(Version française ci-dessous)     How to take MIPS out of your mainframe    MIPS (Million Instructions Per Second) measure the performance of processors, especially in systems such as mainframes since they are used as the main pricing metric. They directly influence the price of software licenses for these systems: the more MIPS a mainframe has, the higher the price of the licenses will be.   Software that outsources its processing can reduce the MIPS load on the mainframe, thereby lowering their licensing costs for itself, and for all other licenses in that mainframe.   SAS Connect allows programs to be submitted remotely and processing to be offshored, reducing the load on the mainframe. This approach can reduce the use of MIPS on the mainframe, resulting in savings on ALL licenses. Let's see how we might approach it.   Yes, there may be a load in MIPS associated with transferring files outside of a mainframe. However, this burden is not directly related to the simple act of transferring files, but rather to the manipulation of data during this process.   Here are a few things to consider to better understand this MIPS load when transferring files out of the mainframe. File transfer may require multiple data processing steps. Compression, encryption, conversion, and validation will result in mainframe CPU usage, which consumes MIPS. The mode in which files are transferred can also affect MIPS usage. The batch mode is recommended because it can distribute the load to avoid usage spikes. The volume of data transferred also has an impact on MIPS. The larger the file, the more time and CPU resources it will take to process, organize, and transfer it. It can also affect I/O queues and increase the MIPS load associated with the process. Usually, transferring files out of the mainframe is a process that does not consume a lot of MIPS, it can in some cases result in significant additional load.    Software that exports its processing out of the mainframe to a dedicated server and brings back its results can ease the load on MIPS, especially for complex calculations, data analysis, or transformation processes. When the mainframe no longer must handle heavy processing, it focuses more on tasks related to data management and transfer coordination. It can also mean that fewer CPU cores are needed to run the application on the mainframe, which helps to reduce the number of MIPS. Once the processing has been carried out outside the mainframe, the software will have to repatriate the results or the processed data. This transfer process may result in some use of MIPS, but it is generally still much less expensive in terms of performance than running the calculations themselves on the mainframe. In addition, if the transfer of results is well optimized (compression, batching, etc.), this burden can be minimized. So why not consider their use outside the mainframe, reports can so easily be produced there these days.   By moving processing out of the mainframe, it is possible to optimize the use of resources. SAS Viya can be deployed on on-premises servers, in the cloud, or on Kubernetes infrastructure, helping to scale with the load and reduce costs. SAS Connect's RSUBMIT procedure can effectively help reduce the MIPS load on a mainframe, especially if it is used to offload heavy processing to another server or environment. It allows you to submit SAS programs remotely, i.e. to run programs on another server or a remote machine while controlling the process from the mainframe. In other words, instead of running compute and processing directly on the mainframe, you can move execution to a remote SAS server (local or cloud), while still enabling seamless communication between the remote server and the mainframe.   Examples of how to use RSUBMIT Here are some examples of how RSUBMIT can be applied to ease the load of MIPS on a mainframe: Statistical analysis: If you need to compute complex statistics on a large dataset, you could use RSUBMIT to send those processes to a server that has more compute resources, while retrieving the results quickly and efficiently from the mainframe. Big Data Processing: Instead of processing a large data file on the mainframe (which would consume a large amount of MIPS), you can export this data to a specialized processing server to perform heavy calculations and then retrieve the results as a file or report. Limitations and Points to Consider However, there are a few things to consider before using this approach: Latency and network bandwidth: While this offloads the mainframe, transferring data and results between the mainframe and the external server can cause delays or network bandwidth consumption. You must make sure that the network is fast enough so as not to slow down the overall process.  Security: Pushing processing can pose challenges when it comes to data security, especially if the data being processed is sensitive. It is important to have robust security mechanisms in place when sending and repatriating results. Remote infrastructure costs: While this approach reduces MIPS on the mainframe, there may be additional costs associated with using external servers or cloud services. It is therefore necessary to evaluate the balance between the savings of MIPS on the mainframe and the costs of the external infrastructure.   The use of SAS can move data processing out of the mainframe, which can effectively reduce the MIPS load on the mainframe and the mainframe's overall operating costs. This allows for the offshoring of heavy computing, while optimizing the use of external resources and reducing the costs associated with consuming MIPS on the mainframe. However, it is important to consider the different aspects related to the costs of this re-allocation. For many mainframe users, it could also be a migration route to relocate some processing out of the mainframe permanently.   (French version)   Comment retirer des MIPS du central   Les MIPS (Million Instructions Per Second) mesurent la performance des processeurs, en particulier dans les systèmes comme les mainframes (ordinateur centraux) puisqu’ils sont utilisés comme principal métrique de tarification. Ils influencent directement le prix des licences logicielles pour ces systèmes : plus un mainframe a de MIPS, plus le prix des licences seront élevées.   Un logiciel qui externalise ses traitements est en mesure de réduire la charge MIPS du mainframe, diminuant ainsi leurs coûts de licence pour lui-même, et également pour les l’ensemble des autres licences de ce mainframe.   SAS Connect permet de soumettre des programmes à distance et de délocaliser les traitements, réduisant la charge sur le mainframe. Cette approche peut permettre de diminuer l'utilisation des MIPS sur le mainframe, engendrant ainsi des économies sur TOUTES les licences. Voyons comment nous pourrions aborder la question.   Oui, il peut y avoir une charge en MIPS associée au transfert de fichiers hors d'un mainframe. Toutefois, cette charge n’est pas directement liée à la simple action de transférer des fichiers, mais plutôt à la manipulation des données pendant ce processus. Voici quelques points à prendre en considération afin de mieux comprendre cette charge en MIPS lors du transfert de fichiers hors du mainframe. Le transfert de fichiers peut nécessiter plusieurs étapes de traitement des données. La compression, le cryptage, la conversion et la validation vont entrainer l’utilisation du processeur du mainframe, ce qui consomme des MIPS. Le mode dans lequel les fichiers sont transférés joue également un rôle clé dans la charge en MIPS. Le mode batch est à préconiser car il peut répartir la charge pour éviter les pics d’utilisation. Le volume de données transférées a également un impact sur les MIPS. Plus le fichier est volumineux, plus il faudra de temps et de ressources processeur pour le traiter, l’organiser et le transférer. Cela peut aussi affecter les files d’attente d'E/S et augmenter la charge MIPS associée au processus. Bien que le transfert de fichiers hors du mainframe est un processus en soi qui ne consomme pas beaucoup de MIPS, il peut dans certains cas entraîner une charge additionnelle significative.     Un logiciel qui exporte ses traitements hors du mainframe et rapatrie ses résultats peut alléger la charge de MIPS, notamment pour les calculs complexes, les analyses de données ou les processus de transformation vers un serveur dédié. Lorsque le mainframe n'a plus à gérer les traitements lourds, il se concentre davantage sur les tâches liées à la gestion des données et à la coordination des transferts. Cela peut également signifier que moins de cœurs de processeur sont nécessaires pour exécuter l’application sur le mainframe, ce qui contribue à réduire le nombre de MIPS. Une fois le traitement effectué hors du mainframe, le logiciel devra rapatrier les résultats ou les données traitées. Ce processus de transfert peut entraîner une certaine utilisation de MIPS, mais cela reste généralement beaucoup moins coûteux en termes de performance que l'exécution des calculs eux-mêmes sur le mainframe. En outre, si le transfert des résultats est bien optimisé (compression, envoi par lots, etc.), cette charge peut être minimisée. Alors pourquoi ne pas considérer leur utilisation hors central, les rapports peuvent si facilement y être produits de nos jours. En déplaçant les traitements hors du mainframe, il est possible d'optimiser l'utilisation des ressources. SAS Viya peut être déployé sur des serveurs locaux, dans le cloud ou sur une infrastructure Kubernetes, permettant ainsi de s'adapter à la charge et de réduire les coûts. La procédure RSUBMIT de SAS Connect peut effectivement contribuer à une réduction de la charge en MIPS sur un mainframe, surtout si elle est utilisée pour délocaliser les traitements lourds sur un autre serveur ou un autre environnement. Elle permet de soumettre des programmes SAS à distance, c'est-à-dire d'exécuter des programmes sur un autre serveur ou une machine distante tout en contrôlant le processus depuis le mainframe. En d'autres termes, au lieu d'exécuter des calculs et traitements directement sur le mainframe, vous pouvez déplacer l'exécution sur un serveur SAS distant (local ou cloud), tout en permettant une communication fluide entre le serveur distant et le mainframe.   Exemples d'utilisation de RSUBMIT Voici quelques exemples d'application de RSUBMIT pour alléger la charge de MIPS sur un mainframe : Analyse statistique : Si vous avez besoin de calculer des statistiques complexes sur un grand jeu de données, vous pourriez utiliser RSUBMIT pour envoyer ces traitements vers un serveur qui dispose de plus de ressources de calcul, tout en récupérant les résultats de manière rapide et efficace sur le mainframe. Traitement de données volumineuses (Big Data) : Au lieu de traiter un gros fichier de données sur le mainframe (ce qui consommerait une quantité de MIPS importantes), vous pouvez exporter ces données vers un serveur de traitement spécialisé pour effectuer des calculs lourds, puis récupérer les résultats sous forme d’un fichier ou d’un rapport. Limites et Points à Prendre en Compte Il existe néanmoins quelques points à considérer avant d'utiliser cette approche : Temps de latence et bande passante réseau : Bien que cela permette de décharger le mainframe, le transfert des données et des résultats entre le mainframe et le serveur externe peut entraîner des retards ou une consommation de bande passante réseau. Il faut s'assurer que le réseau est suffisamment rapide pour ne pas ralentir le processus global. Sécurité : L’exportation de traitements peut poser des défis en matière de sécurité des données, en particulier si les données traitées sont sensibles. Il est important de mettre en place des mécanismes de sécurité robustes lors de l'envoi et du rapatriement des résultats. Coûts de l'infrastructure distante : Bien que cette approche réduise les MIPS sur le mainframe, l'utilisation de serveurs externes ou de services cloud peut entraîner des coûts supplémentaires. Il faut donc évaluer l’équilibre entre les économies de MIPS sur le mainframe et les coûts de l'infrastructure externe.   L’utilisation de SAS peut permettre de déplacer le traitement des données hors du mainframe, ce qui peut effectivement réduire la charge en MIPS sur le mainframe et sur les couts d’opérations globaux de celui-ci. Cela permet de délocaliser les calculs lourds, tout en optimisant l'utilisation des ressources externes et en réduisant les coûts liés à la consommation de MIPS sur le mainframe. Toutefois, il est important de prendre en compte les différents aspects liés aux couts de cette relocalisation. Pour bien des utilisateurs de systèmes centraux, cela pourrait aussi être une voie de migration pour relocaliser certains traitements hors du mainframe totalement. ... View more

Original: 10 things insurance leaders need to know about generative AI and LLMs - The SAS Data Science Blog Article par Ali Dixon Ricke, Mary Osborne et Franklin Manchester,   Traduction Robin Drolet     Une étude récente menée par SAS et Coleman Parks a révélé de manière choquante que 92% des assureurs ont mis de côté un budget pour l'IA générative en 2025. Nous avons vu la puissance impressionnante de l'IA générative grâce à la croissance explosive de ChatGPT au cours de la dernière année. Les décideurs croient que l'IA générative peut stimuler l'innovation, améliorer l'expérience client et apporter des améliorations mesurables à l'analyse prédictive.   Considérations relatives à l'utilisation de la technologie d'IA générative La réaction initiale de l'industrie d'évitement et d'interdiction en raison de la sécurité des données, de la confidentialité et des risques d'atteinte à la réputation a changé. Les dirigeants pensent que les avantages l'emportent sur les risques et la plupart exécutent des tests initiaux et déclarent qu'ils ont une compréhension assez bonne, sinon complète, de la technologie. Cependant, la moitié des répondants ont 10% ou moins de leur budget 2025 dédié à la gouvernance et à la surveillance, tandis que 9% n'ont aucun budget qui lui est alloué. De plus, 58% décrivent leur formation comme minimale, et 38% n'ont pas de politique GenAI qui dicte comment les employés peuvent et ne peuvent pas l'utiliser. Bien que ces résultats soient similaires aux résultats obtenus dans d'autres secteurs, 7 de ces mêmes décideurs sur 10 utilisant ces outils au moins une fois par semaine, le scénario parfait de risque de baisse est en train d'être créé.   Les 10 choses que les leaders de l'assurance doivent savoir sur l'IA générative   6 % des assureurs qui envisagent d'utiliser de grands modèles linguistiques ont des mesures du risque d'atteinte à la vie privée en place, 11% ont un cadre de gouvernance « inexistant » pour l'IA générative, 8% n'utilisent pas l'IA générative dans la vie professionnelle, 4% n'ont pas l'intention de poursuivre l'utilisation de l'IA générative, 19 % n'envisagent pas de cas d'utilisation de données synthétiques, 75 % sont préoccupés par la protection de la vie privée (voir l'élément précédent), 3 % ne sont pas préparés à la réglementation, Seulement 8% repensent leur stratégie de données d'entreprise pour faire évoluer GenAI, 34% considèrent le coût comme un obstacle (pourtant, 92% ont mis de côté le budget et 86% voient l'avantage des coûts opérationnels et des économies de temps), 32 % n'en sont qu'à la phase pilote. Meilleures pratiques pour une stratégie d'IA générative Sans une stratégie et un cadre de gouvernance bien définis en matière d'IA générative, l'IA générative peut être à la fois un risque majeur pour la vie privée et l'exploitation. La construction d'une stratégie de sécurité pour l'IA générative est toujours un sujet qui doit être pleinement compris, avec 75% des assureurs dans l'étude préoccupés par les risques d'atteinte à la vie privée. Il est facile pour les gens de se laisser bercer par un faux sentiment de sécurité avec les LVM[1]. Les modèles publics sont omniprésents et faciles d'accès. Il y a beaucoup de valeur à gagner en expérimentant avec des robots LLM[2] pour explorer des idées et rechercher des informations cachées. En réfléchissant aux données à introduire dans le modèle, il est important de penser à la qualité des données. Plus de données n'est pas toujours mieux. La qualité des données pour les LMA[3] inclut la réduction de la quantité de duplication, d'ambiguïté et de bruit dans les données de domaine. Les problèmes commencent lorsque des personnes partagent involontairement des données privées ou sensibles en les incluant dans des invites. Le meilleur des scénarios est qu'il s'agit d'un bogue et qu'il n'y a pas d'impact négatif. Le pire scénario se produit lorsque le modèle public a verbiage dans ses conditions de service décrivant la façon dont ils utilisent les invites saisies par l'utilisateur comme formation supplémentaire ou des entrées de réglage fin. À ce stade, ce modèle public devient « contaminé » par les données privées ou sensibles de l'organisation. Une fois que ces données sont dans le modèle, il est presque impossible de les supprimer, il y a donc une chance, grâce à une invite créative, que des données privées ou sensibles puissent être révélées. Les gens qui font des erreurs comme celle-ci ne sont pas de mauvais acteurs; ce sont vos employés ou vos collègues.   Déplacement de modèles en production Il y a beaucoup d'intérêt pour l'IA générative, mais il y a beaucoup de travail à faire avant de pouvoir passer à l'utilisation d'un modèle en production. Les cas d'utilisation de l'IA générative doivent être bien pensés et avoir une portée étroite pour commencer. Il est important que les personnes de votre organisation soient en mesure de couper à travers le battage médiatique et d'identifier un cas d'utilisation qui a du sens. Commencer petit permet aux organisations de mieux réfléchir aux options pour les modèles ainsi qu'à la conservation des données de domaine pour donner au modèle les meilleures chances de générer des sorties pertinentes.   Le déploiement d'un modèle d'IA générative implique plus que de simplement poser quelques questions à un bot. Vous devez penser à des tests contradictoires - que se passe-t-il si un mauvais acteur décide d'essayer de manipuler votre modèle pour qu'il se comporte mal ? Vous devez passer du temps à évaluer les résultats, comme vous le feriez pour tout autre type de modèle dans votre environnement. Enfin, assurez-vous que votre personnel est correctement éduqué sur l'IA générative et ses utilisations acceptables au sein de votre organisation, car les employés éduqués réduisent le risque de faute professionnelle ou d'utilisation abusive de l'IA.   Surmonter les obstacles de la technologie d'IA générative Fournissez à vos employés les outils dont ils ont besoin pour réussir, ainsi que les conseils et la formation sur la façon dont ils peuvent utiliser cette technologie de manière sûre et efficace. Nos employés sont notre plus grand atout et leur fournir la technologie la plus récente et la plus élevée les maintient engagés et résout les problèmes. Un rapport récent de Microsoft et LinkedIn a révélé que 68% des gens ont du mal avec le rythme et le volume de travail et 46% sont épuisés. Une autre étude a révélé que 54 % des décisions des employés en début de carrière de travailler pour un employeur par rapport à un autre seraient influencées par l'accès à l'IA. Fournissez à vos employés l'IA dont ils ont besoin, ils vous en remercieront. Alors que vous réfléchissez à surmonter les obstacles de l'IA générative et l'avenir de cette technologie, rappelez-vous que nous sommes tous à un point d'inflexion de l'IA. Tout comme la commercialisation du World Wide Web au milieu des années 90 - et tout aussi omniprésente qu'Internet est devenu dans les affaires - il en ira de même pour l'IA. Il est maintenant temps de mettre en place des mesures pour protéger les données, repenser votre stratégie de données et la gouvernance stand-up.     [1] LLM : Large Language Model / Grand modèle de langage [2] LVM : Large Vision Model / Grand modèle de vision [3] LMA : Large Association Model / Grand modèle associatif ... View more

(Version française ci-bas) Rules engines for more intelligent systems    Enhancing in-house or proprietary software with a rule engine can significantly improve flexibility, scalability, and maintainability. A rule engine centralizes business rules, allowing for dynamic updates without altering the core application code. This decoupling of rules from processing logic adheres to the Single Responsibility Principle (SRP), making it easier to add or modify rules as business needs evolve. By automating decision-making processes, such as fraud detection or customer segmentation, rule engines streamline operations and reduce development time. Over 78%-time * increased productivity can be achieved on certain projects. This approach enhances the software’s ability to adapt to rapidly changing business requirements, ultimately improving performance and user experience. As an example, integrating with Microsoft Dynamics or any CRM can enhance the decision-making processes by automating business rules. The following are some key integration points: Form Events: Trigger rule execution based on form events such as tab changes or field updates. This allows for real-time rule evaluation as users interact with the system. Plugin Events: Rules can be executed during plugin events like Create or Update operations. This ensures that business rules are applied consistently during data changes. Workflow Integration: Integrate the rule engine within Dynamics 365 workflows to automate complex decision-making processes. This can be particularly useful for scenarios like loan origination, eligibility determination, and claims adjudication. Custom Actions: Use custom actions within Dynamics 365 to call the rule engine. This provides flexibility to execute rules based on specific business logic requirements. Power Platform Integration: Leverage Power Automate to connect Dynamics 365 with the rules engine, enabling automated workflows and rule execution across diverse systems. These integration points help streamline processes and ensure that business rules are consistently applied across your Dynamics 365 environment. In addition to the CRM scenario, one can integrate rules with any of the following: Business Process Management (BPM), E-Commerce Platform, Enterprise Resource Planning (ERP), Data Pipelines / ETL Systems, AI / Machine Learning Platforms, IoT Systems, Cloud Platforms, Human Resource Management (HRM) and Compliance /Audit management systems.   Microsoft uses the SAS Decision Builder integrated with Microsoft Fabric to enhance decision-making capabilities. This product is a MS offering of the more known SAS Intelligent Decisioning. This decision engine combines business rules management with machine learning models to create a unified framework for data-driven and rule-based decisions. These models can be developed and trained using the SAS platform. It allows users to define criteria, such as credit scores or marketing touchpoints, and integrates these assets with predictive models to automate and streamline decision processes. This integration helps organizations make more accurate, transparent, and efficient decisions at scale. State of the art rules engines allow to log the rules fired to be displayed in reports and analytics used on top of it. This is very useful when implementing Artificial Intelligence to optimize your Large Language Model (LLM) prompts or converge to the sought solution. Transparency will save you a lot of time.   In addition to the standard benefits of a rule engine, it can be used to secure the usage of an LLM. Be it Microsoft, Google or On-premises the rule engine can be configured to issue API call to this algorithmic problem child. Calling LLM this way ensures guardrails because many users can receive hallucinations results that caused problems. Rules can be used in conjunction with other technologies like natural language processing to limit the type of answers/content the LLM can come up with. It’s a great way to add trust in the use of LLMs. With great power comes great responsibilities, and the type of LLM usage must fit to the risk profile of your organization. SAS tools can help you build confidence in your AI adoption journey, be it on the new SAS Viya platform or with a SAS 9.X solution.   *Source: results from SAS customer Proof of Concept       Moteurs de règles pour des systèmes plus intelligents   L'amélioration d'un logiciel interne ou propriétaire à l'aide d'un moteur de règles peut augmenter considérablement la flexibilité, l'évolutivité et la maintenabilité. Un moteur de règles centralise les règles métier, ce qui permet des mises à jour dynamiques sans modifier le code de l'application principale. Ce découplage des règles de la logique de traitement adhère au principe de responsabilité unique (SRP), ce qui facilite l'ajout ou la modification de règles en fonction de l'évolution des besoins de l'entreprise. En automatisant les processus de prise de décision, tels que la détection des fraudes ou la segmentation de la clientèle, les moteurs de règles rationalisent les opérations et réduisent le temps de développement. Une augmentation de plus de 78 %* de la productivité peut être obtenue sur certains projets. Cette approche améliore la capacité du logiciel à s'adapter à l'évolution rapide des exigences de l'entreprise, améliorant ainsi les performances et l'expérience utilisateur. À titre d'exemple, l'intégration à Microsoft Dynamics ou à n'importe quel CRM peut améliorer les processus de prise de décision en automatisant les règles métier. Voici quelques points d'intégration clés : Événements de formulaire : déclenchez l'exécution de règles en fonction d'événements de formulaire tels que les modifications d'onglet ou les mises à jour de champs. Cela permet d'évaluer les règles en temps réel lorsque les utilisateurs interagissent avec le système. Événements du plugin: Les règles peuvent être exécutées lors d'événements du plugin tels que les opérations de création ou de mise à jour. Cela permet de s'assurer que les règles métier sont appliquées de manière cohérente lors des modifications de données. Intégration des flux de travail: intégrez le moteur de règles dans les flux de travail Dynamics 365 pour automatiser les processus de prise de décision complexes. Cela peut être particulièrement utile pour des scénarios tels que l'octroi de prêts, la détermination de l'éligibilité et l'adjudication des réclamations. Actions personnalisées : utilisez des actions personnalisées dans Dynamics 365 pour appeler le moteur de règles. Cela offre la flexibilité nécessaire pour exécuter des règles basées sur des exigences spécifiques de logique métier. Intégration de Power Platform: tirez parti de Power Automate pour connecter Dynamics 365 au moteur de règles, ce qui permet d'automatiser les flux de travail et l'exécution de règles sur divers systèmes. Ces points d'intégration permettent de rationaliser les processus et de garantir que les règles d'entreprise sont appliquées de manière cohérente dans votre environnement Dynamics 365. En plus du scénario CRM, il est possible d'intégrer des règles avec l'un des éléments suivants : Gestion des processus d'entreprise (BPM), Plateforme de commerce électronique, Planification des ressources de l'entreprise (ERP), Pipelines de données / Systèmes ETL, Plateformes d'IA / d'apprentissage automatique, Systèmes IoT, Plateformes cloud, Gestion des ressources humaines (GRH) et Systèmes de gestion de la conformité / Audit. Microsoft utilise SAS Decision Builder intégré à Microsoft Fabric pour améliorer les capacités de prise de décision. Ce produit est une offre MS de la société SAS Intelligent Decisioning, plus connue. Ce moteur de décision combine la gestion des règles métier avec des modèles d'apprentissage automatique pour créer un cadre unifié pour les décisions basées sur les données et les règles. Ces modèles peuvent être développés et entraînés à l'aide de la plateforme SAS. Il permet aux utilisateurs de définir des critères, tels que les cotes de crédit ou les points de contact marketing, et intègre ces actifs à des modèles prédictifs pour automatiser et rationaliser les processus de décision. Cette intégration aide les organisations à prendre des décisions plus précises, transparentes et efficaces à grande échelle. Les moteurs de règles standards permettent d'enregistrer les règles déclenchées pour les afficher dans les rapports et les analyses utilisés au-dessus. Ceci est très utile lors de la mise en œuvre de l'intelligence artificielle pour optimiser vos invites LLM (Large Language Model) ou converger vers la solution recherchée. La transparence vous fera gagner beaucoup de temps. En plus des avantages standard d'un moteur de règles, il peut être utilisé pour sécuriser l'utilisation d'un LLM. Qu'il s'agisse de Microsoft, de Google ou d'un environnement local, le moteur de règles peut être configuré pour émettre un appel d'API à cet enfant a problèmes algorithmiques. Appeler le LLM de cette façon garantit des garde-fous, car de nombreux utilisateurs peuvent recevoir des hallucinations qui ont causé plus d’un problème. Les règles peuvent être utilisées en conjonction avec d'autres technologies telles que le traitement du langage naturel pour limiter le type de réponses/contenus que le LLM peut proposer. C'est un excellent moyen d'ajouter de la confiance dans l'utilisation des LLM. Un grand pouvoir s'accompagne de grandes responsabilités, et le type d'utilisation du LLM doit correspondre au profil de risque de votre organisation. Les outils SAS peuvent vous aider à renforcer votre confiance dans votre parcours d'adoption de l'IA, que ce soit sur la nouvelle plateforme SAS Viya ou avec une solution SAS 9.X.   *Source: résultats d'une preuve de concept chez des clients SAS ... View more

Version française plus bas. Exploring the Architectural Integration of SAS Viya and Snowflake Software In today's data-driven landscape, organizations are constantly seeking ways to harness the power of data analytics to make informed decisions and gain a competitive edge. Two prominent players in this space, SAS and Snowflake have joined forces in a new partnership to offer a robust integration that combines advanced analytics with scalable data warehousing. In this blog post, we'll delve into the architectural aspects of the integration between SAS Viya and Snowflake, highlighting how this collaboration enhances data analytics capabilities.   Understanding SAS Viya and Snowflake - SAS Viya: SAS Viya is a cutting-edge analytics platform that enables organizations to derive valuable insights from complex datasets. With a focus on open architecture, cloud-native deployment, and AI-powered capabilities, SAS Viya empowers users to perform tasks ranging from data preparation and exploration to machine learning and AI-driven predictions. - Snowflake Software: Snowflake is a cloud-based data warehousing platform designed for agility and scalability. Its architecture is built to handle massive amounts of data and support various workloads, making it an ideal choice for organizations seeking flexible and high-performance data storage and analytics capabilities.   Architectural Integration: Bridging the Gap Between Analytics and Data Warehousing At the heart of the integration between SAS Viya and Snowflake lies the synergy between their architectural paradigms. Let's explore how these two platforms collaborate from an architectural perspective: - Connectivity and Data Access: SAS Viya provides connectors or drivers that facilitate seamless communication between the platform and Snowflake's data warehouse. This allows data engineers and analysts to access Snowflake data directly from SAS Viya's environment, without the need for complex data extraction processes.   - Data Movement and Transformation: Data can be moved between Snowflake and SAS Viya for analysis, transformation, and modeling. SAS Viya's data preparation capabilities can be employed to cleanse, enrich, and aggregate Snowflake data before analysis, ensuring high data quality. SAS Viya can also push commands for Snowflake to execute them, avoiding excessive data movement. Such movement can cause security, performance, and cost issues.   - Scalability and Performance: Snowflake's architecture, designed for elasticity and scalability, complements SAS Viya's analytics prowess. Organizations can leverage Snowflake's ability to scale resources dynamically to handle large datasets and complex analytical workloads generated by SAS Viya. New Snowpark containers of Snowflake also allow for deployment and scalability of SAS workloads in the form of rules, models or operational data lookups.   - Analytics and Machine Learning:  SAS Viya's advanced analytics and machine learning capabilities are seamlessly integrated into the Snowflake-SAS Viya ecosystem. Users can perform tasks such as exploratory data analysis, predictive modeling, and AI-driven insights directly on Snowflake-stored data.   - Security and Governance: Both SAS Viya and Snowflake offer robust security measures to ensure data privacy and compliance. Organizations can enforce access controls, data encryption, and auditing mechanisms to protect sensitive data throughout the integration. In this manner, security can be driven from one of the two software and inherited by the other, proving the openness of the integration between both software.   - Collaboration and Sharing: The integration fosters collaboration by allowing teams to create reports, dashboards, and analytical models within SAS Viya's interface, leveraging Snowflake data. This collaborative environment enables teams to work together efficiently to gain insights and make informed decisions.   Driving Innovation and Growth The architectural integration between SAS Viya and Snowflake software is a testament to the power of collaboration in the realm of data analytics. By combining SAS Viya's analytics capabilities with Snowflake's data warehousing prowess, organizations gain the ability to extract value from their data at unprecedented scales. This integration not only enhances data-driven decision-making but also accelerates the journey towards building a data-driven organization. As technology continues to evolve, the collaboration between SAS Viya and Snowflake paves the way for organizations to tackle ever more complex challenges, from predictive analytics to artificial intelligence, all within a unified environment. Embracing this architectural integration equips organizations with the tools they need to turn their data into a decision asset that drives innovation and growth.   Want to learn more about SAS and Snowflake? 3 ways organizations can use SAS® and Snowflake to do more with their data - SAS Users       Exploration de l'intégration architecturale de SAS Viya et du logiciel Snowflake   Dans le paysage actuel axé sur les données, les organisations cherchent constamment des moyens d'exploiter la puissance de l'analyse des données pour prendre des décisions éclairées et obtenir un avantage concurrentiel. Deux acteurs importants dans cet espace, SAS et Snowflake, se sont associés dans un nouveau partenariat pour offrir une intégration robuste qui combine l'analyse avancée avec un entrepôt de données évolutif. Dans ce blog, nous plongerons dans les aspects architecturaux de l'intégration entre SAS Viya et Snowflake, en mettant en lumière comment cette collaboration renforce les capacités d'analyse des données.   Comprendre SAS Viya et Snowflake SAS Viya : SAS Viya est une plateforme d'analyse qui permet aux organisations de tirer des informations précieuses à partir d'ensembles de données complexes. Avec un accent sur l'architecture ouverte, le déploiement natif dans le cloud et les capacités alimentées par l'IA, SAS Viya permet aux utilisateurs d'accomplir des tâches allant de la préparation et de l'exploration des données, à l'apprentissage automatique et aux prédictions alimentées par l'IA.   Snowflake : Snowflake est une plateforme d'entreposage de données basée sur le cloud conçue pour l'agilité et la scalabilité. Son architecture est conçue pour gérer d'énormes volumes de données et prendre en charge diverses charges de travail, ce qui en fait un choix idéal pour les organisations à la recherche de capacités de stockage et d'analyse de données flexibles et performantes.     Intégration architecturale : Combler le fossé entre l'analyse et l'entreposage de données Au cœur de l'intégration entre SAS Viya et Snowflake se trouve la synergie entre leurs paradigmes architecturaux. Explorons comment ces deux plateformes collaborent d'un point de vue architectural :   Connexion et Accès aux Données : SAS Viya fournit des connecteurs, ou pilotes, qui facilitent la communication transparente entre la plateforme et l'entrepôt de données de Snowflake. Cela permet aux ingénieurs et analystes de données d'accéder directement aux données de Snowflake depuis l'environnement de SAS Viya, sans nécessiter des processus complexes d'extraction de données. Mouvement et Transformation des Données : Les données peuvent être déplacées entre Snowflake et SAS Viya pour l'analyse, la transformation et la modélisation. Les capacités de préparation des données de SAS Viya peuvent être utilisées pour nettoyer, enrichir et agréger les données de Snowflake avant l'analyse, garantissant une grande qualité des données. SAS Viya peut également envoyer des commandes à Snowflake pour les exécuter, évitant ainsi des mouvements excessifs de données, de même que les problèmes de sécurité, de performances et de coûts associés à ces mouvements de données Scalabilité et Performance : L'architecture de Snowflake, conçue pour l'élasticité et la scalabilité, complète la puissance analytique de SAS Viya. Les organisations peuvent exploiter la capacité de Snowflake à ajuster dynamiquement les ressources pour gérer de grands ensembles de données et des charges de travail analytiques complexes générées par SAS Viya. Les nouveaux conteneurs Snowpark de Snowflake permettent également le déploiement et la scalabilité des charges de travail SAS sous forme de règles, de modèles ou de recherches de données opérationnelles. Analyse et Apprentissage Automatique : Les capacités d'analyse avancée et d'apprentissage automatique de SAS Viya sont intégrées de manière transparente dans l'écosystème Snowflake-SAS Viya. Les utilisateurs peuvent effectuer des tâches telles que l'analyse exploratoire des données, la modélisation prédictive et des connaissances alimentées par l'IA directement sur les données stockées dans Snowflake. Sécurité et Gouvernance : SAS Viya et Snowflake offrent tous deux des mesures de sécurité robustes pour garantir la confidentialité des données et la conformité. Les organisations peuvent imposer des contrôles d'accès, le chiffrement des données et des mécanismes d'audit pour protéger les données sensibles tout au long de l'intégration. De cette manière, la sécurité peut être gérée à partir de l'un des deux logiciels et héritée par l'autre, démontrant ainsi l'ouverture de l'intégration entre les deux logiciels. Collaboration et Partage : L'intégration favorise la collaboration en permettant aux équipes de créer des rapports, des tableaux de bord et des modèles analytiques au sein de l'interface de SAS Viya, en tirant parti des données de Snowflake. Cet environnement collaboratif permet aux équipes de travailler efficacement ensemble pour obtenir des informations et prendre des décisions éclairées. Stimuler l'Innovation et la Croissance L'intégration architecturale entre SAS Viya et Snowflake est un témoignage de la puissance de la collaboration dans le domaine de l'analyse de données. En combinant les capacités d'analyse de SAS Viya avec la puissance de l'entreposage de données de Snowflake, les organisations acquièrent la capacité d'extraire de la valeur de leurs données à des échelles sans précédent. Cette intégration améliore non seulement la prise de décision basée sur les données, mais accélère également le chemin vers la construction d'une organisation axée sur les données. Alors que la technologie continue d'évoluer, la collaboration entre SAS Viya et Snowflake ouvre la voie aux organisations pour relever des défis de plus en plus complexes, de l'analyse prédictive à l'intelligence artificielle, le tout dans un environnement unifié. L'adoption de cette intégration architecturale équipe les organisations des outils nécessaires pour transformer leurs données en un actif décisionnel qui stimule l'innovation et la croissance.   Vous souhaitez en savoir plus sur SAS et Snowflake ? 3 ways organizations can use SAS® and Snowflake to do more with their data - SAS Users                 ... View more

(Version Française plus bas)   In today’s world, IT environments have become more complex. With the constant updates, software integrations, and skill requirements needed to operate them, managing the software stack or the “ecosystem” has become critical. A platform approach has become increasingly standard to govern all analytical assets that organizations require.   An excellent approach to industrializing a predictive or analytical model is to expose it as a service to consume it among all the lines of business. This approach satisfies the higher governance needs, and this is business rule management systems (BRMS) come into play. BRMS is software designed to manage your business rules and can import a model and expose it as a rules service for the most advanced cases. They also provide the ease of deployment and traceability that comes with this family of software.   However, buying a BRMS might only solve some of your problems. You will still have to master it, learn its ways, and often trade in some performance for architectural reasons. It would be best to consider where your data lies, where the rules exposing the model reside and the security requirements that must encompass the whole operations. An excellent way to alleviate most pain points is to combine your efforts and adopt a unified platform and the rules engine approach. But this is a familiar idea. These platforms exist and SAS Viya is one of them. But how can a carefully selected solution help you adopt a winning strategy?   Better connectivity enables faster processing times.   First, your system must be able to ingest the data it will use. The speed of the process depends on the connectors available. Of course, generic connectors like ODBC (Open Database Connectivity APIs) offer you many possibilities but also turn their back on brand-specific optimizations. A specialty connector often provides a much faster processing time. You want as many native connectors as possible, so consider this when selecting your platform. The data ingestion is made from the encompassing system. Be it on-premises, public or private clouds, it’s a process you need to pay close attention to. Integrating with the environment works through the connectors we just discussed.   Location, location, location   A second major factor in your ecosystem's architecture is your data's location. The closer your systems are to the data, the faster you get. At the same time, you will incur less cost on the cloud side. Remembering egress and ingress costs in hybrid cloud architecture would be best. So, if you adopt a cloud-based data warehouse, you should consider a cloud-native platform that will use it wisely. Other useful capabilities to consider are the ability to execute in-database to minimize data transfers and increase security, tracking your data usage constantly to know where it is used in case of a security problem, and the ability to integrate with other systems. As we all know, an ecosystem is not made of only one technology.   For more demanding executions, the limit can be extended, and the rules can be ideally deployed inside the database.  This technique allows very high transactions per second (TPS) as your decision cannot be closer to the data… no calls, no network, just your logic and the data. Managing the IT environment has become a critical task that requires constant care. By adopting a unified platform and rules engine approach, you can alleviate most pain points and adopt a winning strategy. Consider the factors mentioned above such as data location and connectivity to ensure a smooth and efficient operation.   How to achieve success    The SAS Intelligent Decisioning solution gives you all of this. Being part of the cloud-native SAS Viya platform, it is designed to be compatible with all the SAS Viya tools. This will enable a governed process from your data discovery, modeling, and visualizations to the intelligent deployment inside performant decision services encompassing your business logic, all in one platform.   With SAS Intelligent Decisioning, you can build simple rule services and create entirely customized systems or embed the AI models you need behind your processes in conjunction with your ecosystem. Integrating models and decisions will empower you to use a Modelops approach, optimizing your agility and development cycles. The power of decision is in your hands.             Ai-je besoin de SAS Intelligent Decisioning dans mon écosystème?    Dans le monde d’aujourd’hui, l’environnement informatique c’est considérablement élargi tout comme le nombre de logiciels.  Beaucoup d’entre nous utilisent le terme « Écosystème » comme référence à cet amalgame très complexe qui nécessitent un soin constant en raison de mises à jour fréquentes, intégrations de logiciels et les compétences requises pour faire fonctionner. Une approche de plate-forme est devenue de plus en plus la norme pour régir tous les actifs analytiques nécessaires à l’exploitation d’une entreprise.     Afin d’industrialiser un modèle prédictif ou analytique; une bonne approche est de l’exposer comme un service pour le consommer à partir de tous les secteurs d’activité. Cette approche mène à satisfaire le besoin de gouvernance plus élevé et c’est là qu’un BRMS entre en jeu. Les systèmes de gestion des règles d’affaires (BRMS) sont des logiciels conçus pour gérer vos règles d’entreprise et, pour les cas les plus avancés, peuvent importer un modèle et l’exposer en tant que service de règles.  Vous bénéficierez d’une facilité de déploiement et de traçabilité qui vient avec cette famille de logiciels.     Cependant, acheter un BRMS pourrait ne pas résoudre tous vos problèmes... Vous devrez maîtriser, apprendre à l’utiliser et souvent laisser aller des performances pour des raisons architecturales.  Vous devez tenir compte de l’endroit où se trouvent vos données et de l’endroit où se trouvent les règles exposant le modèle et des exigences de sécurité qui doivent englober l’ensemble des opérations.   Un bon moyen d’atténuer la plupart des points difficiles est de combiner vos efforts et d’adopter une plate-forme unifiée et l’approche du moteur de règles. Ce n’est pas une idée nouvelle car ces plates-formes existent et SAS Viya est l’une d’entre elles.  Dans les prochaines lignes, je vais vous expliquer comment une solution soigneusement sélectionnée peut vous aider à adopter une stratégie gagnante.    Connectivité    Tout d’abord, votre système doit être en mesure d’ingérer les données qu’il utilisera.  Vitesse du processus dépend des connecteurs disponibles.  Bien sûr, les connecteurs génériques comme ODBC vous offrent un large éventail de possibilités, mais tournent le dos à l’optimisation spécifique à la marque. Un connecteur spécialisé offre souvent un processus beaucoup plus rapide.  D’où l’importance de ceux-ci lors que vous faites le choix de plate-forme. Vous voulez autant de connecteurs natifs que possible.    L’ingestion de données est faite par la plate-forme. Que ce soit sur site, dans l’infonuagique publique ou privée; c’est un processus que vous devez suivre de près. L’intégration à l’environnement fonctionne par les connecteurs dont nous venons de parler.     Gravité des données    Un deuxième facteur majeur de l’architecture de votre écosystème est l’emplacement de vos données. Plus vos systèmes sont proches des données, plus vous obtiendrez de vitesse et moins vous encourrez de coûts du côté du fournisseur infonuagique. Vous devez également vous rappeler les coûts de sortie et d’entrée dans l’architecture cloud hybride.  Donc, si vous adoptez un entrepôt de données sur le cloud, vous devriez envisager une plate-forme native du cloud qui l’utilisera à bon escient.   Autres fonctionnalités utiles à prendre en compte: la possibilité d’exécuter dans la base de données pour minimiser les transferts de données et augmenter la sécurité, le suivi de votre utilisation des données pour toujours savoir où elles sont utilisées en cas de problème de sécurité et la capacité de s’intégrer à d’autres systèmes car nous savons tous qu’un écosystème n’est pas constitué d’une seule technologie.  Pour les exécutions plus exigeantes, la limite peut être étendue et les règles peuvent être idéalement déployées à l’intérieur de la base de données. Cette technique permet des transactions très élevées par seconde (TPS) car votre décision ne peut pas être plus proche des données... pas d’appels, pas de réseau juste votre logique et les données.     Comment réussir     La solution de SAS Intelligent Decisioning vous donne tout cela. Faisant partie de la plate-forme SAS Viya native du cloud, il est compatible avec tous les outils SAS Viya. Cela permettra un processus régi, de la découverte de vos données, en passant par la modélisation et les visualisations au déploiement intelligent à même un service de décision performant englobant votre logique métier, le tout dans une seule plate-forme.  Avec SAS Intelligent Decisioning, vous pouvez non seulement créer des services de règles simples, mais vous pouvez également, en conjonction avec votre écosystème, créer des systèmes entièrement personnalisés ou intégrer les modèles d’IA dont vous avez besoin derrière vos processus.   L’intégration de modèles et de décisions vous permettra d’utiliser une approche de modèles optimisant votre agilité et vos cycles de développement.  Le pouvoir de décision est entre vos mains.  ... View more