Bases vectorielles en contexte SAP
À jour au 2026-08-16
La décision de la première semaine sur ce module : le paysage a-t-il besoin du moteur REAL_VECTOR natif de HANA Cloud, ou l'échelle -- réalistement au-delà de cinq à dix millions de vecteurs -- impose-t-elle un magasin vectoriel externe indexé ANN comme Pinecone ou Milvus. Sous ce seuil, la recherche de similarité cosinus en scan complet de HANA Cloud répond en moins de 200 ms et hérite gratuitement de la gouvernance, de la sauvegarde et du PRA. La valeur de conseil se situe dans trois décisions que la plupart des équipes SAP ratent au premier essai : découper les objets structurés par groupe sémantique plutôt que par table, faire correspondre le modèle d'intégration au mélange linguistique réel des métadonnées, et construire un harnais d'évaluation Recall@5/MRR avant d'affirmer que la couche de récupération fonctionne. Les consultants capables de défendre ces décisions avec des chiffres -- pas une démonstration -- sont positionnés pour les missions d'architecture RAG et Joule que tout client SAP démarre désormais.
Ce que vous apprendrez
- Implémenter le type de colonne REAL_VECTOR natif de HANA Cloud et les fonctions SQL de similarité cosinus pour construire une couche de recherche sémantique sur les objets de métadonnées SAP — descriptions d'InfoProviders, catalogues d'entités Datasphere et métadonnées de modèles SAC — et évaluer les performances de récupération en utilisant Recall@K et MRR contre un ensemble de test étiqueté.
- Concevoir une stratégie de découpage pour les objets de données structurées SAP (ADSOs BW, vues analytiques Datasphere) qui préserve les relations sémantiques entre les mesures, les dimensions et les calculs dérivés, et implémenter des pipelines de ré-intégration delta déclenchés par les événements de capture des données de changement SAP.
- Architecturer un système de récupération hybride dense plus clairsemé dans HANA Cloud qui combine la recherche de similarité vectorielle avec la recherche en texte intégral BM25 en utilisant la fusion de rang réciproque, et déterminer quand le moteur vectoriel à scan complet de HANA Cloud est suffisant par rapport à quand une base de données vectorielle externe indexée ANN est justifiée.
- Appliquer les critères de sélection de modèles d'intégration multilingues aux paysages SAP avec des métadonnées en langues mixtes, implémenter un contrôle d'accès conforme au RGPD reflétant le modèle d'autorisation SAP sous-jacent vers le corpus de récupération vectorielle, et définir les politiques de gestion de la péremption pour les magasins d'intégrations en production.
Ce que font réellement les bases de données vectorielles et pourquoi les consultants SAP doivent s'en préoccuper
Une base de données vectorielle indexe des représentations numériques du contenu — des intégrations (embeddings) — et permet la récupération rapide d'éléments dont les intégrations sont proches dans un espace à haute dimension. Cette phrase semble abstraite. La pratique est concrète : un consultant saisit « montrez-moi des témoignages clients SAP sur la résilience de la chaîne d'approvisionnement » et le système retourne des études de cas pertinentes classées par similarité sémantique, et non par correspondance de mots-clés. Le passage de la recherche par mots-clés à la recherche sémantique ressemble à une amélioration mineure de l'UX. C'est en réalité une primitive architecturale qui active une catégorie d'applications — RAG, déduplication sémantique, recommandation, détection d'anomalies sur des données non structurées — que les bases de données par mots-clés ne peuvent pas prendre en charge avec une qualité de production.
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.