน
- การกระจายการประมวลผลแบบอัตโนมัติผ่านกระบวนการที่เป็นอิสระต่อกัน
- สนับสนุนการปรับแต่งอัตโนมัติสำหรับพารามิเตอร์ของโมเดลอัจฉริยะ
- การสร้าง code ของ SAS แบบอัตโนมัติสำหรับการสร้างการกำหนดคะแนน
เทคนิค machine learning แบบ Gradient boosting
- รูปแบบการค้นหาแบบการแบ่งงานเป็นเฟส (iterative) อย่างอัตโนมัติ สำหรับการแบ่งกลุ่มข้อมูลตามความสัมพันธ์ของตัวแปรที่กำหนดอย่างเหมาะสม
- การจัดกลุ่มตัวอย่างของข้อมูลแบบอัตโนมัติหลายครั้งตามน้ำหนักของข้อมูลที่เหลืออยู่
- การสร้างค่าเฉลี่ยถ่วงน้ำหนักแบบอัตโนมัติสำหรับแบบจำลองอันสุดท้ายสำหรับการตัดสินใจ
- รองรับข้อมูลแบบระบบฐานสอง (binary) แบบ nominal และแบบระดับช่วง (interval)
- ความสามารถในการปรับแต่งแผนภาพต้นไม้การตัดสินใจผ่านทางเลือกที่หลากหลายสำหรับจำนวนต้นไม้ที่มากขึ้น การแบ่งเงื่อนไขการตัดสินใจเพื่อการประยุกต์ใช้ข้อมูล ความลึกของต้นไม้ย่อยและการคำนวณทรัพยากร
- การหยุดเงื่อนไขการตัดสินใจแบบอัตโนมัติตามคะแนนความถูกต้องของข้อมูล เพื่อหลีกเลี่ยงปัญหาการสร้างแบบจำลองที่ดีเกินไปจนไม่สามารถนำไปใช้กับข้อมูลชุดอื่นได้ (overfitting)
- การสร้าง code ของ SAS แบบอัตโนมัติสำหรับการสร้างการกำหนดคะแนน
- เข้าถึง lightGBM ซึ่งเป็นแพ็คเกจการสร้างโมเดลโอเพ่นซอร์สยอดนิยม
แบบจำลองทางคณิตศาสตร์ด้วยการคำนวณแบบคอนเนคชันนิสต์ (Neural networks):
- การปรับแต่งชุดพารามิเตอร์อัตโนมัติอย่างชาญฉลาด เพื่อระบุแบบจำลองที่เหมาะสมที่สุด
- รองรับแบบจำลองของข้อมูลจำนวนนับ (count data)
- การตั้งค่าพื้นฐานที่ชาญฉลาดสำหรับค่าพารามิเตอร์สำหรับการคำนวณ Neural networks ที่พบเป็นส่วนใหญ่
- ความสามารถในการปรับแต่งโครงสร้างและน้ำหนักของค่าพารามิเตอร์ใน Neural networks
- เทคนิคต่างๆ ได้แก่ โครงข่ายประสาทเทียมเชิงลึก (DNN), โครงข่ายประสาทแบบคอนโวลูชั่น (CNN), โครงข่ายประสาทแบบวนซ้ำ (RNN) และตัวเข้ารหัสอัตโนมัติ
- ความสามารถในการใช้ค่าแบบ arbitrary number ของชั้นข้อมูลที่ซ่อนอยู่ช่วยส่งเสริมการเรียนรู้เชิงลึก
- รองรับเลเยอร์ประเภทต่างๆ เช่น convolution และ pooling
- การปรับข้อมูลที่นำเข้าและตัวแปรเป้าหมายให้เป็นมาตรฐานแบบอัตโนมัติ
- การเลือกและการใช้ชุดข้อมูลที่ถูกต้องแบบอัตโนมัติ
- การตรวจสอบความถูกต้องแบบอัตโนมัติ เพื่อหยุดปัญหาการ overfitting แต่เนิ่น ๆ
- รองรับการปรับแต่งพารามิเตอร์ของแบบจำลองแบบอัตโนมัติได้อย่างชาญฉลาด
- การสร้าง code ของ SAS แบบอัตโนมัติสำหรับการสร้างการกำหนดคะแนน
รองรับ vector machines:
- แบบจำลองข้อมูลเป้าหมายแบบ binary
- รองรับแบบจำลอง training ของ linear kernel และ polynomial kernel
- ความสามารถในการรวบรวมและจัดประเภทข้อมูลทั้งขาเข้าและออกอย่างต่อเนื่อง
- คุณสมบัติการปรับแต่งขนาดข้อมูลที่นำเข้าแบบอัตโนมัติ
- ความสามารถในการประยุกต์ใช้วิธี interior-point และ active-set
- รองรับการจัดแบ่งข้อมูลสำหรับแบบจำลองการตรวจสอบความถูกต้องของข้อมูล
- รองรับการตรวจสอบความถูกต้องระหว่างข้อมูลสำหรับการเลือกข้อมูล penalty
- การสร้าง code ของ SAS แบบอัตโนมัติสำหรับการสร้างการกำหนดคะแนน
แบบจำลอง Factorization machines:
- รองรับการพัฒนาระบบแนะนำตามเมตริกมากเลขศูนย์ (sparse matrix) ของรหัสผู้ใช้งานและการจัดอันดับข้อมูล
- ความสามารถในการประยุกต์ใช้ pairwise-interaction tensor factorization
- ประกอบด้วยคุณสมบัติรองรับข้อมูลที่ได้รับการแบ่งประเภทและข้อม�/��2��ลตัวเลขเพื่อการใช้งานแบบจำลองที่แม่นยำยิ่งขึ้น
- แบบจำลองเปี่ยมศักยภาพที่มาพร้อมกับการระบุเวลา ข้อมูลทางด้านประชากรศาสตร์ (demographic data) และข้อมูลสภาพแวดล้อมของสิ่งที่สนใจ (context information)
- รองรับการพัฒนาแบบจำลอง (อัปเดตแบบจำลองด้วยรายการใหม่โดยไม่จำเป็นต้องทำการ retraining)
- การสร้าง code คะแนนของ SAS แบบอัตโนมัติสำหรับกระบวนการกำหนดคะแนน
แบบจำลองแบบ Bayesian networks:
- เรียนรู้โครงสร้างของแบบจำลองแบบ Bayesian networks ที่แตกต่างกัน ซึ่งรวมถึงแบบจำลองแบบ naive แบบ tree-augmented naive (TAN) แบบ Bayesian network-augmented naive (BAN) แบบ parent-child Bayesian networks และแบบ Markov blanket
- มอบการคัดเลือกตัวแปรที่มีประสิทธิภาพผ่านการทดสอบที่เป็นอิสระต่อกัน
- การเลือกแบบจำลองที่ดีที่สุดแบบอัตโนมัติจากค่าพารามิเตอร์ที่กำหนด
- สร้าง code SAS หรือพื้นที่จัดเก็บการวิเคราะห์เพื่อให้คะแนนข้อมูล
- โหลดข้อมูลจากหลายจุด (node) และดำเนินการประมวลผลแบบคู่ขนาน
โมเดลผสม Dirichlet Gaussian (GMM):
- สามารถดำเนินการคลัสเตอร์แบบขนานและมีหลายเธรดในระดับสูง
- ดำเนินการจัดกลุ่มแบบซอฟต์ ซึ่งไม่เพียงให้คะแนนกลุ่มที่พยากรณ์ไว้ แต่ยังแจกแจงความน่าจะเป็นบนกลุ่มสำหรับการสังเกตแต่ละครั้ง
- เรียนรู้จำนวนคลัสเตอร์ที่ดีที่สุดระหว่างกระบวนการคลัสเตอร์ ซึ่งสนับสนุนโดยกระบวนการ Dirichlet
- ใช้วิธีการผันแปรแบบคู่ขนาน (VB) เป็นวิธีการอนุมานโมเดล วิธีนี้จะประมาณการแจกแจงหลัง (กำกับได้ยาก) แล้วปรับปรุงพารามิเตอร์โมเดลซ้ำๆ จนกว่าจะถึงจุดบรรจบกัน
อัลกอริธึมการเรียนรู้แบบกึ่งควบคุม:
- กระจายและมัลติเธรดในระดับสูง
- ส่งกลับป้ายกำกับที่พยากรณ์ไว้สำหรับทั้งตารางข้อมูลที่ไม่มีป้ายกำกับและตารางข้อมูลที่มีป้ายกำกับ
T-distributed stochastic neighbor embedding (t-SNE):
- กระจายและมัลติเธรดในระดับสูง
- ส่งคืนการฝังแบบมิติต่ำที่ยึดตามการใช้งานแบบขนานของอัลกอริธึม t-SNE
Generative adversarial networks (GANs)
- เทคนิคประกอบด้วย StyleGAN สำหรับข้อมูลรูปภาพและ GAN สำหรับข้อมูลแบบตาราง
- สร้างข้อมูลสังเคราะห์สำหรับโมเดลการเรียนรู้เชิงลึก

การเตรียมข้อมูลเชิงวิเคราะห์

ไปป์ไลน์แนวทางปฏิบัติที่ดีที่สุดด้านวิศวกรรมคุณสมบัติประกอบด้วยการแปลงที่ดีที่สุด
รูทีนการจัดการข้อมูลแบบกระจายที่มีให้ผ่านทางส่วนหน้าแบบภาพ
การสรุปผลและการสำรวจข้อมูลปริมาณมาก
การจัดการข้อมูลแบบ Cardinality profiling:
- การแสดงข้อมูลปริมาณมากของแหล่งข้อมูลที่จะนำเข้า
- ข้อเสนอแนะอย่างชาญฉลาดสำหรับการวัดค่าและบทบาทของตัวแปร
การสุ่มตัวอย่าง:
- รองรับการสุ่มและการสุ่มตัวอย่างแบบ stratified sampling การสุ่มตัวอย่างแบบ oversampling เพื่อค้นหาเหตุการณ์ที่พบได้ยากและตัวแปรบ่งชี้ (indicator sampling) ของการบันทึกตัวอย่าง

การสำรวจข้อมูล วิศวกรรมฟีเจอร์ และการลดขนาด

T-distributed stochastic neighbor embedding (t-SNE).
คุณสมบัติการปรับข้อมูลให้เรียบ (binning)
การประมาณค่าข้อมูลที่สูญหายอันเปี่ยมประสิทธิภาพตามค่าที่ผู้ใช้งานกำหนด ค่าเฉลี่ย ค่า pseudo median และค่าจากการสุ่มข้อมูลที่ไม่ได้สูญหาย
คุณสมบัติการลดมิติของข้อมูล (dimension reduction)
การวิเคราะห์แบบ Large-scale principal components analysis (PCA) รวมถึงการเคลื่อนย้าย windows และ robust PCA
อัลกอริทึม unsupervised learning พร้อมการวิเคราะห์จัดกลุ่ม (Cluster analysis) และกลุ่มตัวแปรแบบผสม
ส่วนกำหนดค่าสำหรับการจัดกลุ่ม

การวิเคราะห์แบบ Integrated text analytics

รองรับภาษาพื้นฐาน 33 ภาษาตั้งแต่แกะกล่อง:
- อังกฤษ
- ภาษาอาหรับ
- ภาษาจีน
- ภาษาโครเอเชีย
- ภาษาเช็ก
- ภาษาเดนมาร์ก
- ภาษาดัตช์
- ภาษาฟาร์ซี
- ภาษาฟินแลนด์
- ฝรั่งเศส
- เยอรมัน
- ภาษากรีก
- ภาษาฮีบรู
- ภาษาฮินดี
- ภาษาฮังการี
- ภาษาอินโดนีเซีย
- อิตาเลี่ยน
- ญี่ปุ่น
- ภาษาคาซัค
- เกาหลี
- ภาษานอร์เวย์
- ภาษาโปแลนด์
- ภาษาโปรตุเกส
- ภาษาโรมาเนีย
- รัสเซีย
- ภาษาสโลวัก
- ภาษาสโลวีเนีย
- สเปน
- ภาษาสวีเดน
- ภาษาตากาล็อก
- ภาษาตุรกี
- ภาษาไทย
- ภาษาเวียดนาม
รายการตัวหยุดจะถูกรวมโดยอัตโนมัติและนำไปใช้กับทุกภาษา
การแจกแจงรูปประโยค การแปลงเป็นโทเค็น การติดแท็กชนิดของคำ และการแทรกคำย่ออัตโนมัติ
แนวคิดที่กำหนดไว้ล่วงหน้าจะแยกเอนทิตีทั่วไป เช่น ชื่อ วันที่ ค่าสกุลเงิน หน่วยวัด ผู้คน สถานที่ และอื่นๆ
การแยกคุณสมบัติโดยอัตโนมัติด้วยหัวข้อที่เครื่องสร้างขึ้น (การแยกส่วนค่าเอกพจน์และการจัดสรร Dirichlet ที่แฝงอยู่)
รองรับการเรียนรู้ของเครื่องและแนวทางตามกฎภายในโครงการเดียว
การสร้างกฎอัตโนมัติด้วย BoolRule
จัดหมวดหมู่เอกสารได้แม่นยำยิ่งขึ้นด้วยการเรียนรู้เชิงลึก (โครงข่ายประสาทเทียมที่เกิดซ้ำ)

การประเมินแบบจำลอง (Model Assessment)

คำนวณแบบจำลองอัลกอริทึม supervised learning model performance statistics แบบอัตโนมัติ
สร้างรายงานสถิติสำหรับช่วงเป้าหมายและกลุ่มเป้าหมาย
สร้างตารางสำหรับช่วงเป้าหมายและกลุ่มเป้าหมาย
สร้างตาราง ROC สำหรับกลุ่มเป้าหมาย
สร้างแผนภูมิการจัดประเภทเหตุการณ์และการจัดประเภทที่กำหนดสำหรับรูปแบบการเรียนรู้ภายใต้การดูแลที่มีประเภทเป้าหมาย

Model scoring

สร้าง step code ของ SAS DATA สำหรับการกำหนดคะแนนแบบอัตโนมัติ
ประยุกต์ใช้หลักการกำหนดคะแนนไปยังข้อมูล training ข้อมูล holdout และข้อมูลใหม่

เอนจิ้น SAS ® Viya ® ในหน่วยความจำ

CAS (SAS Cloud Analytic Services) ดำเนินการประมวลผลในหน่วยความจำและกระจายการประมวลผลไปยังโหนดต่างๆ ในคลัสเตอร์
คำขอของผู้ใช้ (ที่ปรากฏในภาษาของลำดับขั้นตอน) สามารถถูกแปลงเป็นขั้นตอนการดำเนินงาน โดยใช้พารามิเตอร์ที่จำเป็นในการประมวลผลในสภาพแวดล้อมที่มีการทำงานร่วมกัน ชุดผลลัพธ์และข้อความที่เกี่ยวข้องจะถูกส่งกลับมายังขั้นตอนการดำเนินการ เพื่อที่ผู้ใช้จะสามารถดำเนินการในลำดับต่อไป
ข้อมูลได้รับการจัดการเป็นบล็อกและสามารถโหลดในหน่วยความจำและตามความต้องการ
หากตารางเกินความจุของหน่วยความจำ เซิร์ฟเวอร์จะแคชบล็อกบนดิสก์ เก็บข้อมูลและผลลัพธ์ขั้นกลางไว้ในหน่วยความจำได้นานเท่าที่คุณต้องการ สำหรับหลากหลายส่วนงานและขอบเขตของผู้ใช้
มาพร้อมระบบการติดต่อสื่อสารที่มีประสิทธิภาพสูงระหว่าง node ต่าง ๆ อัลกอริทึมจะกำหนดจำนวน node ที่เหมาะสมที่สุดสำหรับงานแต่ละชิ้น
เลเยอร์การสื่อสารรองรับการยอมรับข้อผิดพลาดและให้คุณลบหรือเพิ่มโหนดจากเซิร์ฟเวอร์ในขณะที่กำลังทำงาน ส่วนประกอบทั้งหมดสามารถทำซ้ำได้เพื่อความพร้อมใช้งานสูง
รองรับโค้ด SAS ดั้งเดิมและการทำงานร่วมกันโดยตรงกับไคลเอนต์ SAS 9.4M6
รองรับการปรับใช้แบบหลายผู้เช่าใช้บริการ จึงทำให้สามารถใช้สแต็กซอฟต์แวร์ในการรองรับผู้เช่าแบบแยกเดี่ยวให้มีความปลอดภัยได้

SAS Viya Copilot

ความช่วยเหลือด้านโค้ด:
- สร้างโค้ด SAS ตามข้อมูลที่ผู้ใช้ป้อน เพื่อให้มั่นใจถึงความแม่นยำและความสอดคล้องกัน
- อธิบายโค้ด SAS ด้วยคำอธิบายที่ชัดเจนและเข้าใจง่ายเกี่ยวกับโค้ด SAS ที่มีอยู่ ซึ่งจะช่วยให้สามารถปฏิบัติตามสคริปต์ที่ซับซ้อนได้ง่ายขึ้น และทำให้สามารถถ่ายโอนการบำรุงรักษาโค้ดได้อย่างมีประสิทธิภาพมากขึ้น
- แสดงความคิดเห็นที่มีประโยชน์ภายในโค้ดเพื่อปรับปรุงการอ่านและการจัดทำเอกสาร ซึ่งมีประโยชน์อย่างยิ่งสำหรับการดูแลรักษาโค้ดเดิมที่ผู้อื่นเขียน
การพัฒนาไปป์ไลน์โมเดลที่ขับเคลื่อนด้วย AI:
- อธิบายเอาต์พุตของโมเดลอย่างชัดเจนในแต่ละขั้นตอนในไปป์ไลน์ เพื่อให้ผู้ใช้สามารถตัดสินใจได้ดียิ่งขึ้น
- แนะนำและเพิ่มโหนดให้กับไปป์ไลน์ตามสถานะที่มีอยู่ของไปป์ไลน์และข้อมูล
- ตอบคำถาม เร่งงานด้านการพัฒนาโมเดลด้วยการอำนวยความสะดวกในการใช้เอกสารประกอบการเรียนของผู้ใช้ มอบวิธีที่ง่ายดายในการรับมือและทำความเข้าใจรายละเอียดทางเทคนิค

การสร้างข้อมูลสังเคราะห์

การสร้างข้อมูลเชิงสัมพันธ์แบบหลายตาราง หมายความว่าผู้ใช้งานสามารถจัดการกับโมเดลข้อมูลที่ซับซ้อนได้ เช่น การสร้างชุดข้อมูลทางการเงินแบบสังเคราะห์ ซึ่งตารางลูกค้า บัญชี และธุรกรรมยังคงสอดคล้องกันเพื่อการจำลองข้อมูลแบบครบวงจรที่สมจริง
การสร้างชุดข้อมูลตามเวลาช่วยให้สามารถสร้างข้อมูลลำดับแบบสังเคราะห์ได้ (เช่น การอ่านค่าจากเซนเซอร์ตามช่วงเวลา ราคาหุ้น หรือแนวโน้มสัญญาณชีพของผู้ป่วย)
อินเทอร์เฟซแบบเขียนโค้ดน้อย/ไม่ต้องเขียนโค้ดทำให้สามารถสร้างข้อมูลแบบสังเคราะห์ได้โดยไม่ต้องใช้โค้ด
นโยบายการกำกับดูแลและการประเมินที่รักษาความเป็นส่วนตัว หมายถึงทีมงานสามารถสร้างนวัตกรรมโดยใช้ข้อมูลที่เป็นจริงโดยไม่มีความเสี่ยงด้านความเป็นส่วนตัวของบุคคลจริงเลย SAS Data Maker มีคุณลักษณะนโยบายการกำกับดูแลและการตรวจสอบในตัวเพื่อสร้างความมั่นใจในข้อมูลสังเคราะห์
ความโปร่งใสและการควบคุมกระบวนการ หมายถึงการมองเห็นและการควบคุมที่สมบูรณ์ในกระบวนการสร้างข้อมูลสังเคราะห์ ตั้งแต่การวางโครงร่างและสร้างโมเดล ไปจนถึงการสร้าง ตรวจสอบ และใช้งานข้อมูลสังเคราะห์
การเร่งความเร็วข้อมูลเพื่อการสร้างสรรค์นวัตกรรมช่วยให้ผู้ใช้งานมีอิสระในการพัฒนาและทดสอบโมเดลอย่างยืดหยุ่น โดยมีวงจรการจัดเตรียมที่สั้นลงอย่างมาก
ความสามารถในการปรับขนาดและประสิทธิภาพขององค์กร หมายความว่าคุณสามารถปรับขนาดเพื่อสร้างบันทึกนับล้านรายการในตารางต่างๆ ได้อย่างมีประสิทธิภาพ
การผสานการทำงานกับ SAS Viya หมายความว่าการสร้างข้อมูลสังเคราะห์สามารถเป็นส่วนหนึ่งของแพลตฟอร์มเดียวกันกับที่มีการเตรียมข้อมูล สร้างโมเดล และตัดสินใจ

AutoML

คลังจัดเก็บไปป์ไลน์ของแนวทางปฏิบัติที่ดีที่สุดเพื่อให้สามารถตั้งค่าโมเดลได้อย่างง่ายดาย
แบบจำลองที่สร้างไว้ล่วงหน้าโดย SAS หรือโดยผู้ใช้สามารถช่วยให้คุณสร้างไปป์ไลน์ของโมเดลได้อย่างรวดเร็ว
สร้างข้อมูลโปรไฟล์แบบไดนามิก
แก้ไขปัญหาด้านคุณภาพข้อมูลโดยอัตโนมัติด้วยการเรียนรู้ของเครื่อง
ดำเนินการการแปลงข้อมูลโดยอัตโนมัติ
แนะนำและสร้างโมเดลที่เหมาะสมกับโครงการของคุณที่สุด
เพิ่มประสิทธิภาพการทำงานและความเร็วในโมเดลต่างๆ
แก้ไขได้เต็มที่และมีความโปร่งใส

รายการคุณลักษณะของ SAS Model Studio

การเขียนโปรแกรมแบบอินเตอร์แอคทีฟที่สามารถพัฒนาได้ โดยสามารถใช้งานผ่านเว็บ

ระบบอัตโนมัติอัจฉริยะที่มีการควบคุมโดยมนุษย์

การสร้างภาษาธรรมชาติ

รองรับภาษา Python & R แบบฝังในตัว

การเรียนรู้เชิงลึกด้วย Python (DLPy)

ขั้นตอน SAS (PROC) และการดำเนินการของ CAS

กระบวนการการวิเคราะห์ที่ปรับแต่งขนาดได้พร้อมกับการกระจายการประมวลผลภายในหน่วยความจำของเครื่อง

การพัฒนาโมเดลด้วยอัลกอริธึมการเรียนรู้ของเครื่องที่ทันสมัย

การเตรียมข้อมูลเชิงวิเคราะห์

การสำรวจข้อมูล วิศวกรรมฟีเจอร์ และการลดขนาด

การวิเคราะห์แบบ Integrated text analytics

การประเมินแบบจำลอง (Model Assessment)

Model scoring

เอนจิ้น SAS ® Viya ® ในหน่วยความจำ

SAS Viya Copilot

การสร้างข้อมูลสังเคราะห์

AutoML

ติดตามเรา

คืออะไร...