hana-ml in der Praxis — DataFrame, ConnectionContext und ModelStorage in SAP HANA Cloud
Stand 2026-09-25
Praxismodul zu hana-ml, dem Python-Machine-Learning-Client für SAP HANA, den M338 (PAL) und M339 (APL) bereits nutzten, ohne ihn zu untersuchen. Behandelt DataFrame als verzögert ausgeführte SQL-Anweisung (keine lokale Datenkopie), die volle Oberfläche von ConnectionContext (Schema-/Tabellenverwaltung, Metadaten-Erkennung, Vektorfunktionen), produktionsreife Verbindungspraxis mit hdbuserstore, sowie ModelStorage im Detail: Name/Version-Identifikation, die vier if_exists-Speicherverhalten, den vollständigen Modell-Lebenszyklus (auflisten, laden, exportieren/importieren, löschen), persistenten Speicher gegenüber HANA Data Lake, serverseitige Planung mit set_schedule(), sowie Model Card/Bericht als Audit-Spur. Drei Übungen behandeln das Speichern und Versionieren eines Modells, die Überprüfung verzögerter Ausführung, und die Wahl zwischen ModelStorage-Planung und dem in M341 behandelten ISLM-Pfad.
Was Sie lernen
- Erklären, dass ein hana-ml-DataFrame SQL aufbaut statt Daten zu kopieren, und benennen, welche Methoden clientseitige Datenverschiebung auslösen (collect, head, tail) gegenüber denen, die serverseitig bleiben
- Sich mit ConnectionContext mit SAP HANA Cloud verbinden und mindestens vier Dinge benennen, die er über das Öffnen einer Verbindung hinaus tut (Schema-/Tabellenverwaltung, Metadaten-Erkennung, Vektorfunktionen)
- Ein Modell mit ModelStorage speichern, auflisten, neu laden und löschen, unter Erklärung der vier if_exists-Verhaltensweisen und des Name/Version-Identifikationsschemas
- Die Optionen für persistenten Speicher und HDL-Speicher von ModelStorage nutzen, um das Speicherregime eines Modells an dessen tatsächliche Bewertungshäufigkeit anzupassen
- Das Retraining eines Modells mit ModelStorage.set_schedule() planen und erklären, wann dies dem in M341 behandelten ISLM-Pfad vorzuziehen ist
- get_model_card(), display_model_report() und das Paket visualizers als audit-taugliche Liefergegenstände behandeln, nicht als optionale Notebook-Ausgabe
Modulüberblick
Für wen dieses Modul ist. Sie haben M338 (PAL) und M339 (APL) durchgearbeitet und beide bereits aus Python aufgerufen, ohne innezuhalten und den Client selbst zu betrachten. Dieses Modul ist diese Pause: hana-ml, der Python Machine Learning Client für SAP HANA, als eigenständige Infrastruktur betrachtet — wie sein DataFrame die Berechnung in HANA hält, wie ConnectionContext tatsächlich verbindet, und wie ModelStorage ein trainiertes Modell zu etwas macht, das eine Kollegin oder ein Kollege sechs Monate später neu laden, versionieren und planen kann. M341 zeigt dann, wie ein so gespeichertes Modell für S/4HANA über das Intelligent Scenario Lifecycle Management (ISLM) verpackt 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) und M339 (SAP HANA APL in der Praxis), oder vergleichbare Erfahrung im Aufruf beider aus hana-ml
- Sicherheit im Lesen von Python und einfachem SQL
- Optional für die praktischen Varianten von Ü1 bis Ü3: Zugang zu einer SAP-HANA-Cloud-Testversion oder einer Kunden-Sandbox, sowie das installierte hana-ml-Paket
Lernergebnisse
- Einem Kunden korrekt erklären, warum hana-ml die Berechnung in HANA hält und welche Aufrufe genau Daten zum Client zurückbringen.
- Ein verwaltetes Modellspeicher-Muster (Benennung, Versionierung, if_exists-Richtlinie) einrichten, das ein Team ohne die ursprüngliche Autorin oder den ursprünglichen Autor betreiben kann.
- Zwischen persistentem Speicher, Standardspeicher und HANA Data Lake für ein Modell anhand seiner tatsächlichen Bewertungshäufigkeit entscheiden.
- Zwischen ModelStorage-Planung und ISLM für ein gegebenes Retraining-Szenario wählen, mit schriftlich festgehaltener Begründung.
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.