Konzeptkarte

SAP RPT-1 / RPT-1.5 — Architektur des relationalen Foundation-Modells

Stand 2026-07-24T14:00:00Z

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

Was ist SAP RPT-1 / RPT-1.5 — Architektur des relationalen Foundation-Modells?

SAP RPT-1.5 wird direkt über die Struktur relationaler Schemata vortrainiert, statt Zeilen in Text umzuwandeln, und sein RAP-Mechanismus verkürzt die Modellanpassung von wochenlanger ML-Pipeline-Arbeit auf Sekunden für den In-Context-Aufbau.

Was es ist

SAP RPT-1, kurz für Relational Pretrained Transformer, ist das erste Foundation-Modell, das nativ für tabellarische, strukturierte, relationale Geschäftsdaten konzipiert wurde statt für unstrukturierten Text. Standard-Großsprachmodelle behandeln eine Datenbankzeile als abgeflachte Textzeichenkette, wodurch Spaltensemantik, Fremdschlüsselbeziehungen und Schemastruktur verloren gehen — genau das, was eine relationale Tabelle nützlich macht. RPT wurde stattdessen über Millionen relationaler Schemata vortrainiert und lernt Muster auf Zeilen-, Spalten- und Fremdschlüsselebene direkt aus der Tabellenstruktur. Es wurde 2025 angekündigt und auf der Sapphire 2026 auf RPT-1.5 aktualisiert.

Warum es wichtig ist

RPT adressiert einen spezifischen, gut dokumentierten Fehlermodus, der einen großen Teil der Enterprise-KI-Pilotprojekte ab 2023 zum Stillstand brachte: SAP-Transaktionsdaten liegen in normalisierten relationalen Schemata vor, und diese Daten durch ein textbasiertes Großsprachmodell zu zwingen, erfordert aufwändige Extract-Transform-Load-Arbeit plus Prompt Engineering, das in der Praxis dennoch eine Genauigkeit unterhalb klassischer Machine-Learning-Baselines wie XGBoost auf Standard-Tabellen-Benchmarks erzielt. RPT schließt diese Lücke, indem es direkt mit der Tabellenstruktur arbeitet, statt sie zunächst in Prosa zu übersetzen.

Warum es zählt

SAP-Transaktionsdaten durch textbasierte LLMs zu zwingen, erfordert aufwändiges ETL plus Prompt Engineering, das dennoch eine Genauigkeit unterhalb von XGBoost und klassischen ML-Baselines auf Tabellen-Benchmarks erzielt.
RAP erlaubt es dem Modell, zur Inferenzzeit beliebig große relationale Tabellen aufzunehmen und typisierte Vorhersagen zurückzugeben — Klassifikation, Regression, Prognose, Anomalie-Score, Imputation —, unter Beachtung der Fremdschlüssel-Joins und ohne Retraining.
Drei Varianten adressieren unterschiedliche Bedürfnisse: sap-rpt-1-small für interaktives Prototyping, sap-rpt-1-large für schwierigere Aufgaben wie Churn-Scoring oder Betrugserkennung, und sap-rpt-1-oss, veröffentlicht als Open Source auf HuggingFace/GitHub zur Sapphire 2026.

Kernpunkte

Erstes Foundation-Modell, das nativ für tabellarische relationale Daten konzipiert wurde — vortrainiert über Millionen relationaler Schemata, lernt Zeilen-, Spalten- und Fremdschlüsselmuster direkt aus der Tabellenstruktur, nicht aus Text-Token.
RPT-1.5 fügt RAP (Retrieval-Augmented Prediction) hinzu — nimmt zur Inferenzzeit beliebig große strukturierte Datensätze auf, liefert In-Context-typisierte Vorhersagen (Klassifikation, Regression, Anomalie, Imputation) ohne Retraining; das RAG-Muster für tabellarische Daten.
Drei Varianten: sap-rpt-1-small (schnelle Inferenz, Playground-Prototyping) · sap-rpt-1-large (höhere Genauigkeit bei schwierigen Aufgaben: mehrstufige Prognose, Betrug, Abwanderung) · sap-rpt-1-oss (Open Source auf HuggingFace + GitHub für externes Benchmarking).
Löst das Pilot-Plateau-Problem von 2023-2025 — Text-LLMs schneiden bei SAP-Transaktionsdaten durchgehend schlechter ab als XGBoost; RPT entfernt den ETL-zu-Token-Flaschenhals und ist auf Tabellen-Leaderboards konkurrenzfähig mit klassischen Baselines oder übertrifft sie.
Natürlichsprachlicher Chat-Assistent im Playground — Analysten befragen tabellarische Datensätze in einfachem Englisch; verkürzt den Zyklus der Modellanpassung dank RAP-Kontextaufbau von Wochen auf Sekunden.
Typisierte Vorhersageausgaben — RPT liefert Vorhersagen, die Spaltendatentypen und Fremdschlüsselbeschränkungen respektieren, statt Freitextzeichenketten, die eine nachgelagerte Parsing-Verarbeitung erfordern; ein wesentlicher Genauigkeitsvorteil gegenüber Text-LLM-Workarounds.
Benchmark-Fläche — sap-rpt-1-oss erlaubt den direkten Vergleich mit TabPFN (bisheriger SOTA für tabellarische Foundation-Modelle), XGBoost, LightGBM und TabTransformer auf den gängigen UCI- und Kaggle-Tabellen-Leaderboards.
Deployment über SAP BTP — der Playground und die Serving-Infrastruktur sind BTP-nativ; der korrekte Deployment-Pfad ist SAP AI Core + AI Launchpad, kein eigenständiger Modellserver.
Wann nicht einsetzen — bei wirklich unstrukturierten Daten (Freitext, Dokumente, Bilder), ohne BTP-Footprint, oder wenn die ML-Aufgabe bereits mit hoher Genauigkeit durch eine klassische Pipeline gelöst ist, die günstiger zu pflegen ist.
Integration in das SAP-Ökosystem — RPT-Vorhersagen fließen nachgelagert über die SAP-AI-Core-API in SAP-Datasphere-Analytic-Models, SAC Planning und IBP-Bedarfssignale ein und schließen so den Kreis von der Foundation-Modell-Vorhersage bis zur Geschäftsentscheidung.

Begriffe auf dieser Seite

RPT (Relational Pretrained Transformer): SAPs Foundation-Modell-Architektur, vortrainiert über Millionen relationaler Datenbankschemata; der erste Transformer, der nativ für tabellarische strukturierte Geschäftsdaten konzipiert wurde und Spaltensemantik sowie Fremdschlüsselmuster statt Text-Token lernt.
RAP (Retrieval-Augmented Prediction): Die zentrale architektonische Erweiterung in RPT-1.5; analog zu RAG, jedoch für tabellarische Daten — das Modell ruft zur Inferenzzeit über einen gelernten Retrieval-Kopf relevante Zeilen und Spalten aus beliebig großen strukturierten Datensätzen ab und erzeugt dann eine typisierte Vorhersage ohne Retraining.
sap-rpt-1-oss: Die Open-Source-Variante von RPT, veröffentlicht auf HuggingFace und GitHub zur Sapphire 2026; ermöglicht externen Forschern, RPT gegen TabPFN, TabTransformer, XGBoost und LightGBM auf den gängigen Tabellen-Leaderboards zu benchmarken, und schafft so Vertrauen in der Community.
Tabellarisches Foundation-Modell: Eine Foundation-Modell-Architektur, die speziell für strukturierte tabellarische Daten mit Schemata, Fremdschlüsseln und spaltenspezifischen Datentypen konzipiert ist — im Unterschied zu Text-Token-LLMs; RPT ist SAPs Produktionsangebot, TabPFN (Hollmann et al., 2022) ist der bisherige SOTA aus der offenen Forschung.
TabPFN: Prior-Data Fitted Networks — Open-Source-Tabellen-Foundation-Modell von Hollmann et al. (NeurIPS 2022/2023), gegen das RPT-1.5 benchmarkt; erzielt starke Leistung auf kleinen tabellarischen Datensätzen (<10.000 Zeilen), verfügt jedoch nicht über das relationale Schema-Pretraining, auf das RPT für SAP-Daten abzielt.
Pilot-Plateau-Problem: Das Muster von 2023-2025, bei dem Enterprise-GenAI-Pilotprojekte mit Text-LLMs auf SAP-Transaktionsdaten bei numerischen Vorhersageaufgaben durchgehend schlechter abschneiden als klassisches ML (XGBoost, LightGBM) — die architektonische Lücke, die RPT schließen soll.
SAP AI Core: Der BTP-Dienst, der individuelle KI-Modelle einschließlich RPT hostet, bereitstellt und skaliert; das erforderliche Deployment-Ziel für den produktiven RPT-Betrieb in SAP-Kundenlandschaften.
Fremdschlüssel-bewusste Vorhersage: RPTs Fähigkeit, Vorhersagen zu erzeugen, die referenzielle Integrität über verknüpfte Tabellen hinweg respektieren — z. B. Anomalie-Scores, die Lieferantenstammdaten beim Scoring von Bestellpositionen berücksichtigen — eine Fähigkeit, die Text-LLMs ohne explizites ETL nicht nachbilden können.

Quellen

Vollständige Karte für Mitglieder. 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 →