Anomalieerkennung bei Finanzdaten — HANA PAL plus eine LLM-Erklärung
Stand 2026-09-25
Verbindet die deterministische Anomalieerkennung von SAP HANA PAL (über hana-ml) mit einer Erklärungsschicht des Generative AI Hub und macht die Grenze zwischen beiden zur zentralen Lektion: PAL entscheidet, was anomal ist, das Modell erzählt nur. Behandelt OutlierDetectionTS von hana-ml für finanzielle Zeitreihen (drei Residuenextraktionsmethoden — Medianfilter, saisonale Zerlegung, kombiniert — und fünf Bewertungsmethoden mit dokumentierten Standard-Schwellenwerten: Z1/Z2 bei 3, IQR bei 1,5, MAD bei 3, Isolation-Forest-Score bei 0,7) sowie die separate IsolationForest-Klasse für die Mehrmerkmals-Erkennung auf Datensatzebene (n_estimators=100, max_samples=256, max_features=0, bootstrap=False standardmäßig, contamination im Bereich (0, 0,5] standardmäßig 0,1). Zeigt, wie beide für eine monatliche Abschlussprüfung kombiniert werden, und baut dann einen streng feldbeschränkten Erzähl-Prompt, der eine Betrugs- oder Fehlerschlussfolgerung ausdrücklich verbietet. Schließt mit einer dreiteiligen Evaluation: Detektorpräzision, Erzähl-Belegtheit, Prüferzeit.
Was Sie lernen
- Eine Zeitreihen-Anomaliefrage von einer Mehrmerkmals-Datensatz-Anomaliefrage unterscheiden und das passende hana-ml-Werkzeug wählen
- Eine Residuenextraktionsmethode (Medianfilter, saisonale Zerlegung oder beides) in OutlierDetectionTS für eine gegebene Finanzzeitreihe wählen
- Zwischen den Bewertungsmethoden Z1, Z2, IQR, MAD und Isolation Forest sowie deren Standard-Schwellenwerten wählen und den Schwellenwert an einer Falsch-Positiv-Toleranz ausrichten
- Die Schlüsselparameter von IsolationForest (n_estimators, max_samples, max_features, bootstrap, contamination) bewusst für eine Datensatzpopulation konfigurieren
- Einen Orchestrierungs-Prompt schreiben, der eine von PAL markierte Anomalie nur aus deren eigenen Feldern erzählt und eine Betrugs-/Fehlerschlussfolgerung ausdrücklich verbietet
- Eine Anomalie-Pipeline anhand von Detektorpräzision, Erzähl-Belegtheit und Prüferzeit evaluieren — nicht anhand eines einzelnen Demofalls
Modulüberblick
Für wen dieses Modul gedacht ist. Dieses Modul verbindet zwei Dinge, die oft schlecht zusammengefügt werden: einen deterministischen statistischen Detektor und ein Sprachmodell. Die Predictive Analysis Library (PAL) von SAP HANA erledigt über ihren Python-Wrapper hana-ml das eigentliche Anomalie-Scoring — auditierbar, schwellenwertbasiert, wiederholbar. Der Generative AI Hub verwandelt einen markierten Datensatz in einen Satz, mit dem ein Prüfer arbeiten kann. Das eigentliche Thema des Moduls ist die Grenze zwischen beiden: PAL entscheidet, was anomal ist; das Modell erzählt nur. Vertauschen Sie diese Grenze, und Sie haben einen nicht auditierbaren Betrugsdetektor gebaut, der gelegentlich ein Urteil halluziniert.
Voraussetzungen
- M333 — KI- und LLM-Grundlagen für SAP-Berater (tabellarische Modelle im Vergleich zu LLMs, Grounding-Disziplin)
- Sicherheit in Python und hana-ml sowie eine funktionierende HANA-Cloud-Verbindung
- Empfohlen parallel zu M338 (SAP HANA PAL in der Praxis) für PAL-Grundlagen über die Anomalieerkennung hinaus
- Grundlegende Statistik: Mittelwert, Standardabweichung, Quartile, mediane absolute Abweichung
Lernergebnisse
- Einen Zeitreihen-Anomaliedetektor über eine echte finanzielle Kennzahl mit begründeter Residuenextraktions- und Bewertungsmethode bauen.
- Einen Mehrmerkmals-Isolation-Forest-Detektor über eine Transaktionspopulation mit bewusst gesetzten Parametern bauen.
- Einen Erzähl-Prompt schreiben, der ein PAL-Ergebnis getreu zusammenfasst und ausdrücklich ablehnt, auf Betrug oder Fehler zu schließen.
- Eine dreiteilige Evaluation (Präzision, Belegtheit, Prüferzeit) einrichten und zur Nachjustierung des Detektors nutzen.
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.