ML fédéré et architecture IA sur SAP Business Data Cloud
À jour au 2026-10-06
« ML fédéré » recouvre trois choses différentes dans les échanges autour de SAP, et un architecte senior les distingue : la fédération de données pour le ML (les anciennes bibliothèques FedML de SAP permettaient aux plateformes de ML des hyperscalers d'entraîner des modèles sur des données SAP Datasphere sans extraction — le dépôt d'exemples est désormais archivé), le partage sans copie (SAP Business Data Cloud Connect for Databricks, en disponibilité générale depuis octobre 2025 sur Delta Sharing, ainsi que SAP Databricks et SAP Snowflake au sein de BDC), et l'apprentissage fédéré au sens strict (entraîner à travers des silos en échangeant des mises à jour de modèle, pas des lignes — sans produit SAP dédié). Autour gravitent SAP AI Core pour l'entraînement et le service de modèles sur mesure, le generative AI hub avec SAP-RPT-1.5 et TabPFN-3.5 Plus, et le ML en base dans SAP HANA Cloud. On décide cas par cas de déplacer les données ou le calcul à l'aide de cinq questions (reproductibilité, réutilisation des variables, résidence des données, charge sur la source, consommation), on maintient la gouvernance à la jointure SAP–Databricks, et on conçoit dès le premier jour le retour vers SAC et la planification.
Ce que vous apprendrez
- Distinguer la fédération de données pour le ML (schéma FedML, désormais archivé), le partage sans copie (BDC Connect for Databricks/Snowflake, SAP Databricks, SAP Snowflake) et l'apprentissage fédéré au sens strict, et dire quels composants SAP portent chacun
- Placer les charges de ML entre data products BDC, Databricks SAP ou client, SAP AI Core, generative AI hub (SAP-RPT-1.5, TabPFN-3.5 Plus) et ML en base HANA Cloud
- Décider cas par cas de déplacer les données ou le calcul à l'aide de cinq questions, y compris la région des points de terminaison de modèles hébergés
- Maintenir gouvernance et reproductibilité à la jointure SAP–Databricks et concevoir le retour, le réentraînement et le repli
Aperçu du module
L'architecture de ML et d'IA fédérée est la discipline qui consiste à exécuter l'apprentissage automatique là où c'est pertinent par rapport aux données — amener le calcul aux données, ou partager les données en direct, au lieu du réflexe « tout copier d'abord dans un seul lac ». Dans un paysage SAP Business Data Cloud (BDC), les options sont concrètes et nommées, et le premier travail consiste à empêcher le mot « fédéré » de désigner trois choses à la fois.
Prérequis
- Expérience pratique intermédiaire sur des projets SAP d'analytique ou de plateforme de données
- Revoir d'abord les concepts clés : C166, C016, C109
Acquis
- Expliquer BDC Connect for Databricks (Delta Sharing, montage dans Unity Catalog, partage bidirectionnel, mTLS + OAuth, disponibilité générale en octobre 2025) à un architecte d'entreprise
- Produire pour un cas réel un document de conception répondant à la reproductibilité, la réutilisation, la résidence, la charge côté source et la consommation
- Mettre en œuvre le schéma « fédérer l'accès, matérialiser le jeu d'entraînement » avec tables versionnées et journalisation MLflow
- Concevoir le retour d'un modèle vers Datasphere/SAC avec responsable du réentraînement et règle de repli
Module complet réservé aux abonnés. Le module complet ajoute : le cadre de décision · le cas guidé de bout en bout · la grille de KPI · les anti-patterns · les blocs de code · le contrôle de connaissances · les schémas.