Nachbericht SAS Forum Deutschland 2018 SAS stellt KI, Governance und Collaboration in den Vordergrund

Auf seiner Anwenderkonferenz „SAS Forum Deutschland 2018“ in Bonn stellte der US-Analytics-Spezialist SAS seine Self-Service-Analyse-Plattform SAS Viya in der Version 3.3 vor und gewährte Ausblicke auf Version 3.4. Viya ist auf moderne Analytics- und KI-Technologien ausgerichtet, daher sollen auch Grafikprozessoren, Container und Collaboration-Technologien unterstützt werden.

Anbieter zum Thema

Fujitsu Technology Solutions GmbH

Confluent Germany GmbH

Fivetran Germany GmbH

SAS Institute GmbH Niederlassung München

In der Version 3.3 erweitert SAS die Funktionalitäten für Künstliche Intelligenz (KI) und Automatisierung innerhalb der SAS Platform weiter. Da die Open-Source-Gemeinde mit ihren zahlreichen Mitgliedern ständig neue Algorithmen austüftelt und kostenlos zur Verfügung stellt, muss sich die SAS Platform mit weitergehenden Fähigkeiten profilieren.

Dr. Andreas Becks, Head of Business Analytics in der DACH-Region bei SAS

So ist es beispielsweise nach Ansicht von Dr. Andreas Becks, Head of Business Analytics in der DACH-Region bei SAS, unerlässlich, den Lebenszyklus, in dem Machine Learning genutzt wird, mit bereinigten Daten zu beginnen. „SAS bietet hierfür das Tool DataPrep an, das mithilfe von Machine Learning in der Lage ist, Lücken in den Daten zu füllen.“ Es komme darauf an, die Geschäftsfrage eines Mitarbeiters im Fachbereich mit möglichst nützlichen und verlässlichen Informationen zu beantworten. Zudem soll mit DataPrep auch der enorm hohe Zeitaufwand von bis zu 80 Prozent, den AWS kürzlich angegeben hat, bei einer Analyse gesenkt werden.

Schnelle Ergebnisse, aber auch Vertrauen

Dieser unmittelbare geschäftliche Nutzen für die Fachbereiche steht im Vordergrund der Weiterentwicklung der Viya-Plattform. Automation, Transparenz und Governance spielen eine zentrale Rolle, um sowohl schnelle Ergebnisse zu liefern, aber auch das Vertrauen zu rechtfertigen, das die Mitarbeiter und ihre Kunden in Analytics und KI setzen.

Die Erstellung und der Einsatz von Modellen funktionieren selbstständig, damit der Mitarbeiter in kürzester Zeit aus verschiedenen Modellen das am besten geeignete auswählen und direkt nutzen kann. Um die Modellgüte in Zukunft noch weiter zu optimieren, will SAS neue Feature-Engineering-Funktionalitäten zur Plattform hinzufügen. „Wir stellen eine Reihe neuer KI-Methoden bereit, doch unser Fokus liegt nicht alleine auf der Technologie und den Funktionalitäten, sondern vor allem auf den Ergebnissen, die sie liefern, und ihrem Nutzwert“, so Becks.

Durch den Einsatz rekurrenter neuronaler Netze (RNN) für die Sentiment-Erkennung und die Textklassifikation wird auch das Natural Language Processing (NLP) automatisiert. Weitere Methoden fördern die Nutzung von Bilderkennung, etwa in Schadensberichten bei Auto-Versicherungen. „Mit diesen Methoden“, so Becks weiter, „ist beispielsweise die Qualitätssicherung direkt auf der Viya-Plattform möglich, indem Bilder von Werkstücken auf Defekte hin untersucht werden.“ Mit einer Auto-Tuning-Funktion lasse sich beispielsweise sicherstellen, dass sich auch in einem komplexen neuronalen Netzwerk die für die jeweilige Plattform optimale Performance erzielen lasse. Manche Algorithmen sind nämlich sehr anspruchsvoll, was die Systemressourcen angeht.

Bildergalerie

Bildergalerie mit 7 Bildern

Mehr Transparenz

Nach Becks' Angaben hat sich SAS Prinzipien wie Transparenz, Nachvollziehbarkeit, Verantwortung und Fairness auf die Fahnen geschrieben. Dafür sind in der aktuellen SAS-Viya-Version Ansätze wie LIME (Local Interpretable Model-Agnostic Explanations) und ICE (Impact, Confidence, Ease) integriert, die für verbesserte Interpretierbarkeit und mehr Transparenz sorgen. „Ein Kunde muss beispielsweise Einblick in den Prozess erhalten, der zu einer Entscheidung über eine Kreditvergabe geführt hat, besonders wenn dabei ein KI-Modell genutzt wurde“, erläutert Becks. „Durch die Kombination der KI und Advanced Analytics mit Ansätzen wie LIME und ICE können Data Scientists und Anwender aus Fachabteilungen die Logik hinter den Vorhersagen der Modelle besser verstehen und erklären“, ergänzt Saurabh Gupta, Director of Analytics Products bei SAS. Die Black Box hat ausgedient.

Im Hinblick auf die Nachvollziehbarkeit spielt einerseits die integrierte Governance eine zentrale Rolle, andererseits auch die Möglichkeit, Prozess in einer Pipeline als Code zu speichern. 2017 hat SAS in Viya „Pipefitter“ eingeführt, eine Python-Bibliothek, die die Implementierung von Machine-Learning-Pipelines erleichtert. Als offene Plattform unterstützt SAS Viya Python, Java, R und Lua als Programmiersprachen.

Verbesserte Data Governance

Mit der Version 3.3 von SAS Viya kann die Herkunft der Daten über den gesamten Analytics-Lifecycle hinweg bestimmt werden. Die Möglichkeit, die Beziehungen zwischen Daten – ob strukturiert oder nicht – visuell in Plots dazustellen, erzeugt ein intuitives Verständnis dafür, wie Daten aufeinander basieren. So sollen Fehler schneller und leichter erkennbar sein, redundante Kopien können einfach identifiziert werden. Außerdem ist es für Anwender über Performance Dashboards möglich, mit nur wenigen Klicks den Erfolg ihrer Modelle zu überprüfen. Darin können auch Modell-Updates geplant und automatisiert werden, wenn beispielsweise neue Daten hinzukommen oder wenn der erwartete Erfolg nicht eintritt.

Collaboration und Teamwork

Die grafische Benutzeroberfläche von Viya 3.3. bietet mehr Möglichkeiten der Zusammenarbeit, um die Nutzer produktiver zu machen. „SAS Drive“ dient hierzu als zentrales Lager für Projekte rund um SAS-Produkte. „Das Deployment mithilfe von Templates zu beschleunigen, ist eine Methode, um die Produktivität von Teams zu steigern“, erläutert Becks, „und diese Templates lassen sich in dem virtuellen Kollaborationsraum Drive bereitstellen. Hier könnten Teams auch Workflow Pipelines als Code hinterlegen und vergleichen.“

In Version 3.3 schafft SAS Viya nahtlose Übergänge zwischen den verschiedenen Stufen des Analytics-Lifecycles, von Datenerfassung über Data Discovery bis zum Deployment. Des Weiteren sind der GPU-Support und der Support für die Betriebssysteme SUSE Linux und Windows Symmetric Multiprocessing (SMP) als neue Features enthalten. „Und wir sind im Cloud-Umfeld“, ergänzt Andreas Becks: „AWS und der niederländische Provider Amsio, der wie AWS in Frankfurt/Main Ressourcen hat, sind unsere Partner.“ Machine Learning erfordere eine hoch verteilte Infrastruktur. „Wir bei SAS haben den Anspruch, dass wir vom Deployment her modern werden. On-premise ist natürlich weiterhin möglich und für viele Kunden in Deutschland sehr wichtig.“ Es gebe rund 700 Kunden weltweit, die SAS Viya anwenden.

Offenheit als Prinzip

Neue Funktionalitäten sollen für mehr Offenheit sorgen und die Interoperabilität mit anderen Systemen verbessern. So können Nutzer etwa innerhalb ihrer SAS-Machine-Learning-Pipeline auch Open-Source-Code einfügen. Die Programmiersprachen Python, Java, R und Lua werden ebenso unterstützt wie die Schnittstellen zu Hadoop und Spark, wo sich SAS-Code ausführen lässt. Eine der nächsten Versionen soll zudem Container auf Kubernetes-Basis unterstützen, war zu erfahren. Das ist nicht überraschend, seit auch Pivotal CloudFoundry (PKS), VMware und AWS (EKS) Kubernetes unterstützen.

Zudem haben Anwender offenen Zugang zu Salesforce und Java Database Connectivity (JDBC) und die Möglichkeit, Open-Source-Java-Script-Visualisierungen für Untersuchungen und Reports einzubeziehen. App-Entwicklern stehen außerdem spezielle SDKs zur Verfügung, sodass sie eine Vielzahl an personalisierten und kundenorientierten mobilen Apps erstellen können. Ebenso werden in Python programmierte Modelle bei Entscheidungsbäumen unterstützt.

(ID:45390505)