Die Semantikschicht als LLM-Kontext
Stand
Rahmt die Business-Schicht-Modellierung in SAP Datasphere (Dimensionen, Fakten, das Analytic Model) als buchstäblichen LLM-Kontext neu, gestützt auf SAPs eigene dokumentierte fünfstufige JustAsk-Pipeline: Anmeldung in Joule über IAS, eine Destination zum JustAsk-Dienst, semantische Suche über indizierte Modellmetadaten in einer kundenspezifischen Vektordatenbank, LLM-erzeugtes OData/SQL und HANA-Gateway-Ausführung unter Principal Propagation. Erklärt, warum das Analytic Model — laut SAP „die Konsum-Referenzentität für Analytics, sowohl für die Datenschicht als auch die Business-Schicht“ — das Objekt ist, das eine LLM-gesteuerte Abfrage tatsächlich liest, und validiert diese Disziplin (Beschreibungen als maschinelle Eingabe, Synonyme, Wertwörterbücher, Join-Kardinalität) gegen Databricks Genies unabhängige Best-Practice-Anleitung innerhalb der SAP Business Data Cloud. Drei Übungen schreiben Labels für maschinelle Lesbarkeit um, entwerfen ein abgegrenztes Analytic Model und diagnostizieren Modell-Wildwuchs. Baut auf „KI-taugliche Daten — Qualität, Semantik und Herkunftsnachweis“ auf; führt zu „Abfrage in natürlicher Sprache auf SAP-Daten — Text-zu-SQL-Muster und Grenzen“ und „Embeddings und Vektorsuche auf HANA Cloud aus analytischen Daten“.
Was Sie lernen
- Ein auf eine Geschäftsfrage zugeschnittenes Analytic Model in Data Builder → New Analytic Model bauen und Business-Namen und Kennzahlen im Seitenbereich setzen
- Eine technische Kennzahl in eine Beschreibung mit angegebener Formel, Granularität, Abgrenzung und Synonymen umschreiben
- Die fünf Pipeline-Schritte von JustAsk nachvollziehen und benennen, in welchem Schritt eine Antwort aus dem falschen Modell entsteht
- Eine falsche oder fehlende JustAsk-Antwort in fester Reihenfolge abarbeiten: Plattformvoraussetzungen, Modellauswahl, Metadaten der Kandidaten, Konsolidierung
- Assoziationskardinalität deklarieren und prüfen, dass eine Kopfkennzahl nach einem Join auf Positionen nicht doppelt zählt
- Nach jedem Release ein Golden Set mit 20 Fragen (im Umfang, Ablehnung, Zugriff) ausführen und abzeichnen lassen
Modulüberblick
Für wen dieses Modul ist. Sie haben in SAP Datasphere Dimensionen, Fakten und Analytic Models für Dashboards und Stories gebaut. Dieses Modul stellt dieselbe Modellierungsarbeit für einen zweiten Konsumenten dar, der sie genauso wörtlich liest wie SAP Analytics Cloud (SAC): ein großes Sprachmodell über die Pipeline von JustAsk und Joule. Es setzt KI-taugliche Daten voraus und speist Abfrage in natürlicher Sprache. Am Ende können Sie Modellmetadaten so umschreiben, dass die Suche das richtige Modell wählt, ein Ticket „JustAsk gibt eine falsche Antwort“ in fester Reihenfolge abarbeiten und nach jedem Release ein Golden Set mit 20 Fragen durchlaufen lassen.
Voraussetzungen
- KI-taugliche Daten oder gleichwertiges Verständnis von Catalog-Metadaten und Lineage
- Praktische Erfahrung im Aufbau analytischer Modelle, Dimensionen und Fakten in SAP Datasphere oder BW/4HANA
- KI- und LLM-Grundlagen oder Arbeitswissen zu Kontextfenstern und Grounding
Lernergebnisse
- Ein Business-Schicht-Objekt gestalten, das sowohl für einen Menschen, der eine Story baut, als auch für ein LLM, das eine Abfrage erzeugt, lesbar ist.
- JustAsks Pipeline präzise genug erklären, um zu diagnostizieren, warum eine bestimmte Frage die Antwort des falschen Modells liefert.
- Plattformübergreifende Belege (SAP JustAsk plus Databricks Genie) nutzen, um Investitionen in die Semantikschicht gegenüber einem skeptischen Kunden zu rechtfertigen.
- Modell-Wildwuchs als Semantikschicht-Problem, nicht als Prompting-Problem, diagnostizieren und beheben.
Vollständiges Modul im Consultant-Tarif — 19,90 €/Monat. Das vollständige Modul ergänzt: den Entscheidungsrahmen · das durchgehende Szenario · die KPI-Scorecard · die Anti-Muster · die Codeblöcke · die Wissenskontrolle · die Schemata.
Offene SAP-Projekte
Aktuelle SAP-Analytics-Projekte und Stellen im DACH-Raum: SAP-Analytics-Projekte im DACH-Raum.