SAP HANA APL in der Praxis — AutoClassifier, AutoRegressor, AutoTimeSeries und Drifterkennung
Stand 2026-09-25
Praxismodul zur Automated Predictive Library (APL) von SAP HANA, dem auf Automatisierung ausgelegten Gegenstück zu PAL aus M338. Erklärt, was die APL ist (SAPs eigene Definition: die Data-Mining-Fähigkeiten der Automated-Analytics-Engine über SQL offenlegen), ihre Modelltypen (AutoClassifier, AutoRegressor, AutoTimeSeries, AutoUnsupervisedClustering, überwachtes Clustering, DriftDetector und direkte Gradient-Boosting-Klassen), was die Automatisierung von der Aufgabenliste eines Data Scientist streicht (Merkmalscodierung, Merkmalsauswahl, Hyperparameter-Abstimmung), wie man sie aufruft (SQL-Stored-Procedures oder der Python-Client hana-ml) und die build_report()-Ausgabe liest, Drifterkennung als konkreten Retraining-Auslöser, sowie den Entscheidungsrahmen PAL gegen APL gegen SAP-RPT einschließlich einer Erklärbarkeitsanforderung. Drei Übungen vergleichen ein APL-Ergebnis mit dem entsprechenden PAL-Ergebnis aus M338 auf denselben Daten.
Was Sie lernen
- Erklären, was die APL automatisiert und PAL manuell lässt — Merkmalscodierung, Merkmalsauswahl und Hyperparameter-Abstimmung — und warum das Kontrolle gegen Geschwindigkeit eintauscht
- Die Modelltypen der APL benennen (AutoClassifier, AutoRegressor, AutoTimeSeries, AutoUnsupervisedClustering, überwachtes Clustering, DriftDetector) und den richtigen für eine Geschäftsfrage wählen
- Einen AutoClassifier oder AutoRegressor mit hana-ml trainieren und dessen build_report()-Ausgabe zu Modellqualität und Variablenbeitrag lesen
- DriftDetector nutzen, um eine Trainingsmomentaufnahme mit einem aktuellen Extrakt zu vergleichen, und benennen, was ein Retraining auslösen sollte
- Ein APL-Ergebnis mit dem entsprechenden PAL-Ergebnis aus M338 auf denselben Daten vergleichen und den Trade-off in klarer Sprache erklären
- Zwischen PAL, APL und SAP-RPT für eine gegebene Geschäftsfrage wählen, einschließlich Fällen, in denen eine schriftliche Erklärungsanforderung die Antwort ändert
Modulüberblick
Für wen dieses Modul ist. Sie haben M338 (SAP HANA PAL in der Praxis) durchgearbeitet oder kennen PAL bereits gut genug, um sich zu Recht zu fragen: „Warum sollte ich PAL nicht einfach immer selbst abstimmen?“ Dieses Modul beantwortet diese Frage praktisch mit der Automated Predictive Library (APL), der auf Automatisierung ausgelegten Machine-Learning-Engine von SAP HANA. M340 vertieft den Python-Client hana-ml, der sowohl PAL als auch APL umschließt; M341 zeigt, wie ein trainiertes Modell — von PAL oder APL — in S/4HANA über das Intelligent Scenario Lifecycle Management (ISLM) industrialisiert wird. Arbeiten Sie dieses Modul, wenn möglich, mit einer HANA-Cloud-Instanz durch; jede Übung hat auch einen reinen Papierweg.
Voraussetzungen
- M338 (SAP HANA PAL in der Praxis) oder eine vergleichbare Vertrautheit mit PALs Klassifikations-, Clustering- und Assoziationsfähigkeiten
- Sicherheit im Lesen von SQL und einfachem Python; die Übungen nutzen dieselbe Art gekennzeichneter Tabelle wie M338
- Optional für die praktischen Varianten von Ü1 bis Ü3: Zugang zu einer SAP-HANA-Cloud-Testversion oder einer Kunden-Sandbox mit aktivierter APL, sowie das installierte hana-ml-Paket
Lernergebnisse
- Einem Kunden in einer für einen fachfremden Sponsor verständlichen Sprache erklären, was die APL automatisiert und was sie im Vergleich zu PAL aufgibt.
- Ein APL-Modell von Anfang bis Ende trainieren und dessen build_report()-Ausgabe zu Modellqualität und Variablenbeitrag lesen.
- DriftDetector nutzen, um zu entscheiden, wann ein eingesetztes Modell neu trainiert werden muss, und benennen, wer diese Entscheidung besitzt.
- PAL, APL oder SAP-RPT für einen gegebenen SAP-Vorhersagefall empfehlen, einschließlich der Fälle, in denen eine Erklärbarkeitsanforderung die Antwort ändert.
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.