Analytics Legends Die Wissensplattform für SAP Analytics
Academy-Modul

SAP AI Core — Resource Groups, Scenarios und Executables

SAP AI Core — Resource Groups, Scenarios und Executables — Abschnittsillustration von Analytics Legends für die SAP-Analytics-Wissensdatenbank (Konzepte, Studien, Academy)

Stand 2026-09-25

Redaktion: , alleiniger Redakteur und verantwortlich für die Veröffentlichung — 27 Jahre im SAP-Ökosystem. Wie diese Seiten entstehen und wo Automatisierung eingesetzt wird.

Das Objektmodell von SAP AI Core — Scenario, Executable, Configuration, Execution, Deployment, Artifact — entscheidet, ob die KI-Landschaft eines Kunden von Anfang an isoliert ist oder standardmäßig Daten preisgibt. Dieses Modul definiert jedes Objekt anhand von SAPs eigenem AI-Core-Service-Guide präzise und konzentriert sich dann auf die Entscheidung, die in jedem Projekt mindestens einmal falsch getroffen wird: welche Objekte tenant-weit über Resource Groups geteilt werden (Scenarios, Executables, Docker-Registry-Secrets) und welche einer einzigen Resource Group zugeordnet sind und nie darüber hinaus wiederverwendet werden dürfen (Executions, Deployments, Configurations, Artifacts, Object-Store-Zugangsdaten). Es behandelt die exakten Metadaten — Labels und Annotations —, die ein einfaches Argo-WorkflowTemplate in ein registriertes Scenario und Executable verwandeln, das dahinterliegende Git-Repository-Sync-Modell, Serving Templates und ihre KServe-InferenceService-Spec sowie die Effizienzfunktionen (Autoscaling, Scale-to-Zero, Scale-to-1, ttl, Warm Node Pool), die ein dauerhaft verfügbares Deployment bezahlbar machen. Drei Übungen — das Objektmodell lesen, ein Drei-Umgebungen-Resource-Group-Layout entwerfen, den Metadatenblock eines Workflow Templates schreiben — und eine Selbsttest bedingen den Übergang zu M363.

Was Sie lernen

  • Die sechs Kernobjekte von SAP AI Core benennen und ordnen — Scenario, Executable, Configuration, Execution, Deployment, Artifact — und erklären, wie jedes auf dem vorherigen aufbaut
  • Präzise angeben, welche AI-Core-Objekte tenant-weit über Resource Groups geteilt werden und welche einer einzigen zugeordnet sind, und diese Grenze für den Entwurf eines Resource-Group-Layouts nutzen
  • Die Pflicht-Labels und -Annotations schreiben, die ein Argo-WorkflowTemplate als Scenario und Executable registrieren, einschließlich Artifact-Metadaten und globalName
  • Erklären, wie ein bei Git registriertes Repository in den Scenario- und Executable-Katalog von AI Core synchronisiert wird
  • Das KServe-InferenceService-Spec eines Serving Templates lesen und minReplicas, maxReplicas und containerConcurrency für ein realistisches Traffic-Muster setzen
  • Die Effizienzfunktionen von AI Core — Autoscaling, Scale-to-Zero, Scale-to-1, ttl, Warm Node Pool — anwenden, um Kosten und Latenz eines Deployments auszubalancieren

Modulüberblick

Für wen dieses Modul gedacht ist. Sie haben einen Proof of Concept im Generative AI Hub gebaut, ein Modell über die Orchestration aufgerufen, und jetzt verlangt ein Kunde eine echte Landschaft: getrennte Dev-, Test- und Produktivumgebungen, einen Platz für ein Data-Science-Team, das Trainingsjobs neben den Chatbot-Workloads ausführt, und eine klare Antwort auf die Frage, wer was sehen darf. Diese Landschaft ist das Objektmodell von SAP AI Core — Resource Groups, Scenarios, Executables, Configurations, Executions, Deployments und Artifacts. Die meisten Kurse überspringen es, weil ein Trial-Tenant es hinter einer einzigen Standard-Resource-Group versteckt. Dieses Modul öffnet es, gestützt auf SAPs eigenen Service Guide, damit Sie eine Landschaft entwerfen können, statt die Standardlandschaft einfach hinzunehmen.

Voraussetzungen

  • M333 (KI- und LLM-Grundlagen für SAP-Consultants) oder gleichwertiges praktisches Wissen zu Tokens, Embeddings und RAG
  • Sicherheit im Lesen von YAML und grundlegendes Kubernetes-Vokabular (Namespace, Secret, Container-Image, Replica)
  • Optional für die praktischen Übungen: ein SAP-AI-Core-Trial-Tenant (BTP Trial) oder Zugriff auf den Tenant eines Kunden über SAP AI Launchpad

Lernergebnisse

  • Einen SAP-AI-Core-Tenant (über AI Launchpad oder die AI API) lesen und jedes sichtbare Objekt korrekt benennen, in der richtigen Beziehung zu seinen Nachbarn
  • Ein Resource-Group-Layout für eine SAP-AI-Core-Landschaft mit mehreren Umgebungen und Teams entwerfen, mit expliziter geteilt/rattaché-Grenze
  • Die Metadaten schreiben, die allein aus einem Workflow Template ein neues Scenario und Executable registrieren, ohne separaten Erstellungsschritt
  • Die Skalierungsparameter eines Serving Templates gegen ein festgelegtes Traffic- und Kostenziel konfigurieren und die Wahl begründen

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.

In der App öffnen →

Weiter in diesem Lernpfad