Embeddings et recherche vectorielle sur HANA Cloud à partir de données analytiques
À jour au 2026-09-25
Enseigne la recherche vectorielle sur SAP HANA Cloud spécifiquement pour les données analytiques structurées — fiches maîtresses, résumés de transactions, lignes de catalogue — par opposition au RAG documentaire (M330). Fonde chaque affirmation sur le Vector Engine documenté de SAP : les trois arguments de VECTOR_EMBEDDING, le modèle intégré SAP_NEB.20240715 (768 dimensions, prérequis de fonction NLP), les coûts de stockage REAL_VECTOR/HALF_VECTOR (4/2 octets par dimension, plage de 1 à 65 000 dimensions), COSINE_SIMILARITY et L2DISTANCE, et le pattern documenté consistant à rattacher la sortie de recherche vectorielle à des données métier relationnelles en une seule requête. Couvre la recherche exacte contre l'approximative HNSW comme un compromis de rappel mesuré, pas un défaut ; montre que la propre étape de sélection de modèle de JustAsk (M347) est le mécanisme identique embarquer-puis-comparer, un niveau plus haut dans la pile ; et introduit le Knowledge Graph Engine comme outil complémentaire pour les questions de relation, pas de ressemblance (hybrid grounding, concept C110). Trois exercices construisent une phrase embarquée, dimensionnent une colonne de vecteurs et choisissent une stratégie de recherche avec justification. S'appuie sur M333, M346, M347 et M348.
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. M330 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 M347 et M348 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 M333 (fondamentaux des embeddings) et M346 (données prêtes pour l'IA), et se place après M348 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
- M333 (Fondamentaux IA et LLM) ou connaissance pratique des embeddings et de la similarité, et M330 (Vector Engine & Knowledge Graph Engine de HANA Cloud) si disponible
- M346 (Données prêtes pour l'IA) ou compréhension des contrôles de qualité avant grounding
- M347 et M348, 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.
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.