Données prêtes pour l'IA — qualité, sémantique et traçabilité

Ce que vous apprendrez

• Expliquer pourquoi « prêt pour l'IA » se décompose en quatre propriétés vérifiables — qualité, sémantique, traçabilité, habilitation — et rejeter « on l'a fait passer par l'IA » comme contrôle qualité
• Nommer des mécanismes de qualité de données SAP réels (microservices SAP Data Quality Management pour les données de localisation ; harmonisation des données maîtresses fondée sur Reltio dans Business Data Cloud) et le mode de défaillance que chacun traite
• Décrire ce que la recherche vectorielle de JustAsk sur les métadonnées de modèles analytiques indexe réellement, et pourquoi un modèle non documenté lui est invisible
• Utiliser l'Impact and Lineage Analysis de SAP Datasphere, en distinguant Data Analysis de Dependency Analysis, pour retracer une colonne jusqu'à ses systèmes source
• Expliquer pourquoi l'accès aux données d'un agent doit hériter de l'habilitation au niveau espace d'un utilisateur humain plutôt que d'une identité de service plus large

Aperçu du module

À qui s'adresse ce module. Vous savez modéliser un espace Datasphere ou un InfoProvider BW/4HANA ; à présent, un comité de pilotage veut savoir si ces données sont « prêtes pour l'IA » avant d'y laisser approcher Joule ou un agent. Ce module donne à cette expression une définition défendable : non pas une fonctionnalité à activer, mais trois propriétés vérifiables — qualité, sémantique et traçabilité — plus la frontière d'habilitation qui décide qui, humain ou agent, peut lire quoi. Il s'appuie sur M333 (fondamentaux IA et LLM) et alimente directement M347 (la couche sémantique comme contexte pour un LLM), M348 (requête en langage naturel) et M349 (recherche vectorielle sur des données analytiques).

Prérequis

• M333 (Fondamentaux IA et LLM pour consultants SAP) ou connaissance pratique équivalente du grounding et du RAG
• Maîtrise pratique d'au moins un produit de données SAP (espace Datasphere, InfoProvider BW/4HANA ou analytique embarquée S/4HANA)
• Familiarité avec le Catalog Datasphere et l'habilitation par espace, ou disposition à explorer un tenant d'essai

Acquis

• Noter un produit de données réel selon une checklist de préparation IA en quatre points (qualité, sémantique, traçabilité, habilitation) et justifier chaque note.
• Retracer la provenance d'une colonne via l'Impact and Lineage Analysis de Datasphere et expliquer ce qu'une vue Dependency Analysis montrerait ou non.
• Rédiger un terme de glossaire métier structuré comme l'étape de récupération de JustAsk le consomme réellement.
• Expliquer à un client, sans approximation, pourquoi un produit de données non gouverné produit des réponses d'agent fausses mais assurées.