SAP AI Core — Resource groups, scenarios, executables
À jour au 2026-09-25
Le modèle d'objets de SAP AI Core — scenario, executable, configuration, execution, deployment, artifact — décide si le paysage IA d'un client est isolé par conception ou fuit par défaut. Ce module s'appuie sur le guide de service AI Core de SAP lui-même pour définir chaque objet avec précision, puis se concentre sur la décision que tout projet rate au moins une fois : quels objets sont partagés au niveau du tenant entre resource groups (scenarios, executables, secrets de registre Docker) et lesquels sont rattachés à un seul resource group et ne doivent jamais être réutilisés au-delà (executions, deployments, configurations, artifacts, identifiants d'object store). Il couvre les métadonnées exactes — labels et annotations — qui transforment un simple Argo WorkflowTemplate en scenario et executable enregistrés, le modèle de synchronisation par dépôt Git qui le sous-tend, les serving templates et leur spec KServe InferenceService, ainsi que les fonctionnalités d'efficacité (autoscaling, scale-to-zero, scale-to-1, ttl, pool de nœuds chauds) qui rendent abordable un deployment toujours disponible. Trois exercices — lire le modèle d'objets, concevoir un paysage de resource groups à trois environnements, écrire le bloc de métadonnées d'un workflow template — et une auto-évaluation conditionnent le passage à M363.
Ce que vous apprendrez
- Nommer et ordonner les six objets fondamentaux de SAP AI Core — scenario, executable, configuration, execution, deployment, artifact — et expliquer comment chacun se construit à partir du précédent
- Dire précisément quels objets d'AI Core sont partagés au niveau du tenant entre les resource groups et lesquels sont rattachés à un seul, et utiliser cette frontière pour concevoir un paysage de resource groups
- Écrire les labels et annotations obligatoires qui enregistrent un Argo WorkflowTemplate comme scenario et executable, y compris les métadonnées d'artifact et le globalName
- Expliquer comment un dépôt Git enregistré se synchronise dans le catalogue de scenarios et d'executables d'AI Core, et pourquoi revoir le paysage AI Core d'un client suppose de lire le dépôt, pas seulement le tenant
- Lire le spec KServe InferenceService d'un serving template et régler minReplicas, maxReplicas et containerConcurrency pour un profil de trafic réaliste
- Appliquer les fonctionnalités d'efficacité d'AI Core — autoscaling, scale-to-zero, scale-to-1, ttl, pool de nœuds chauds — pour équilibrer coût et latence d'un deployment donné
Aperçu du module
À qui s'adresse ce module. Vous avez construit une preuve de concept dans le generative AI hub, appelé un modèle via l'orchestration, et maintenant un client vous demande un vrai paysage : dev, test et production séparés, un espace pour qu'une équipe data science exécute des entraînements à côté des charges du chatbot, et une réponse claire à la question « qui voit quoi ». Ce paysage, c'est le modèle d'objets de SAP AI Core — resource groups, scenarios, executables, configurations, executions, deployments et artifacts — et presque aucun cours ne l'aborde, parce qu'un tenant d'essai le cache derrière un unique resource group par défaut. Ce module l'ouvre, en s'appuyant sur le guide de service de SAP lui-même, pour que vous puissiez concevoir un paysage au lieu de subir celui par défaut.
Prérequis
- M333 (Fondamentaux IA et LLM pour consultants SAP) ou une connaissance pratique équivalente des tokens, des embeddings et du RAG
- Aisance avec la lecture de YAML et le vocabulaire Kubernetes de base (namespace, secret, image de conteneur, replica)
- Optionnel pour les exercices pratiques : un tenant SAP AI Core d'essai (BTP trial) ou l'accès au tenant d'un client via SAP AI Launchpad
Acquis
- Lire un tenant SAP AI Core (via AI Launchpad ou l'AI API) et nommer correctement chaque objet observé, dans sa relation exacte avec ses voisins
- Concevoir un paysage de resource groups pour un environnement AI Core multi-environnements et multi-équipes, en explicitant la frontière partagé/rattaché dans la conception
- Écrire les métadonnées qui enregistrent un nouveau scenario et un nouvel executable à partir d'un seul workflow template, sans étape de création séparée
- Configurer les paramètres de mise à l'échelle d'un serving template selon un objectif de trafic et de coût donné, et justifier ce choix
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.