Konzeptkarte

Embeddings und Vektorsuche aus Datasphere- und HANA-Cloud-Tabellen

Stand 8. November 2026

Was sind 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. 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.

Das SQL, das Sie schreiben

HANA Cloud speichert Embeddings in einer Spalte REAL_VECTOR(<Dimensionen>). VECTOR_EMBEDDING(<Text>, 'DOCUMENT' | 'QUERY', '<Modell>') berechnet ein Embedding in der Datenbank mit einem von SAP bereitgestellten Modell, kein Text verlässt HANA Cloud. Ähnlichkeit ist COSINE_SIMILARITY(a, b) oder L2DISTANCE(a, b) in ORDER BY … LIMIT k; bei großen Tabellen macht ein CREATE HNSW VECTOR INDEX die Suche approximativ und schnell. In einer in Datasphere modellierten Landschaft im Open-SQL-Schema oder in einer SQL-View über die Tabellen des Space ausführen und das Ergebnis mit den Dimensionen des analytischen Modells verbinden. Verfügbare Modelle und Dimensionen je Release im Vector-Engine-Guide prüfen.

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 und Dokument-Grounding 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 — 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 Seite behandelt das Einbetten strukturierter Tabellendaten (Produktbeschreibungen, Feedback, Vorfallsnotizen); Dokument-Grounding (PDFs, SharePoint) ist eine separate Pipeline.
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: Traversierung, SQL-Aggregation und Vektor-Ähnlichkeit, ohne Daten zu bewegen.
HANA Cloud vs. Databricks-Mosaic-AI-Vektorsuche 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 — 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.
Embedding-Modell-Inkompatibilität: Der Fehler, Vektoren aus zwei unterschiedlichen Embedding-Modellen in einem Index zu mischen, was Ähnlichkeitsvergleiche still zerstört.
Kosinus-Ähnlichkeit: Das Distanzmaß, das die Vektor-Engine von HANA Cloud verwendet, um Nearest-Neighbor-Treffer direkt in einer SQL-ORDER-BY-Klausel zu ranken.
Aktualisierungsrhythmus (Embeddings): Der Zeitplan, nach dem ein gespeichertes Embedding neu erzeugt wird, um mit Änderungen seiner Quelltextspalte aktuell zu bleiben — ein einmaliger Batch-Job veraltet ohne ihn still.
Cortex Search (Pendant-Begriff): Snowflakes verwalteter Hybrid-(Vektor + Schlüsselwort-)Suchdienst über Tabellen, positioniert als automatisch mit Änderungen der Quelltabelle synchronisiert.
Delta Sync Index (Pendant-Begriff): Der Indextyp von Databricks AI Search (früher Vector Search), der automatisch mit einer Quell-Delta-Lake-, Streaming- oder Iceberg-Tabelle synchronisiert bleibt (Databricks-Dokumentation).

Quellen

Vollständige Karte im Consultant-Tarif — 19,90 €/Monat. Was die vollständige Karte ergänzt: den vollständigen Entscheidungsrahmen · den Vergleich SAP · Snowflake · Databricks · Fabric · die häufigen Fallstricke und ihre Behebung · die Kurzreferenz · die Architekturschemata · die Codeblöcke · die zitierfähigen Kennzahlen.

In der App öffnen →

Redaktion: Cédric Mary · Wie diese Seite entsteht

Offene SAP-Projekte

Aktuelle SAP-Analytics-Projekte und Stellen im DACH-Raum: SAP-Analytics-Projekte im DACH-Raum.