SAS สำหรับการเรียนรู้ของเครื่องและการเรียนรู้เชิงลึก
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 ใน Model Studio
- ให้สภาพแวดล้อมการทำงานร่วมกันเพื่อการแบ่งปันข้อมูล โค้ดสั้นๆ คำอธิบายประกอบ และแนวทางปฏิบัติที่ดีที่สุดระหว่างบุคคลต่างๆ ได้อย่างง่ายดาย
- สร้าง จัดการ และแชร์เนื้อหาและจัดการสิทธิ์ในเนื้อหาผ่าน SAS Drive
- โปรแกรมดูเชื้อสาย SAS แสดงความสัมพันธ์ระหว่างการตัดสินใจ โมเดล ข้อมูล และการตัดสินใจ
ระบบอัตโนมัติอัจฉริยะที่มีการควบคุมโดยมนุษย์
- API สาธารณะเพื่อทำให้ขั้นตอนการสร้างโมเดลที่ซับซ้อนด้วยตนเองจำนวนมากเป็นไปโดยอัตโนมัติเพื่อสร้างโมเดลการเรียนรู้ของเครื่อง ตั้งแต่การโต้แย้งข้อมูล ไปจนถึงวิศวกรรมคุณสมบัติ การเลือกอัลกอริธึม ไปจนถึงการปรับใช้
- โหนดวิศวกรรมคุณสมบัติอัตโนมัติสำหรับการล้าง แปลง และเลือกคุณสมบัติสำหรับโมเดลโดยอัตโนมัติ
- โหนดการสร้างโมเดลอัตโนมัติสำหรับการเลือกโมเดลที่ดีที่สุดโดยอัตโนมัติโดยใช้ชุดการปรับให้เหมาะสมและรูทีนการปรับแต่งอัตโนมัติในหลายๆ เทคนิค
- ปรับการตัดและการแยกโหนดทรีการตัดสินใจแบบอินเทอร์แอคทีฟ
- คำแนะนำการเตรียมข้อมูลอัตโนมัติจากการเรียนรู้เมตา
- การสร้างไปป์ไลน์อัตโนมัติพร้อมความสามารถในการปรับแต่งที่สมบูรณ์
การสร้างภาษาธรรมชาติ
- ดูผลลัพธ์ในภาษาที่เข้าใจง่ายเพื่ออำนวยความสะดวกในการทำความเข้าใจรายงาน รวมถึงการประเมินโมเดลและความสามารถในการตีความ
รองรับภาษา Python & R แบบฝังในตัว
- ฝังโค้ดโอเพ่นซอร์สภายในการวิเคราะห์ และเรียกใช้อัลกอริธึมโอเพ่นซอร์สภายใน 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 ระดับสูงพร้อมใช้งานบน 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 เพื่อทำคะแนนชุดข้อมูลใหม่ในสภาพแวดล้อมที่หลากหลายโดยใช้ประโยชน์จาก 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
- ใช้หน่วยความจำเล่นซ้ำและเทคนิคเครือข่ายเป้าหมายเพื่อเชื่อมโยง non-i.i.d. จุดข้อมูลและทำให้กระบวนการฝึกฝนมีเสถียรภาพ
- ความสามารถในการระบุสภาพแวดล้อมที่กำหนดเองสำหรับคู่การดำเนินการสภาวะและรางวัล
- ฟอเรสต์การตัดสินใจ:
- การรวบรวมแผนภาพต้นไม้การตัดสินใจ (decision trees) แบบอัตโนมัติ ช่วยส่งเสริมให้พยากรณ์นำไปสู่เป้าหมายเดียวกัน
- การกระจายการประมวลผลแบบอัตโนมัติผ่านกระบวนการที่เป็นอิสระต่อกัน
- รองรับการปรับแต่งพารามิเตอร์ของแบบจำลองแบบอัตโนมัติได้อย่างชาญฉลาด
- 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 โครงข่ายประสาทเทียมแบบดีพฟอร์เวิร์ด (DNN), โครงข่ายประสาทเทียมแบบวนรอบ (CNN), โครงข่ายประสาทเทียมที่เกิดซ้ำ (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
- ประกอบด้วยคุณสมบัติรองรับข้อมูลที่ได้รับการแบ่งประเภทและข้อมูลตัวเลขเพื่อการใช้งานแบบจำลองที่แม่นยำยิ่งขึ้น
- 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
เอนจิ้นในหน่วยความจำของ SAS Viya
- 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