Embeddings und Vektorsuche auf HANA Cloud aus analytischen Daten
Stand 2026-09-25
Lehrt Vektorsuche auf SAP HANA Cloud speziell für strukturierte analytische Daten — Stammsätze, Transaktionszusammenfassungen, Katalogzeilen — abgegrenzt vom dokumentbasierten RAG (M330). Gründet jede Aussage auf SAPs dokumentierter Vector Engine: VECTOR_EMBEDDINGs drei Argumente, das eingebaute Modell SAP_NEB.20240715 (768 Dimensionen, NLP-Funktions-Voraussetzung), REAL_VECTOR/HALF_VECTOR-Speicherkosten (4/2 Byte pro Dimension, Dimensionsbereich 1-65.000), COSINE_SIMILARITY und L2DISTANCE, sowie das dokumentierte Muster, Vektorsuche-Ausgaben in einer Abfrage wieder mit relationalen Geschäftsdaten zu verknüpfen. Behandelt exakte versus HNSW-approximative Suche als gemessenen Recall-Kompromiss, nicht als Standard; zeigt, dass JustAsks eigener Modellauswahl-Schritt (M347) derselbe Einbetten-dann-Vergleichen-Mechanismus ist, eine Ebene höher im Stack; und führt die Knowledge Graph Engine als ergänzendes Werkzeug für Beziehungs-, nicht Ähnlichkeitsfragen ein (Hybrid Grounding, Konzept C110). Drei Übungen bauen einen eingebetteten Satz, dimensionieren eine Vektorspalte und wählen eine Suchstrategie mit Begründung. Baut auf M333, M346, M347 und M348 auf.
Was Sie lernen
- VECTOR_EMBEDDINGs dokumentierte Syntax (Text, Texttyp, Modell/Version) und die NLP-Funktions-Voraussetzung für SAPs eingebautes Modell nennen
- Den Speicherbedarf einer REAL_VECTOR- oder HALF_VECTOR-Spalte aus Zeilenanzahl und Dimension mit der dokumentierten Formel berechnen
- Einen kohärenten eingebetteten Satz aus strukturierten analytischen Spalten konstruieren, dabei bewusst nicht-semantische Felder ausschließen
- Zwischen exakter und approximativer (HNSW) Vektorsuche wählen, basierend auf Umfang und einem gemessenen Recall-Kompromiss, nicht auf Annahme
- Erklären, wie JustAsks eigener Modellauswahl-Schritt derselbe Einbetten-dann-Vergleichen-Mechanismus ist, der in diesem Modul gelehrt wird, und wann eine Knowledge-Graph-Engine-Traversierung statt oder zusätzlich zur Vektorsuche nötig ist
Modulüberblick
Für wen dieses Modul gedacht ist. M330 behandelte die Vector Engine von HANA Cloud für dokumentbasiertes RAG. Dieses Modul behandelt einen anderen, engeren Fall, dem ein Berater ständig begegnet, sobald M347 und M348 stehen: Zeilen strukturierter analytischer Daten — Stammsätze, Transaktionszusammenfassungen, Katalogeinträge — in Vektoren umzuwandeln und die Ergebnisse einer Ähnlichkeitssuche wieder mit den gesteuerten Geschäftsdaten zu verknüpfen, die ihnen Bedeutung gaben. Es baut auf M333 (Embedding-Grundlagen) und M346 (KI-taugliche Daten) auf und steht nach M348, weil es der Retrieval-Mechanismus ist, den Text-zu-SQL und Just Ask nicht ersetzen können: das Ähnliche zu finden, nicht das Exakte.
Voraussetzungen
- M333 (KI- und LLM-Grundlagen) oder Arbeitswissen zu Embeddings und Ähnlichkeit, und M330 (HANA Cloud Vector Engine & Knowledge Graph Engine), falls verfügbar
- M346 (KI-taugliche Daten) oder Verständnis von Datenqualitätsprüfungen vor dem Grounding
- M347 und M348, oder Arbeitswissen zu JustAsks semantische-Suche-dann-Abfrage-Pipeline
- SQL-Kenntnisse in SAP HANA Cloud, einschließlich Tabellendesign und Joins
Lernergebnisse
- Eine vektorfähige Tabelle für strukturierte analytische Daten gestalten, die sauber mit ihrer gesteuerten Quelle verknüpft bleibt.
- Eine Speicherbedarfsschätzung für eine vorgeschlagene Vektorspalte erstellen, bevor man sich in einem Kundenangebot darauf festlegt.
- Exakte gegenüber approximativer Suche wählen und begründen, mit einem gemessenen Recall-Vergleich, nicht einer Standardannahme.
- Einem Kunden präzise den Unterschied zwischen einer Ähnlichkeitssuche und einer Knowledge-Graph-Beziehungsabfrage erklären, und wann beide zusammen benötigt werden.
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.