SAP AI Core — Resource groups, scenarios, executables

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 un client demande maintenant un vrai paysage : dev, test et production séparés, un endroit où une équipe de data science lance des jobs d'entraînement à côté des charges de travail du chatbot, et une réponse à « qui voit quoi ». Ce paysage, c'est le modèle d'objets de SAP AI Core (groupes de ressources, scénarios, exécutables, configurations, exécutions, déploiements, artefacts). La plupart des formations l'omettent parce qu'un tenant d'essai le masque derrière un unique groupe de ressources nommé default. À la fin, vous savez concevoir le paysage sur papier, le créer via l'AI API et auditer le tenant d'un client à la recherche des erreurs d'isolation listées au chapitre des pièges. Module suivant : entraînement et serving de modèles personnalisés.

Prérequis

• Une preuve de concept construite dans le generative AI hub, avec un modèle appelé par orchestration (« Exploitation de SAP AI Launchpad » pour SAP AI Launchpad et le generative AI hub)
• Le vocabulaire de base de Kubernetes et YAML (namespace, secret, image de conteneur, réplique)
• Pour la partie pratique : une instance de service SAP AI Core et sa clé de service, le plan extended pour l'IA générative et un jeton porteur issu de la clé de service

Acquis

• Nommer les six objets de SAP AI Core dans l'ordre de dépendance (scénario, exécutable, configuration, exécution ou déploiement, artefact) avec les définitions de SAP.
• Dire quels objets sont propres à un groupe de ressources et lesquels sont partagés dans le tenant, et expliquer pourquoi un bucket ou un identifiant IAM partagé casse l'isolation.
• Écrire les labels et annotations qui enregistrent scénario et exécutable depuis un modèle de workflow Argo, y compris globalName sur les artefacts de sortie.
• Créer un groupe de ressources, intégrer un dépôt, créer une configuration et un déploiement par l'AI API, et vérifier que le déploiement est refusé pour un autre groupe.
• Choisir une politique de mise à l'échelle par déploiement (scale-to-zero, scale-to-1, nœuds chauds, ttl) et tester un paysage avec quatre contrôles par groupe de ressources.