La couche sémantique comme contexte pour un LLM
À jour au 2026-09-25
Reformule la modélisation de la couche métier SAP Datasphere (dimensions, faits, le Modèle Analytique) comme contexte littéral pour un LLM, en s'appuyant sur le pipeline JustAsk documenté par SAP : recherche sémantique sur les métadonnées de modèles indexées dans une base vectorielle propre au client, OData/SQL généré par un LLM, et exécution HANA Gateway sous propagation du principal. Explique pourquoi le Modèle Analytique — « l'entité de consommation analytique de référence à la fois pour la couche de données et la couche métier » selon SAP — est l'objet que lit réellement une requête pilotée par un LLM, et recoupe cette discipline (descriptions comme entrée machine, synonymes, dictionnaires de valeurs, cardinalité de jointure) avec les bonnes pratiques indépendantes de Databricks Genie dans SAP Business Data Cloud. Trois exercices réécrivent des libellés pour une lisibilité machine, conçoivent un modèle analytique délimité et diagnostiquent une prolifération de modèles. S'appuie sur M346 ; alimente M348 et M349.
Ce que vous apprendrez
- Expliquer pourquoi un modèle de langage dépend absolument de la couche sémantique, avec l'argument de la fenêtre de contexte de M333
- Décrire le Modèle Analytique de SAP comme l'entité de consommation documentée à la fois pour la couche de données et la couche métier, et son rôle dans JustAsk
- Retracer le pipeline en trois étapes de JustAsk : recherche sémantique sur les métadonnées de modèles indexées, génération de requête par LLM, exécution HANA Gateway sous propagation du principal
- Rédiger des descriptions de dimensions, mesures et KPI assez précises pour qu'une étape de récupération désambiguïse correctement
- Utiliser les bonnes pratiques indépendantes de Databricks Genie (descriptions, synonymes, dictionnaires de valeurs, cardinalité des jointures) pour recouper la conception d'une couche métier Datasphere
Aperçu du module
À qui s'adresse ce module. Vous avez construit des dimensions, des faits et des modèles analytiques dans SAP Datasphere pour des tableaux de bord et des stories. Ce module reformule ce même travail de modélisation pour un second consommateur qui le lit tout aussi littéralement que SAP Analytics Cloud : un grand modèle de langage, via le pipeline JustAsk et Joule de SAP. Il suppose M346 (données prêtes pour l'IA) acquis et alimente M348 (requête en langage naturel) et M349 (recherche vectorielle sur des données analytiques).
Prérequis
- M346 (Données prêtes pour l'IA) ou compréhension équivalente des métadonnées de catalogue et de la traçabilité
- Expérience pratique de construction de modèles analytiques, dimensions et faits dans SAP Datasphere ou BW/4HANA
- M333 (Fondamentaux IA et LLM) ou connaissance pratique des fenêtres de contexte et du grounding
Acquis
- Concevoir un objet de couche métier lisible à la fois par une personne construisant une story et par un LLM générant une requête.
- Expliquer le pipeline de JustAsk assez précisément pour diagnostiquer pourquoi une question précise renvoie la réponse du mauvais modèle.
- Appliquer des preuves inter-plateformes (JustAsk de SAP et Databricks Genie) pour justifier l'investissement dans la couche sémantique auprès d'un client sceptique.
- Diagnostiquer et corriger la prolifération de modèles analytiques comme un problème de couche sémantique, pas de prompting.
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.