Embeddings und Vektorsuche aus Datasphere- und HANA-Cloud-Tabellen
Stand 2026-09-25
Was ist Embeddings und Vektorsuche aus Datasphere- und HANA-Cloud-Tabellen?
SAPs Vektorfähigkeit lebt nicht als separater Dienst in Datasphere – sie lebt in der darunterliegenden HANA-Cloud-Datenbank, die echte Vektordaten neben gewöhnlichen Geschäftszeilen speichert und es erlaubt, eine Nearest-Neighbor-Ähnlichkeitssuche in SQL mit relationalen Geschäftsdaten zu verbinden. Genau diese eine Tatsache – Vektoren und relationale Fakten in derselben Abfrage, nicht zwei zusammengeflickte Systeme – macht das Embedding einer in Datasphere modellierten Tabelle anders als das Embedding eines Haufens PDFs.
Wo die Vektorfähigkeit tatsächlich lebt
Ein verbreitetes Missverständnis ist, nach „Datasphere’s Vector Store“ als eigenständigem Produkt zu suchen. Das gibt es nicht: Die Vektorfähigkeit sitzt in SAP HANA Cloud, der Datenbank, auf der Datasphere aufgebaut ist (C001). SAPs eigene Beschreibung des HANA-Cloud-Vektor-Engines nennt drei Dinge, die er tut: einen Vektor-Embedding aus Text erzeugen, eine Nearest-Neighbor-Suche mit direkt in SQL ausgedrückter Kosinus-Ähnlichkeit ausführen, und die Ergebnisse anreichern, indem die Ausgabe der Vektorsuche mit gewöhnlichen relationalen Geschäftsdaten verknüpft wird. Dieser dritte Punkt ist es wert, dabei zu verweilen: Eine Ähnlichkeitssuche hier liefert nicht eine isolierte Trefferliste zurück, wie es eine eigenständige Vektordatenbank täte – sie liefert Zeilen zurück, die in derselben Abfrage mit den Kennzahlen, Hierarchien und dem Geschäftskontext verknüpft werden können, die bereits in einer in Datasphere modellierten Tabelle leben.
Warum es zählt
- SAPs Vektor-Engine verknüpft Ähnlichkeitssuchergebnisse in derselben SQL-Abfrage mit relationalen Geschäftsdaten — ein struktureller Unterschied zu einer eigenständigen Vektordatenbank, der verändert, was „Grounding auf Ihren eigenen Tabellen“ leisten kann.
- Das Einbetten strukturierter Geschäftsdaten (diese Karte) und Dokument-Grounding (C116) sind unterschiedliche Pipelines mit unterschiedlichem Werkzeug; sie als dieselbe Arbeit zu scopen, liefert bei beiden zu wenig.
- Wo ein Embedding lebt — HANA Cloud versus eine Vektorsuche auf Databricks-Seite (C351) — ist eine ebenso Governance- wie technische Entscheidung, da sie bestimmt, ob eine zweite, ungesteuerte Kopie der Daten entsteht.
Kernpunkte
- Die Vektorfähigkeit sitzt in HANA Cloud, der Datenbank unter Datasphere — nicht in einem separaten, Datasphere-spezifischen Vektorprodukt.
- SAP nennt drei Vektor-Engine-Fähigkeiten: Text-zu-Embedding-Generierung, Nearest-Neighbor-Suche über Kosinus-Ähnlichkeit in SQL, und Verknüpfung von Vektorergebnissen mit relationalen Geschäftsdaten.
- Diese Karte behandelt das Einbetten strukturierter Tabellendaten (Produktbeschreibungen, Feedback, Vorfallsnotizen); Dokument-Grounding (PDFs, SharePoint) ist eine separate Pipeline (C116).
- Embeddings innerhalb von HANA Cloud zu behalten, bewahrt die Governance — der Vektor bleibt am selben zugriffskontrollierten Ort wie die Zeile, aus der er abgeleitet wurde.
- SAP koppelt den Vektor-Engine mit einem Knowledge-Graph-Engine auf derselben Datenbank für hybrides Retrieval (C110): Traversierung, SQL-Aggregation und Vektor-Ähnlichkeit, ohne Daten zu bewegen.
- HANA Cloud vs. Databricks-Mosaic-AI-Vektorsuche (C351) danach wählen, wo die konsumierende Anwendung läuft, nicht nach roher Leistungsfähigkeit.
- Ausgaben zweier unterschiedlicher Embedding-Modelle in einem Index zu mischen, bricht die Ähnlichkeitssuche still (C154) — ein häufiger, vermeidbarer Konstruktionsfehler.
Begriffe auf dieser Seite
- HANA-Cloud-Vektor-Engine
- Die Fähigkeit von SAP HANA Cloud, echte Vektordaten zu speichern, Text-Embeddings zu erzeugen und eine Kosinus-Ähnlichkeits-Nearest-Neighbor-Suche in SQL auszuführen, verknüpfbar mit relationalen Daten.
- Strukturierte-Daten-Embedding
- Eine bereits in einer gesteuerten Geschäftstabelle gespeicherte Textspalte neben ihrer Zeile in einen Vektor verwandeln, im Unterschied zum Einbetten von Dokumenten.
- Hybrides Grounding
- Kombination von Vektor-Ähnlichkeitssuche mit Knowledge-Graph-Traversierung und SQL-Aggregation auf derselben Datenbank (C110).
- Embedding-Modell-Inkompatibilität
- Der Fehler, Vektoren aus zwei unterschiedlichen Embedding-Modellen in einem Index zu mischen, was Ähnlichkeitsvergleiche still zerstört.
Quellen
Vollständige Karte für Mitglieder. Was die vollständige Karte ergänzt: den vollständigen Entscheidungsrahmen · die häufigen Fallstricke und ihre Behebung · die Kurzreferenz · die zitierfähigen Kennzahlen.