全球最大的软件公司之一的SAS,正处于变

中科医院 https://m.yiyuan.99.com.cn/bjzkbdfyy/yyhj/260665/
高层管理团队的更新，向云的过渡以及与开源世界的合作将重新定义SAS在全球的地位。去年，我们做了一个星际迷航的比喻，描述了SAS的进化过程，我们看了CEO和联合创始人吉姆·古德奈特博士演示了如何使用Alexa查询SAS。。一年后，我们观看了一个使用Siri和iPhone的类似演示程序，让我们了解了使对话界面变为现实所需的沉重步骤。提示:你仍然需要准确地表达你的问题，因为到目前为止，语音识别系统还没有达到我们在输入谷歌搜索时所认为的自动更正功能。但是我们跑题了。随着奥立弗·舒本伯格博士的加入，产品开发，以及最近的CTO，到COO的职位(只向古德奈特报告)，SAS已经完成了三年前开始的改变。在舒本伯格博士的帮助下，SAS推动了具有深厚学术背景的产品研究员（如Dr.Goodnight）领导产品开发，销售和运营。SAS将新创建的COO职位描述为“扩展”管理团队的计划。看这个空间。SAS面临的挑战是，过去40年中无人问津的市场现在变得相当拥挤。使用云计算，您无需投资高性能计算基础架构，而使用开源软件，您无需为此消声器付费（如果消声器是软件）。毫不奇怪，数据科学生命周期的自动化，协作，协调和部署工具的生态系统已经萌芽。随着Viya在过去几年的出现，SAS明智地得出结论:它的价值并不是在SAS编程语言中，而是在其投资组合中分析的广度和深度，以及它管理它们的方式。在Viya中，SAS选择与开放源码环境共存。在R或Python语言中开发，使用一个Jupyter笔记本编写和共享您的模型，但是在运行时，将它们发送到Viya，在那里模型运行在SAS的云分析服务(CAS)内存引擎中。或者与SAS工具分享你的算法，例如视觉分析或视觉研究者。所以SAS已经打开了大门，但最大的威胁不一定是开源的，而是通过来自每个主要云提供商的几十种适合用途的服务，轻松访问高级分析和机器学习（ML）。想要在高度策划的环境中构建ML模型？去亚马逊Sagemaker或AzureMLStudio。想要为文本应用程序构建一些图像识别或语音吗？转到AmazonRekognition或GoogleCloudNaturalLanguage。想运行一些Spark作业吗？转到AmazonEMR或Databricks。当SAS公司吹嘘其全面的环境时，这些云服务提供快速的onramps的分析类型，这是SAS的面包和黄油;如果您已经在云存储(已经是您的数据池)中有了数据，只需给出一个信用卡号。在今年的分析师会议上，我们不应该感到意外的是，人们把焦点转向了人工智能(AI)和ML，因为它们在分析领域占据了相当大的位置。SAS认为需要断言，ML及其前体一直以来都是其分析的基础。让我们假设SAS在ML的炒作中姗姗来迟。SAS正经历着一段不可避免的“先行者”的仪式，因为它面临着挑战，要继续展示它在一个历史上占主导地位的市场的相关性，而现在，它与众多的新贵们分享。SAS在全球企业基础上拥有稳固的地位，这一基础不会很快消失。但它面临的挑战是，要争夺下一代数据科学家、数据工程师和业务分析师的心和头脑，这些人已通过自助服务获得了授权，并被开源软件吸引。有很多方法可以让SAS重新变酷。我们回想起几年前，飞到一个会议上(实际上，是SAS)，在那里我们发现自己坐在一名高中高年级学生旁边，他正要去UTAustin去查看他们的数据科学项目。通过自学，他已经精通R和Python语言，但更喜欢SAS，因为全功能分析环境。这就是SAS想要复制的场景。为此，SAS长期投资于培养下一代SAS程序员的高等教育计划。但现在它必须做得更多：它必须满足他们的年轻从业者：在云端和开源社区。对他们来说，云使onramp变得容易，而开源则是社区创新的代名词。顺便说一句，开源提供了职业可移植性。学习专有工具，你只能去那些使用该工具的公司，而学习开源，你几乎可以去任何地方。我们先从云端开始。SAS在SaaS业务上上还处于初期阶段。有限的SAS客户群正在使用其自己的数据中心（位于Cary，NC总部和法兰克福附近）的云服务或SAS托管在公共云中的服务。它还在AWSMarketplace上提供受管理的SAS分析服务，但严格限于高等教育。Viya由于运行在弹性CAS基础架构上，因此“云端友好”尚未作为托管云分析平台即服务提供。今天，要进入云端，您必须通过基础架构即服务来部署。这将会改变。SAS现在正在将其分析工具重新设计为更适合云的容器和微服务;我们预计首个集装箱化的SAS分析服务将在Viya平台上亮相。重新架构非常重要，因为容器和微服务提供了两个关键优势。首先，他们更有效地利用云资源，这意味着像SAS这样的托管服务提供商可以更具竞争力地为其SaaS产品定价。其次，通过将整体应用程序和工具重构为容器和微服务，SAS可以更容易地创建新的基于云的服务，如SASVisualInvestigator，可以从VisualStatistics，DataPrep，EnterpriseMiner和其他工具中整理SAS组合的功能。这意味着SAS可以通过加快推出新服务来更好地响应云中的客户需求。顺便说一下，这样的混搭与SAS的Viya路线图非常吻合，它将在更现代的基于Web的界面下展示来自核心组合的大量功能。至于开源，如上所述，SAS主要通过Viya与其进行交互。但是，SAS对SAS和ML的认知不足，应该开始贡献开源。SAS采用开源技术的主要原因是ML和AI，这有两个原因。首先，大部分AI/ML创新已经在开源社区中发生。在深度学习中，思想领袖谷歌和亚马逊分别在TensorFlow和MXNet中投入;对于ML方面，还有SparkMlLib，Python社区的Scikit-Learn以及R的CRAN库等等。其次，开放源代码是让数据科学家着迷的好地方，因为它消除了进入的障碍。这并不意味着SAS应该成为一家开源公司。它的核心区别是管理分析生命周期的底层平台，更不用说其深厚的分析工具和功能;这对开源并不合适。但对于像ML这样的“门户药物”，它为SAS提供了让他们已有的未来客户参与其中的合理场所。

转载请注明：http://www.abuoumao.com/hytd/8756.html