SAP Foundation Models in der Praxis — SAP-RPT-1 und TabPFN
Stand 2026-09-23
SAP-RPT und TabPFN-3.5-Plus von Prior Labs treffen Vorhersagen auf Geschäftstabellen, ohne auf Kundendaten trainiert zu werden: Kontextzeilen plus [PREDICT]-Platzhalter, ein API-Aufruf. Dieses Modul behandelt die Modellfamilie im September 2026 (RPT-1 wird zum 31.12.2026 abgeschaltet, RPT-1.5, RPT-1.6 mit Deep-Kontextmodus, TabPFN-3.5-Plus allgemein verfügbar in SAP AI Core), den Zugang über Playground, das Szenario foundation-models und Tabular Orchestration, passende Anwendungsfälle, Grenzen und ein zeitbasiertes Evaluierungsprotokoll.
Was Sie lernen
- Tabellarisches In-Context-Learning erklären (Kontextzeilen, [PREDICT]-Platzhalter, Klassifikation vs. Regression) und warum kein Training auf Kundendaten nötig ist
- Die SAP-RPT-Versionen und ihre Small/Large-Grenzen mit Stand September 2026 nennen, einschließlich des RPT-1-Abschaltdatums und des context_mode von RPT-1.6
- Ein RPT-Modell über das Szenario foundation-models (Executable aicore-sap) deployen und den /predict-Endpunkt oder das Python/JS-SDK aufrufen
- Tabular Orchestration beschreiben (Data Destination, Tabular Artifact, Scenario Configuration, /v1/predict) und ihre Roadmap der Modellabdeckung
- Einen zeitbasierten Backtest gegen eine fachliche Baseline durchführen und Go/No-Go auf gemessener, nicht behaupteter Genauigkeit entscheiden
Modulüberblick
Der größte Teil des Nutzens, den ein ERP-Kunde sich von „KI“ erhofft, ist keine Textgenerierung. Es ist eine Vorhersage auf einer Tabelle: Wird diese Rechnung verspätet bezahlt, zu welcher Kostenstelle gehört diese Bestellposition, wie viele Einheiten dieses Materials werden nächsten Monat verkauft, welcher Lieferant rutscht ins Risiko. Ein Jahrzehnt lang lautete die Antwort: ein maßgeschneidertes Machine-Learning-Projekt — extrahieren, bereinigen, Merkmale bauen, trainieren, tunen, deployen, überwachen, nachtrainieren. Die tabellarischen Foundation Models von SAP verändern die Wirtschaftlichkeit dieser Antwort. SAP-RPT (Relational Pretrained Transformer) und seit September 2026 TabPFN-3.5-Plus von Prior Labs sind vortrainierte Modelle, die auf Ihren Zeilen Vorhersagen treffen, ohne auf Ihren Daten trainiert zu werden: Sie senden gelabelte Beispielzeilen als Kontext, markieren die vorherzusagenden Zellen, und das Modell antwortet in einem einzigen API-Aufruf.
Voraussetzungen
- Zugang zu einer SAP-AI-Core-Instanz im Plan extended (oder zum RPT-Playground für die Übungen)
- Zuerst die Kernkonzepte durcharbeiten: C165, C107, C026
- Grundkenntnisse in Python oder einem REST-Client; Grundlagen von Klassifikations- und Regressionsmetriken
Lernergebnisse
- Einem CFO erklären, was ein tabellarisches Foundation Model leistet, was ein Test kostet und was es nicht ersetzt.
- Für einen gegebenen Datensatz und ein Latenzbudget zwischen sap-rpt-1.6, sap-rpt-1.6-large, Deep-Kontextmodus und TabPFN-3.5-Plus wählen.
- Einen funktionierenden /predict-Aufruf mit Kontextzeilen, [PREDICT]-Platzhaltern und Indexspalte erstellen.
- Ein Evaluierungsprotokoll mit zeitbasierter Aufteilung, fachlichen Metriken, Baseline und Konfidenz-Routing-Regel schreiben.
Vollständiges Modul für Mitglieder. Das vollständige Modul ergänzt: den Entscheidungsrahmen · das durchgehende Szenario · die KPI-Scorecard · die Anti-Muster · die Codeblöcke · die Wissenskontrolle · die Schemata.