Databricks Mosaic AI auf BDC — ML auf SAP-Data-Products

Was Sie lernen

• Eine SAP-BDC-Verbindung in Databricks anlegen und prüfen (Data Ingestion → SAP Business Data Cloud) und Eigentümer, Verbindungsanzahl gegenüber dem Limit von fünf pro Metastore sowie gemountete Kataloge festhalten
• In Catalog prüfen, ob Kommentare, Primärschlüssel, Fremdschlüssel derselben Freigabe und `sap.PersonalData.*`-Tags für eine gemountete Freigabe angekommen sind, und sonst Refresh Table nutzen
• Einen ABAC-Richtliniensatz formulieren, der Spalten mit `sap.PersonalData.isPotentiallyPersonal` maskiert und den Standardwert true berücksichtigt
• Eine Unity-Catalog-SQL-Funktion als Agenten-Tool registrieren und `EXECUTE` an einen dedizierten Service Principal vergeben
• Eine Score-Tabelle mit Schlüssel mit dem SAP BDC SDK an SAP BDC zurückgeben und `BdcConnectClient` vor jedem Aufruf neu initialisieren
• Ein Golden Set mit 40 bis 60 Positionen aufbauen und ausführen, das Modell, Tool und Agentenantwort getrennt testet, und die drei Freigaben einholen

Für wen dieses Modul ist. Sie haben Data Products für KI-Agenten abgeschlossen, und das Data-Science-Team eines Kunden will Machine Learning und Agenten auf Databricks gegen SAP-Daten bauen. Es geht nicht um einen Joule-Agenten, sondern um einen Agenten auf Databricks-Seite, betrieben von Leuten, die den BDC-Katalog vielleicht nie öffnen. Am Ende können Sie ein SAP-Data-Product in Databricks einbinden, nachweisen, dass seine semantischen Metadaten angekommen sind, eine Unity-Catalog-Funktion als Agenten-Tool bauen, ein Geschäftsobjekt mit einem registrierten Modell bewerten und den Score als gesteuertes Asset an SAP-Konsumenten zurückgeben. Der durchgehende Fall ist ein Verspätungsrisiko-Score für Bestellungen bei einem mittelgroßen Fertigungsunternehmen.

1. Zwei Laufzeitumgebungen, eine gesteuerte Datenschicht

„SAP Datasphere als Grounding-Schicht für Joule — Data Products, Zugriffskontrollen und was Joule heute liest“ und „SAP-Business-Data-Cloud-Data-Products für KI-Agenten“ haben Agenten über SAPs eigene Laufzeiten geerdet: den Orchestrierungsdienst des Generative AI Hub in SAP AI Core und Joule Studio. Dieses Modul behandelt die andere Seite: eine Unity-Catalog-Freigabe, kein grounding-Modul. Ein Agent oder ML-Modell läuft nativ auf Databricks und liest dieselben SAP-Geschäftsdaten über SAP Business Data Cloud (BDC), ohne Exportdatei. SAP Business AI Platform, die SAP BTP und BDC zusammenführt, hostet BDC; Databricks läuft in einem eigenen Account.

Drei Mechanismen unterscheiden sich vom Aufbau auf SAP-Seite:

Voraussetzungen

• 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 (das Konzept „Delta Sharing-Protokoll“)

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.