Les modèles de fondation SAP en pratique — SAP-RPT-1 et TabPFN
À jour au 2026-09-23
SAP-RPT et TabPFN-3.5-Plus de Prior Labs prédisent sur des tableaux métier sans entraînement sur les données du client : des lignes de contexte plus des marqueurs [PREDICT], un seul appel d'API. Ce module couvre la famille de modèles en septembre 2026 (RPT-1 retiré le 31 décembre 2026, RPT-1.5, RPT-1.6 avec mode de contexte deep, TabPFN-3.5-Plus en disponibilité générale dans SAP AI Core), l'accès via le playground, le scénario foundation-models et l'orchestration tabulaire, les cas d'usage adaptés, les limites et un protocole d'évaluation temporel.
Ce que vous apprendrez
- Expliquer l'apprentissage en contexte tabulaire (lignes de contexte, marqueur [PREDICT], classification ou régression) et pourquoi aucun entraînement sur les données du client n'est nécessaire
- Citer les versions de SAP-RPT et leurs limites small/large en septembre 2026, y compris la date de retrait de RPT-1 et le context_mode de RPT-1.6
- Déployer un modèle RPT via le scénario foundation-models (exécutable aicore-sap) et appeler le point d'accès /predict ou le SDK Python/JS
- Décrire l'orchestration tabulaire (Data Destination, Tabular Artifact, Scenario Configuration, /v1/predict) et sa feuille de route de couverture des modèles
- Mener un backtest temporel face à une référence métier et décider go/no-go sur une précision mesurée, non revendiquée
Aperçu du module
L'essentiel de la valeur qu'un client ERP attend de « l'IA » n'est pas la génération de texte. C'est une prédiction sur un tableau : cette facture sera-t-elle payée en retard, à quel centre de coûts rattacher cette ligne d'achat, combien d'unités de cet article se vendront le mois prochain, quel fournisseur glisse vers le risque. Pendant dix ans, la réponse a été un projet de machine learning sur mesure — extraire, nettoyer, construire des variables, entraîner, régler, déployer, surveiller, réentraîner. Les modèles de fondation tabulaires de SAP changent l'économie de cette réponse. SAP-RPT (Relational Pretrained Transformer) et, depuis septembre 2026, TabPFN-3.5-Plus de Prior Labs sont des modèles pré-entraînés qui prédisent sur vos lignes sans entraînement sur vos données : vous envoyez des lignes étiquetées comme contexte, vous marquez les cellules à prédire, et le modèle répond en un seul appel d'API.
Prérequis
- Accès à une instance SAP AI Core sur le plan extended (ou au playground RPT pour les exercices)
- Revoir d'abord les concepts fondamentaux : C165, C107, C026
- Bases de Python ou d'un client REST ; bases des métriques de classification et de régression
Acquis
- Expliquer à un directeur financier ce que fait un modèle de fondation tabulaire, ce que coûte un essai et ce qu'il ne remplace pas.
- Choisir entre sap-rpt-1.6, sap-rpt-1.6-large, le mode de contexte deep et TabPFN-3.5-Plus pour un jeu de données et un budget de latence donnés.
- Produire un appel /predict fonctionnel avec lignes de contexte, marqueurs [PREDICT] et colonne d'index.
- Rédiger un protocole d'évaluation avec découpage temporel, métriques métier, référence et règle de routage sur la confiance.
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.