Vektordatenbanken im SAP-Kontext: die Vector Engine von HANA Cloud

Was Sie lernen

• Eine Column Table mit einer Spalte REAL_VECTOR oder HALF_VECTOR anlegen, sie mit VECTOR_EMBEDDING befüllen und mit COSINE_SIMILARITY und L2DISTANCE unter korrekten Funktionsnamen abfragen.
• Einen HNSW-Vektorindex mit expliziter BUILD und SEARCH CONFIGURATION anlegen und die gemessene Veränderung von Latenz und Recall@5 auf einem Set aus 20 Abfragen berichten.
• Berechtigungsgefiltertes Retrieval umsetzen, bei dem die Berechtigungsattribute in derselben SQL-Anweisung wie die Ähnlichkeitssuche greifen – ohne Lecks in den Tests.
• Hybrides Retrieval aus Vektorähnlichkeit und HANA-Volltextsuche mit Reciprocal Rank Fusion oder CROSS_ENCODE-Reranking bauen und den MRR mit reinem Vektor-Retrieval vergleichen.
• Für ein Szenario zwischen verwaltetem Document-Grounding-Service, selbst verwalteten HANA-Cloud-Tabellen und externem Vektorspeicher entscheiden – mit schriftlicher Begründung.

Eine Vektordatenbank speichert Embeddings – numerische Darstellungen von Texten, Bildern oder Datensätzen – und liefert die Elemente, die einem Abfragevektor am nächsten liegen. Diese Fähigkeit trägt semantische Suche, Retrieval-Augmented Generation (RAG), Dublettenerkennung und Empfehlungen. In einer SAP-Landschaft lautet die Frage selten „Welche Vektordatenbank ist allgemein die beste?“, sondern „Wo sollen die Vektoren liegen, damit sie gesteuert, sicher und nah an den Geschäftsdaten bleiben?“. Seit 2024 lautet SAPs Antwort SAP HANA Cloud Vector Engine, und 2026 positioniert SAP SAP HANA Cloud als „die KI-Datenbank“ von SAP Business Data Cloud. Dieses Modul vermittelt das tatsächliche SQL der Engine, die Designentscheidungen, mit denen Retrieval auf SAP-Daten funktioniert, und wann eine von SAP verwaltete oder externe Alternative die bessere Wahl ist.

Was Sie danach können

1. Tabellen mit Spalten vom Typ REAL_VECTOR oder HALF_VECTOR anlegen, Embeddings laden und sie mit COSINE_SIMILARITY oder L2DISTANCE abfragen.
2. Embeddings in der Datenbank mit VECTOR_EMBEDDING erzeugen und Voraussetzungen sowie Sprachabdeckung erklären.
3. Einen HNSW-Vektorindex mit expliziten Build- und Suchparametern anlegen und seine Wirkung auf Latenz und Recall messen.
4. Vektorähnlichkeit mit SQL-Filtern, Volltextsuche und Cross-Encoder-Reranking zu hybridem Retrieval kombinieren.
5. Zwischen dem verwalteten Document-Grounding-Service, einer selbst verwalteten HANA-Cloud-Vektortabelle und einem externen Speicher wählen und die Wahl begründen.

Voraussetzungen

• SQL auf SAP HANA (Column Tables, Grundlagen der Volltextsuche)
• Zuerst die Kernkonzepte wiederholen: C154, C319, C027
• Empfohlen: Modul M136 (LLMs auf Unternehmensdaten)

Lernergebnisse

• Korrektes Vektor-SQL für HANA Cloud schreiben: Typen, Ähnlichkeitsfunktionen, VECTOR_EMBEDDING, HNSW-Index.
• Chunking und Metadaten für strukturierte SAP-Objekte und Dokumente entwerfen.
• Berechtigungsfilter im Retrieval durchsetzen und durch Tests belegen.
• Retrieval mit Recall@k, MRR, Latenz und Lecks auf Kundendaten evaluieren.
• Überholte Aussagen (kein ANN-Index, keine Embeddings in der Datenbank) im Kundengespräch korrigieren.