Bases vectorielles en contexte SAP : le moteur vectoriel de HANA Cloud

Ce que vous apprendrez

• Créer une table en colonnes avec une colonne REAL_VECTOR ou HALF_VECTOR, l'alimenter avec VECTOR_EMBEDDING et l'interroger avec COSINE_SIMILARITY et L2DISTANCE, avec les noms de fonctions exacts.
• Créer un index vectoriel HNSW avec BUILD et SEARCH CONFIGURATION explicites et rendre compte de l'évolution mesurée de la latence et du Recall@5 sur un jeu de 20 requêtes.
• Mettre en place une récupération filtrée par les droits, où les attributs de droits s'appliquent dans la même instruction SQL que la recherche de similarité, sans aucune fuite aux tests.
• Construire une récupération hybride combinant similarité vectorielle et recherche plein texte HANA avec fusion par rang réciproque ou reclassement CROSS_ENCODE, et comparer le MRR à la récupération purement vectorielle.
• Choisir, pour un scénario donné, entre le service géré d'ancrage documentaire, des tables HANA Cloud autogérées et un magasin vectoriel externe, avec une justification écrite.

Aperçu du module

Une base de données vectorielle stocke des embeddings — des représentations numériques de textes, d'images ou d'enregistrements — et renvoie les éléments les plus proches d'un vecteur de requête. Cette capacité sous-tend la recherche sémantique, la génération augmentée par récupération (RAG), la déduplication et la recommandation. Dans un paysage SAP, la question est rarement « quelle est la meilleure base vectorielle en général », mais « où les vecteurs doivent-ils vivre pour rester gouvernés, sécurisés et proches des données métier ». Depuis 2024, la réponse de SAP est le moteur vectoriel de SAP HANA Cloud (vector engine), et en 2026 SAP positionne SAP HANA Cloud comme « la base de données IA » de SAP Business Data Cloud. Ce module enseigne le SQL réel du moteur, les choix de conception qui font fonctionner la récupération sur des données SAP, et les cas où une alternative gérée par SAP ou externe est préférable.

Prérequis

• SQL sur SAP HANA (tables en colonnes, bases de la recherche plein texte)
• Revoir d'abord les concepts clés : C154, C319, C027
• Recommandé : module M136 (LLM sur données d'entreprise)

Acquis

• Écrire un SQL vectoriel HANA Cloud correct : types, fonctions de similarité, VECTOR_EMBEDDING, index HNSW.
• Concevoir le découpage et les métadonnées des objets SAP structurés et des documents.
• Appliquer des filtres de droits au sein de la récupération et le prouver par des tests.
• Évaluer la récupération avec Recall@k, MRR, latence et fuites sur les données du client.
• Corriger les affirmations dépassées (pas d'index ANN, pas d'embeddings dans la base) lors des échanges avec les clients.