Requête en langage naturel sur des données SAP — schémas et limites du texte-vers-SQL
À jour au 2026-09-25
Compare les trois systèmes réels de conversion langage naturel vers requête qu'un consultant rencontre dans un paysage SAP — Just Ask de SAP Analytics Cloud (utilisateur métier, 2024 Q1 QRC, modèles SAC + Datasphere, remplace search-to-insight), la génération SQL de Joule dans l'outillage développeur de SAP HANA Cloud (un assistant de codage produisant du SQL qu'un humain doit relire, pas une requête d'utilisateur métier), et Databricks Genie au sein de SAP Business Data Cloud (gouverné par Unity Catalog, avec des couches de configuration documentées : descriptions comme « déclarations de mission », synonymes/vocabulaire, dictionnaires de valeurs, fonctions de confiance). S'appuie sur les propres bonnes pratiques publiées par Databricks pour nommer les modes de défaillance partagés — périmètre ambigu, double comptage lié à la cardinalité des jointures, absence de banc de test — et donne un carnet de bord inter-plateformes en quatre règles : connaître le public, faire un banc de test avant de configurer, corriger la dérive de logique avec des fonctions de confiance, et toujours traiter le SQL généré capable d'écrire comme un brouillon relu. Trois exercices classent des questions réelles, construisent un jeu de banc de test et diagnostiquent un échec de jointure. S'appuie sur M346 et M347 ; alimente M349.
Ce que vous apprendrez
- Distinguer Just Ask de SAP Analytics Cloud, la génération SQL de Joule dans HANA Cloud, et Databricks Genie par public cible et par le fait que du SQL brut soit ou non exposé
- Énoncer le périmètre et la date de sortie documentés de Just Ask (2024 Q1 QRC / 2024.02, modèles SAC + Datasphere) et le fait qu'il remplace search-to-insight une fois activé
- Expliquer pourquoi le SQL généré par Joule doit toujours être traité comme un brouillon relu, jamais exécuté automatiquement, contre autre chose qu'un schéma jetable
- Faire correspondre les trois couches de configuration de Databricks Genie (descriptions, synonymes/vocabulaire, dictionnaires de valeurs) plus les fonctions de confiance aux disciplines de couche sémantique SAP équivalentes de M347
- Construire un jeu de questions de banc de test avec vérité terrain et expliquer pourquoi il doit exister avant qu'un changement de configuration texte-vers-SQL ne soit jugé
Aperçu du module
À qui s'adresse ce module. Vous avez vu une démonstration où quelqu'un tape une question et un graphique apparaît, et un client attend désormais que vous expliquiez, précisément, ce qui s'est passé entre les deux. Ce module compare les systèmes réels de conversion langage naturel vers requête qu'un consultant rencontre dans un paysage SAP — Just Ask de SAP Analytics Cloud, la génération SQL de Joule dans l'outillage développeur de SAP HANA Cloud, et Databricks Genie au sein de SAP Business Data Cloud — et donne un vocabulaire commun pour leurs limites. Il s'appuie sur M346 et M347.
Prérequis
- M347 (La couche sémantique comme contexte pour un LLM) ou connaissance pratique des modèles analytiques et de la conception de couche métier
- M346 (Données prêtes pour l'IA) ou compréhension des métadonnées de catalogue, des termes de glossaire et du périmètre d'habilitation
- Familiarité avec SAP Analytics Cloud et, idéalement, une exposition à un environnement Databricks ou SAP Business Data Cloud
Acquis
- Orienter correctement le besoin de requête en langage naturel d'un client vers Just Ask, la génération SQL Joule ou Databricks Genie selon le public et le risque.
- Configurer (ou spécifier pour l'équipe d'un client) les couches de métadonnées qu'un système texte-vers-SQL lit réellement, pas le libellé du prompt.
- Construire et défendre un jeu de questions de banc de test comme base pour juger tout changement de configuration.
- Énoncer et faire appliquer la règle de relecture humaine pour tout SQL généré capable d'écrire des données.
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.