Databricks Mosaic AI auf BDC — ML auf SAP-Data-Products
Stand 2026-09-25
Für Beraterinnen und Berater, die einen Databricks-seitigen Bau (Agent oder ML-Modell) gegen über Business Data Cloud Connect zero-copy geteilte SAP-Daten cadrieren oder prüfen. Behandelt die OpenSharing-Einrichtungsreihenfolge und das Sicherheitsmodell (GA Oktober 2025), warum die Synchronisation semantischer Metadaten in Unity Catalog speziell für ML zählt, das enge Wertversprechen von Mosaic AI Agent Framework (Delta-Tabellen, registrierte ML-Modelle, Vektorsuche in einer Reasoning-Schleife) gegenüber einer einfacheren direkten Kette, das Bauen von Tools über Unity-Catalog-Funktionen und Vector Search mit MCP als Brücke zu SAP-exponierten Tools, Unity-Catalog-/Unity-Gateway-Governance als Databricks-seitiges Äquivalent einer Datasphere-DAC-Prüfung, an die Versionsfixierung von Data Products gebundene Modellsignaturen, sowie den bidirektionalen Rückschreibpfad, der von Databricks berechnete Ergebnisse als gesteuerte Assets an SAP zurückgibt. Schließt mit der Mosaic-AI-oder-SAP-AI-Core-Entscheidung und drei Übungen.
Was Sie lernen
- Erklären, wie SAP Business Data Cloud Connect SAP-Daten über Zero-Copy-Delta-Sharing nach Databricks bringt, einschließlich der OpenSharing-Einrichtungsreihenfolge und des Sicherheitsmodells
- Erklären, warum die Synchronisation semantischer Metadaten in Unity Catalog (Kommentare, Schlüssel, Governance-Tags) speziell für ML-Workloads zählt, nicht nur für Chat-Agenten
- Das enge Wertversprechen von Mosaic AI Agent Framework benennen und entscheiden, wann es die richtige Laufzeitumgebung gegenüber einer einfacheren direkten Kette ist
- Agenten-Tools auf SAP-Daten mit Unity-Catalog-Funktionen und Mosaic AI Vector Search bauen und die Rolle von MCP beim Erreichen von SAP-exponierten Tools erklären
- Unity-Catalog- und Unity-Gateway-Governance als Databricks-seitiges Äquivalent einer Datasphere-DAC-Prüfung anwenden
- Einen Rückschreibpfad entwerfen, damit ein von Databricks berechnetes Ergebnis (Score, Prognose, Markierung) SAP-seitige Konsumenten als gesteuertes Asset erreicht
Modulüberblick
Für wen dieses Modul gedacht ist. Sie haben M343 (Data Products für KI-Agenten) abgeschlossen, und das Data-Science-Team Ihres Kunden will Machine Learning und Agenten auf Databricks gegen SAP-Daten bauen — kein Joule-Agent, ein Mosaic-AI-Agent, betrieben von einem Team, das die BDC-Katalog-Oberfläche vielleicht nie öffnet. Dieses Modul behandelt diesen Bau: wie SAP-Daten tatsächlich Databricks erreichen, ohne kopiert zu werden, was in Unity Catalog landet und warum das speziell für ML zählt, wann Mosaic AI Agent Framework die richtige Laufzeitumgebung ist statt einer einfacheren Kette, und wie Governance über eine Grenze hinweg intakt bleibt, die früher eine harte Systemgrenze war und jetzt eine konfigurierte Verbindung ist.
Voraussetzungen
- M343 (SAP-Business-Data-Cloud-Data-Products für KI-Agenten) oder gleichwertiges Verständnis von Data Products und Governance-Metadaten
- Praktische Vertrautheit mit Databricks-Grundlagen: Unity Catalog, Delta Lake, Workspace-Konzepte
- Grundlegendes Verständnis von Zero-Copy-Sharing / Delta Sharing (C016)
Lernergebnisse
- Einen echten Zero-Copy-Share nachverfolgen und verifizieren, statt anzunehmen, dass semantische Metadaten in Unity Catalog synchronisiert haben.
- Korrekt zwischen Mosaic AI Agent Framework und einer einfacheren direkten Kette für die Anforderungen eines gegebenen Agenten entscheiden.
- Unity-Catalog-Governance so konfigurieren, dass sie SAP-seitige Governance-Tags spiegelt, statt Standardrechte bestehen zu lassen.
- Einen Rückschreibpfad entwerfen, der ein von Databricks berechnetes Ergebnis als gesteuertes, konsumierbares Asset an SAP zurückgibt.
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.