Databricks Mosaic AI sur BDC — ML sur les data products SAP

Ce que vous apprendrez

• Créer et vérifier une connexion SAP BDC dans Databricks (Data Ingestion → SAP Business Data Cloud) et consigner le propriétaire, le nombre de connexions face à la limite de cinq par metastore et les catalogues montés
• Contrôler dans Catalog que commentaires, clés primaires, clés étrangères du même partage et tags `sap.PersonalData.*` sont arrivés pour un partage monté, et utiliser Refresh Table sinon
• Rédiger une phrase de politique ABAC qui masque les colonnes `sap.PersonalData.isPotentiallyPersonal` en tenant compte de la valeur par défaut true
• Enregistrer une fonction SQL Unity Catalog comme outil d'agent et accorder `EXECUTE` à un service principal dédié
• Partager une table de scores avec clé vers SAP BDC avec le SDK SAP BDC, en réinitialisant `BdcConnectClient` avant chaque appel
• Construire et exécuter un jeu de référence de 40 à 60 postes qui teste séparément modèle, outil et réponse de l'agent, puis obtenir les trois validations

Aperçu du module

À qui s'adresse ce module. Vous avez suivi data products pour agents IA et l'équipe data science d'un client veut construire du machine learning et des agents sur Databricks à partir de données SAP. Il ne s'agit pas d'un agent Joule mais d'un agent côté Databricks, exploité par des personnes qui n'ouvriront peut-être jamais le catalogue BDC. À la fin, vous savez monter un data product SAP dans Databricks, prouver que ses métadonnées sémantiques sont arrivées, construire une fonction Unity Catalog comme outil d'agent, scorer un objet métier avec un modèle enregistré, et renvoyer le score aux consommateurs SAP comme un actif gouverné. Le cas fil rouge est un score de risque de retard de livraison sur des commandes d'achat chez un industriel de taille moyenne.

Prérequis

• Les data products de SAP Business Data Cloud pour les agents IA ou compréhension équivalente des data products et des métadonnées de gouvernance
• Familiarité pratique avec les fondamentaux Databricks : Unity Catalog, Delta Lake, concepts d'espace de travail
• Compréhension de base du partage zero-copy / Delta Sharing (le concept « Protocole Delta Sharing »)

Acquis

• Tracer un vrai partage zero-copy et vérifier, plutôt que supposer, que les métadonnées sémantiques ont synchronisé dans Unity Catalog.
• Décider correctement entre Mosaic AI Agent Framework et une chaîne directe plus simple pour les exigences d'un agent donné.
• Configurer la gouvernance Unity Catalog pour refléter les tags de gouvernance côté SAP plutôt que de laisser les droits par défaut en place.
• Concevoir un chemin de réécriture qui renvoie un résultat calculé par Databricks vers SAP comme un actif gouverné et consommable.