SAP HANA PAL en pratique — classification, clustering et association avec UnifiedClassification
À jour au 2026-09-25
Module pratique sur la Predictive Analysis Library (PAL) de SAP HANA, le moteur de machine learning intégré à la base, non génératif, derrière les scénarios prédictifs classiques de SAP. Couvre ce qu'est PAL et pourquoi il s'exécute dans HANA (l'argument du trillion de lignes de SAP), ses dix catégories de fouille de données, les deux façons de l'appeler (procédures SQLScript et client Python hana-ml), la classification avec UnifiedClassification (HybridGradientBoostingTree, RandomDecisionTree), le clustering (KMeans, méthodes à base de densité) et l'extraction d'associations (Apriori), la discipline de préparation des données, les classes d'AutoML et d'entraînement massif propres à PAL, l'évaluation et la comparaison de modèles, et les frontières avec l'APL (M339), SAP-RPT et le generative AI hub. Trois exercices (classifier, regrouper et extraire des associations, choisir entre PAL/APL/SAP-RPT) et une auto-évaluation conditionnent le passage au M339.
Ce que vous apprendrez
- Expliquer ce qu'est PAL, pourquoi il s'exécute dans SAP HANA plutôt que côté client, et nommer ses dix catégories de fouille de données avec un cas d'usage SAP par catégorie
- Se connecter à SAP HANA Cloud avec le ConnectionContext de hana-ml et construire un HANA DataFrame sur une table étiquetée de forme SAP sans déplacer la donnée vers le client
- Entraîner, noter et interpréter un modèle UnifiedClassification (HybridGradientBoostingTree ou RandomDecisionTree), y compris sa sortie d'importance des variables
- Exécuter un clustering KMeans et une extraction d'associations Apriori sur des données de forme SAP et énoncer la question métier à laquelle chaque résultat répond réellement
- Profiler et nettoyer les colonnes d'entrée avant d'entraîner, et utiliser les capacités d'évaluation et de comparaison de modèles de PAL pour choisir entre algorithmes
- Choisir entre PAL, APL et SAP-RPT pour une question métier donnée, et décrire comment un modèle PAL entraîné atteint la production via l'ISLM
Aperçu du module
À qui s'adresse ce module. Vous avez terminé le M333 (Fondamentaux IA et LLM pour consultants SAP) ou vous connaissez déjà le vocabulaire du parcours génératif — tokens, embeddings, grounding — et il vous faut maintenant l'autre moitié de « SAP AI » : la prédiction sur des tables, calculée là où la donnée se trouve déjà. Ce module est un module pratique sur la Predictive Analysis Library (PAL), le moteur de machine learning classique, non génératif, intégré à SAP HANA. Le M339 fait de même pour sa sœur automatisée, l'Automated Predictive Library (APL) ; le M340 approfondit le client Python, hana-ml, qui enveloppe les deux ; le M341 montre comment S/4HANA industrialise un modèle entraîné via l'Intelligent Scenario Lifecycle Management (ISLM). Travaillez ce module avec une instance HANA Cloud (essai ou bac à sable client) si vous pouvez y accéder ; chaque exercice a aussi un chemin papier.
Prérequis
- M333 (Fondamentaux IA et LLM pour consultants SAP) ou un vocabulaire de travail équivalent sur les tokens, les embeddings et le grounding
- Aisance avec la lecture de SQL et de Python de base ; une expérience préalable de pandas ou scikit-learn est utile mais pas requise
- Optionnel pour les variantes pratiques de E1 à E3 : accès à un essai SAP HANA Cloud ou à un bac à sable client avec PAL activé, et le package hana-ml installé
Acquis
- Expliquer à un client pourquoi un algorithme intégré à la base évite un coûteux déplacement de données, en s'appuyant sur l'argument du trillion de lignes de PAL.
- Entraîner et évaluer de bout en bout un modèle de classification PAL sur des données SAP étiquetées, de la connexion jusqu'à l'importance des variables.
- Exécuter et interpréter un exercice de clustering et un exercice d'extraction d'associations sur des données de forme SAP, en énonçant la question métier à laquelle chacun répond.
- Recommander PAL, l'APL ou SAP-RPT pour un cas de prédiction SAP donné, avec l'arbitrage écrit plutôt que supposé.
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.