Die Semantikschicht als LLM-Kontext
Stand 2026-09-25
Rahmt die Business-Schicht-Modellierung in SAP Datasphere (Dimensionen, Fakten, das Analytic Model) als buchstäblichen LLM-Kontext neu, gestützt auf SAPs eigene dokumentierte JustAsk-Pipeline: 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 M346 auf; führt zu M348 und M349.
Was Sie lernen
- Erklären, warum ein Sprachmodell absolut von der Semantikschicht abhängt, mit dem Kontextfenster-Argument aus M333
- SAPs Analytic Model als die dokumentierte Konsum-Entität sowohl für die Datenschicht als auch die Business-Schicht beschreiben, und seine Rolle in JustAsk
- Die dreistufige Pipeline von JustAsk nachvollziehen: semantische Suche über indizierte Modellmetadaten, LLM-Abfrage-Erzeugung, HANA-Gateway-Ausführung unter Principal Propagation
- Dimensions-, Kennzahlen- und KPI-Beschreibungen schreiben, die präzise genug sind, damit ein Retrieval-Schritt korrekt disambiguiert
- Databricks Genies unabhängige Best-Practice-Anleitung (Beschreibungen, Synonyme, Wertwörterbücher, Join-Kardinalität) nutzen, um eine Datasphere-Business-Schicht-Gestaltung gegenzuprüfen
Modulüberblick
Für wen dieses Modul gedacht ist. Sie haben in SAP Datasphere Dimensionen, Fakten und analytische Modelle für Dashboards und Stories gebaut. Dieses Modul rahmt dieselbe Modellierungsarbeit für einen zweiten Konsumenten neu, der sie ebenso wörtlich liest wie SAP Analytics Cloud: ein großes Sprachmodell, über SAPs JustAsk- und Joule-Pipeline. Es setzt M346 (KI-taugliche Daten) voraus und führt zu M348 (Abfrage in natürlicher Sprache) und M349 (Vektorsuche auf analytischen Daten).
Voraussetzungen
- M346 (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
- M333 (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 für Mitglieder. Das vollständige Modul ergänzt: den Entscheidungsrahmen · das durchgehende Szenario · die KPI-Scorecard · die Anti-Muster · die Codeblöcke · die Wissenskontrolle · die Schemata.