Im Bereich der Empfehlungssysteme haben flache Autoencoder in letzter Zeit erhebliche Aufmerksamkeit erfahren. Einer der vielgelobtesten flachen Autoencoder ist EASE, der aufgrund seiner konkurrenzfähigen Empfehlungsgenauigkeit und gleichzeitigen Einfachheit besonders geschätzt wird. Allerdings beschränkt die schlechte Skalierbarkeit von EASE (sowohl hinsichtlich Zeit als auch besonders hinsichtlich Speicherbedarf) seine Anwendung in Produktionsumgebungen mit sehr großen Item-Mengen erheblich. In diesem Artikel stellen wir eine hypereffiziente Faktorisierungstechnik für die sparsame Näherung der Inversen der Daten-Gram-Matrix vor, die in EASE verwendet wird. Der resultierende Autoencoder, SANSA, ist eine end-to-end sparsame Lösung mit vorgebbarer Dichte und fast beliebig geringem Speicherbedarf – selbst während des Trainings. Dadurch ermöglicht SANSA es uns, das Konzept von EASE nahtlos auf Millionen von Items und darüber hinaus zu skalieren.