SAP HANA APL en pratique — AutoClassifier, AutoRegressor, AutoTimeSeries et détection de dérive
À jour au 2026-09-25
Module pratique sur l'Automated Predictive Library (APL) de SAP HANA, la sœur de PAL axée sur l'automatisation, couverte au M338. Explique ce qu'est l'APL (la définition de SAP elle-même : exposer les capacités de fouille de données du moteur Automated Analytics via SQL), ses types de modèles (AutoClassifier, AutoRegressor, AutoTimeSeries, AutoUnsupervisedClustering, clustering supervisé, DriftDetector, et classes de gradient boosting directes), ce que l'automatisation retire de la liste de tâches d'un data scientist (encodage des variables, sélection des variables, réglage des hyperparamètres), comment l'appeler (procédures stockées SQL ou client Python hana-ml) et lire sa sortie build_report(), la détection de dérive comme déclencheur concret de réentraînement, et le cadre de décision PAL contre APL contre SAP-RPT incluant une exigence d'explicabilité. Trois exercices comparent un résultat APL au résultat PAL équivalent du M338 sur les mêmes données.
Ce que vous apprendrez
- Expliquer ce que l'APL automatise et que PAL laisse manuel — encodage des variables, sélection des variables et réglage des hyperparamètres — et pourquoi cela échange du contrôle contre de la rapidité
- Nommer les types de modèles de l'APL (AutoClassifier, AutoRegressor, AutoTimeSeries, AutoUnsupervisedClustering, clustering supervisé, DriftDetector) et choisir le bon pour une question métier
- Entraîner un AutoClassifier ou un AutoRegressor avec hana-ml et lire la sortie build_report() pour la qualité du modèle et la contribution des variables
- Utiliser DriftDetector pour comparer un instantané d'entraînement à un extrait récent et énoncer ce qui devrait déclencher un réentraînement
- Comparer un résultat APL au résultat PAL équivalent du M338 sur les mêmes données, et expliquer l'arbitrage en langage clair
- Choisir entre PAL, APL et SAP-RPT pour une question métier donnée, y compris les cas où une exigence d'explication écrite change la réponse
Aperçu du module
À qui s'adresse ce module. Vous avez travaillé le M338 (SAP HANA PAL en pratique) ou vous connaissez déjà assez bien PAL pour vous demander, à raison, « pourquoi ne pas toujours régler PAL moi-même ». Ce module répond à cette question en pratique avec l'Automated Predictive Library (APL), le moteur de machine learning de SAP HANA conçu autour de l'automatisation. Le M340 approfondit le client Python hana-ml, qui enveloppe à la fois PAL et l'APL ; le M341 montre comment un modèle entraîné — PAL ou APL — s'industrialise dans S/4HANA via l'Intelligent Scenario Lifecycle Management (ISLM). Travaillez ce module avec une instance HANA Cloud si vous pouvez y accéder ; chaque exercice a aussi un chemin papier.
Prérequis
- M338 (SAP HANA PAL en pratique) ou une familiarité équivalente avec les capacités de classification, clustering et association de PAL
- Aisance avec la lecture de SQL et de Python de base ; les exercices reprennent le même type de table étiquetée que le M338
- Optionnel pour les variantes pratiques de E1 à E3 : accès à un essai SAP HANA Cloud ou à un bac à sable client avec l'APL activée, et le package hana-ml installé
Acquis
- Expliquer à un client ce que l'APL automatise et ce qu'elle sacrifie par rapport à PAL, dans un langage qu'un sponsor non technique peut suivre.
- Entraîner un modèle APL de bout en bout et lire sa sortie build_report() pour la qualité du modèle et la contribution des variables.
- Utiliser DriftDetector pour décider quand un modèle déployé a besoin d'être réentraîné, et nommer qui possède cette décision.
- Recommander PAL, l'APL ou SAP-RPT pour un cas de prédiction SAP donné, y compris quand une exigence d'explicabilité change la réponse.
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.