La couche sémantique comme contexte pour un LLM

Ce que vous apprendrez

• Construire un modèle analytique cadré sur une question métier dans Data Builder → New Analytic Model et définir son nom métier et ses mesures dans le panneau latéral
• Réécrire une mesure technique en description avec formule, granularité, ce qu'elle n'est pas et synonymes
• Retracer les cinq étapes du pipeline JustAsk et dire à quelle étape naît une réponse issue du mauvais modèle
• Traiter une réponse JustAsk fausse ou absente dans l'ordre fixe : prérequis de plateforme, sélection du modèle, métadonnées des candidats, consolidation
• Déclarer la cardinalité des associations et vérifier qu'une mesure d'en-tête ne double pas après une jointure sur les postes
• Exécuter après chaque version un jeu de référence de 20 questions (dans le périmètre, refus, accès) et le faire valider

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 recadre le même travail de modélisation pour un second consommateur qui le lit aussi littéralement que SAP Analytics Cloud (SAC) : un grand modèle de langage, via le pipeline JustAsk et Joule. Il suppose données prêtes pour l'IA et alimente requête en langage naturel. À la fin, vous savez réécrire les métadonnées d'un modèle pour que la recherche choisisse le bon modèle, traiter un ticket « JustAsk donne une mauvaise réponse » dans un ordre fixe, et rejouer un jeu de référence de 20 questions après chaque version.

Prérequis

• 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
• 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.