Vector Engine et Knowledge Graph Engine de HANA Cloud pour le RAG
À jour au 2026-09-23
Ce module montre, étape par étape, comment réaliser la récupération RAG directement dans SAP HANA Cloud (QRC 3/2026) : colonnes vectorielles (REAL_VECTOR, HALF_VECTOR) et leur dimensionnement, génération des embeddings dans la base avec VECTOR_EMBEDDING, recherche par similarité, index HNSW et son réglage, reclassement des résultats, moteur de graphe de connaissances interrogé en SPARQL, puis un pipeline d'ancrage hybride en cinq étapes, éprouvé par cinq exercices SQL.
Ce que vous apprendrez
- Créer des colonnes REAL_VECTOR à dimension fixe et les dimensionner avec la formule SAP (12 + 4 × dimension octets)
- Générer des embeddings en SQL avec VECTOR_EMBEDDING à partir des modèles NLP SAP ou de modèles SAP AI Core via une remote source sapgenaihub, avec le bon type de texte DOCUMENT/QUERY
- Créer et régler un index vectoriel HNSW (M, efConstruction, efSearch, ONLINE) et mesurer le rappel face à une référence exacte NO_VECTOR_INDEX
- Reclasser les k meilleurs candidats avec CROSS_ENCODE
- Activer le Triple Store et interroger du RDF avec SPARQL_EXECUTE, SPARQL_TABLE et SQL_TABLE
- Concevoir et implémenter une requête de récupération hybride (graphe + vecteurs) exécutée sous les privilèges de l'appelant
Aperçu du module
La génération augmentée par récupération (RAG) vit ou meurt par la récupération. Le modèle de langage ne répond jamais mieux que le contexte qu'on lui fournit, et dans un paysage SAP le meilleur contexte existe sous deux formes : du texte (politiques, contrats, notes de service, descriptions produit) et des relations (cet article appartient à cette ligne de produits, ce fournisseur est certifié pour cette usine, ce centre de coûts se rattache à ce centre de profit). SAP HANA Cloud gère désormais les deux nativement : le vector engine stocke et recherche des embeddings en SQL, et le knowledge graph engine stocke des triplets RDF et répond en SPARQL — dans la même base, dans la même transaction, à côté des données relationnelles qu'ils décrivent.
Prérequis
- SQL sur SAP HANA (tables en colonnes, jointures, privilèges) et accès à une instance HANA Cloud de développement ou d'essai
- Revoir d'abord les concepts fondamentaux : C027, C154, C182
- Modules recommandés : M137 Vector Databases in SAP Context, M138 Graph Analytics & SAP HANA Graph, M054 Grounding Joule on Enterprise Data
Acquis
- Dimensionner une instance HANA Cloud pour un corpus donné avec la formule mémoire des vecteurs et la règle empirique du facteur deux de SAP.
- Écrire un SQL fonctionnel pour la génération d'embeddings, l'indexation HNSW, la recherche de similarité et le reclassement par cross-encoder.
- Charger et interroger un petit graphe de connaissances et joindre ses résultats à une recherche vectorielle en une seule instruction SQL.
- Expliquer à un relecteur sécurité pourquoi la récupération hybride dans la base hérite des privilèges existants, et quels droits sont nécessaires.
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.