L'une des capacités les plus pointues de cette action est l'utilisation du paramètre whereTable au sein de la configuration de l'option instore. Cette approche technique permet de restreindre dynamiquement le périmètre de l'analyse sans avoir à manipuler ou copier physiquement la table source principale. En définissant une expression conditionnelle stricte, le système va exécuter le filtrage à la volée des observations de la table d'entrée avant même de projeter les métriques 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).. C'est une stratégie de conception vitale pour interroger des sous-segments spécifiques d'une population tout en garantissant des performances optimales sur le 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. in-memoryTechnique stockant les données directement dans la RAM pour un accès ultra-rapide, permettant des analyses massives et calculs complexes en temps réel sans les latences liées aux disques durs..
L'astuce méconnue pour filtrer dynamiquement des téraoctets de données sans aucune duplication ?
Filtrage In-Memory Haute Performance
Exemples pour l'action countregViewStore
Visualisation basique du modèle restauré
Affiche les informations par défaut (résumé minimal) du modèle sauvegardé.
Inspection complète et sauvegarde des estimations
Dans cet exemple, on demande l'affichage de TOUS les détails possibles (all=true) et on exporte les estimations finales dans une table CAS nommée 'estimates_out'.
Conseil de l'Expert
Ne confondez pas le where classique d'une table CAS avec le paramètre whereTable des actions instore. Tandis qu'un where standard peut parfois forcer une redistribution des données entre les nœuds (shuffle), le whereTable opère comme une vue dynamique éphémère injectée directement dans le moteur d'exécution de l'action. C'est la solution ultime pour le scoring en temps réel sur des volumes massifs (V-Big Data).
Architecture du Filtrage Dynamique In-Store
- Zéro Duplication Mémoire : Contrairement à un proc casutil qui créerait une table temporaire, whereTable applique un prédicat logique sans allouer de nouveaux blocs mémoire pour les lignes filtrées.
- Poussée de Prédicat (Predicate Push-down) : Le filtre est appliqué au niveau le plus bas de l'itérateur de données, minimisant les cycles CPU consommés par le moteur d'analyse.
- Indépendance du Modèle : Vous pouvez utiliser le même fichier de modèle (.sashdat) pour différents segments de clients simultanément sans modifier l'artefact original
- Flexibilité des Jointures Logiques : Permet d'isoler des cohortes complexes (ex: "Top 1% clients") via une expression de filtrage calculée dynamiquement par une action précédente.
- Latence Minimale : Essentiel pour les déploiements de type "Champion/Challenger" où plusieurs filtres doivent être testés sur le même socle de données en un temps record.
Cette réponse vous a-t-elle aidé ?
