Capstone — eine End-to-End-SAP-AI-Analytics-Lösung

Was Sie lernen

• Fünf zuvor erlernte SAP-AI-Fähigkeiten (semantische Grounding-Quelle, Vektor-Retrieval, Orchestrierung, tabellarische Vorhersage, enger Agent) zu einer gesteuerten End-to-End-Architektur zusammenfügen
• Die feste Ausführungsreihenfolge der Orchestrierungspipeline des Generative AI Hub für eine Lösung aus Grounding, Maskierung, Filterung und Modellaufruf erklären und anwenden
• Eine tabellarische Vorhersage (SAP-RPT oder HANA PAL) mit einem LLM-Erklärungsschritt kombinieren, der nie einen nicht berechneten Grund erfindet
• Eine enge Ein-Tool-Agentenaktion mit benannter ausführender Identität, exaktem Eingabeschema und einem Human-in-the-Loop-Bestätigungsschritt entwerfen
• Einen Governance- und Kostenabschluss erstellen, der das Metering des Generative AI Hub (Tokens/GenAI Tokens/Capacity Units) und AI Units getrennt hält, ohne erfundene Summen
• Präzise benennen, was sich zwischen einem Test-Tenant-Bau und einer Produktionsbereitstellung derselben Lösung ändert

Für wen dieses Modul gedacht ist. Das letzte Modul des SAP-AI-Lernpfads („KI- und LLM-Grundlagen für SAP-Berater — Transformer, Tokens, Embeddings, Kontext“ bis „SAP AI nach Branche — verifizierte Fälle in Fertigung, Handel und Finanzdienstleistungen“). Es setzt voraus, dass Sie die drei Portfolio-Demos gebaut oder spezifiziert haben, diese Arbeit ehrlich positionieren können und verifizierte Branchenbelege zitieren können. Es fügt fünf bereits bekannte Fähigkeiten — Datasphere oder Business Data Cloud als Grounding-Quelle, die Vector Engine von HANA Cloud, die Orchestrierungspipeline des Generative AI Hub, eine tabellarische Vorhersage (SAP-RPT oder PAL) und eine enge Joule-/MCP-Agentenaktion — zu einer einzigen kohärenten, gesteuerten End-to-End-Lösung zusammen und benennt genau, was einen Test-Tenant-Bau von einem Produktionsbau unterscheidet.

1. Der Auftrag

Ein Finance-Shared-Service-Center möchte einen einzigen Assistenten, der: eine Frage zur Lieferantenrechnungsrichtlinie aus der eigenen Dokumentation des Unternehmens beantwortet; vorhersagt, ob eine bestimmte Rechnung wahrscheinlich zur Zahlung gesperrt wird, und dies in einfacher Sprache erklärt; und, nach ausdrücklicher menschlicher Bestätigung, den aktuellen Sperrgrund einer bestimmten Rechnung im SAP-System nachschlägt. Ein Assistent, drei Fähigkeiten, fünf Architekturschichten. Dies liegt absichtlich nahe an den Demos aus — die Aufgabe des Capstones ist es, sie unter einem gemeinsamen Governance-Modell zusammenarbeiten zu lassen, statt als drei getrennte Skripte.

Voraussetzungen

• Abschluss von „Ihr SAP-AI-Portfolio — drei Demos, die ein Analytics-Berater zeigen kann“, „Sich als freiberuflicher SAP-AI-Berater positionieren“ und „SAP AI nach Branche — verifizierte Fälle in Fertigung, Handel und Finanzdienstleistungen“ oder gleichwertige Erfahrung in Portfolio, Positionierung und Belegdisziplin
• Praktische Kenntnisse des Orchestration Service des Generative AI Hub, der Vector Engine von HANA Cloud, von SAP-RPT/PAL („SAP HANA PAL in der Praxis — Klassifikation, Clustering und Assoziation mit UnifiedClassification“ bis „hana-ml in der Praxis — DataFrame, ConnectionContext und ModelStorage in SAP HANA Cloud“) und von Joule-Studio-/MCP-Agenten
• Zugang zu einem Test-Tenant des Generative AI Hub, einer HANA-Cloud-Instanz mit aktivierter NLP-Funktion und einer Joule-Studio-Sandbox wird empfohlen, ist für die schriftlichen Übungen aber nicht erforderlich

Lernergebnisse

• Eine fünfschichtige SAP-KI-Architektur aus dem Gedächtnis zeichnen und verteidigen und dabei für jede Schicht die genaue SAP-Fähigkeit und ihren GA-Status nennen.
• Eine vollständige, korrekt geordnete Orchestrierungskonfiguration erstellen, die Grounding, Maskierung und Filterung für einen echten Anwendungsfall kombiniert.
• Einen Governance- und Kostenabschluss liefern, den Sicherheits- und Finanzteams des Kunden beide abzeichnen könnten.
• Die genaue, konkrete Lücke zwischen einem Aufbau im Trial-Tenant und einem produktiven Deployment derselben Lösung benennen.