Embeddings et recherche vectorielle sur HANA Cloud à partir de données analytiques

Ce que vous apprendrez

• Énoncer la syntaxe documentée de VECTOR_EMBEDDING (texte, type de texte, modèle/version) et le prérequis de fonction NLP pour le modèle intégré de SAP
• Calculer l'empreinte mémoire d'une colonne REAL_VECTOR ou HALF_VECTOR à partir du nombre de lignes et de la dimension avec la formule documentée
• Construire une phrase embarquée cohérente à partir de colonnes analytiques structurées, en excluant délibérément les champs non sémantiques
• Choisir entre recherche vectorielle exacte et approximative (HNSW) selon l'échelle et un compromis de rappel mesuré, pas une hypothèse
• Expliquer comment la propre étape de sélection de modèle de JustAsk est le même mécanisme embarquer-puis-comparer enseigné dans ce module, et quand un parcours de Knowledge Graph Engine est nécessaire à la place ou en complément de la recherche vectorielle

Aperçu du module

À qui s'adresse ce module. « Vector Engine et Knowledge Graph Engine de HANA Cloud pour le RAG » a couvert le Vector Engine de HANA Cloud pour le RAG documentaire. Ce module couvre un cas différent et plus étroit qu'un consultant rencontre constamment une fois « La couche sémantique comme contexte pour un LLM » et « Requête en langage naturel sur des données SAP — schémas et limites du texte-vers-SQL » en place : transformer des lignes de données analytiques structurées — fiches maîtresses, résumés de transactions, entrées de catalogue — en vecteurs, et rattacher les résultats d'une recherche de similarité aux données métier gouvernées qui leur donnaient du sens. Il s'appuie sur fondamentaux des embeddings et données prêtes pour l'IA, et se place après « Requête en langage naturel sur des données SAP — schémas et limites du texte-vers-SQL » car c'est le mécanisme de récupération que le texte-vers-SQL et Just Ask ne peuvent pas remplacer : trouver le similaire, pas l'exact.

Prérequis

• Fondamentaux IA et LLM ou connaissance pratique des embeddings et de la similarité, et Vector Engine & Knowledge Graph Engine de HANA Cloud si disponible
• Données prêtes pour l'IA ou compréhension des contrôles de qualité avant grounding
• « La couche sémantique comme contexte pour un LLM » et « Requête en langage naturel sur des données SAP — schémas et limites du texte-vers-SQL », ou connaissance pratique du pipeline recherche-sémantique-puis-requête de JustAsk
• Maîtrise du SQL sur SAP HANA Cloud, y compris la conception de tables et les jointures

Acquis

• Concevoir une table activée pour les vecteurs pour des données analytiques structurées qui se rattache proprement à sa source gouvernée.
• Produire une estimation d'empreinte mémoire pour une colonne de vecteurs proposée avant de s'y engager dans une proposition client.
• Choisir et justifier la recherche exacte ou approximative avec une comparaison de rappel mesurée, pas une hypothèse par défaut.
• Expliquer à un client, avec précision, la différence entre une recherche de similarité et une requête de relation sur un graphe de connaissances, et quand les deux sont nécessaires ensemble.