自动化见解和可解释性

自动生成见解，包括有关项目，冠军模型和挑战者模型的摘要报告。嵌入式自然语言生成中的简单语言有助于报表解释，并减少了业务分析师的学习难度。

通过自动要素工程和建模，节省了宝贵的时间并提高了分析团队的工作效率。

提供最佳实践模板，以快速，一致地开始构建模型，并确保分析团队之间的一致性。分析能力包括聚类，不同类型的回归，随机森林，梯度提升模型，支持向量机，自然语言处理，主题检测等。 

通过GitHub上的SAS深度学习Python（DLPy）开源软件包，使Python用户能够访问Jupyter笔记本中用于深度学习功能的高级API。DLPy支持开放式神经网络交换（ONNX），可在框架之间轻松移动模型。

使数据工程师能够使用拖放界面在集成的活动可视化管道中快速构建和运行转换，扩充数据并将数据联接在一起。执行内存中的所有操作以维护数据结构的一致性。

在安全的多用户环境中允许并发访问内存中的数据。在每个节点上以多线程并行方式跨节点分布数据和分析工作负载操作，以实现极快的速度。

图像分析和生物医学成像

支持用于分析生物医学图像（包括注释图像）的端到端流程。

使建模人员和数据科学家可以从其首选的编码环境（Python，R，Java或Lua）访问SAS功能，并通过SAS Viya REST API将SAS的功能添加到其他应用程序中。

利用自动洞察轻松解决复杂的分析问题。