Entraîner et servir des modèles sur mesure sur SAP AI Core
À jour au 2026-09-25
La capacité d'entraînement et de service de SAP AI Core est agnostique au langage et indépendante du generative AI hub : n'importe quel framework ML, conteneurisé, exécuté comme une execution Argo Workflows, avec des artifacts de sortie servis via un deployment adossé à KServe. Ce module s'appuie sur le guide de service de SAP pour parcourir le workflow d'entraînement étape par étape (instance, template, scenario, configuration, execution, logs), le secret d'object store default obligatoire sans lequel aucun pipeline d'entraînement ne peut écrire de sortie, les trois schémas pour faire arriver un modèle sur le tenant (entraîner de zéro, affiner ou poursuivre, packager un artifact pré-entraîné), le spec KServe InferenceService d'un serving template et ses paramètres de mise à l'échelle, et les fonctionnalités d'efficacité qui rendent abordable un endpoint toujours disponible. Il se termine par les signatures d'artifacts et les plannings d'entraînement pour un réentraînement auditable et automatisé, et un guide de tri reliant les trois défaillances les plus courantes à leur objet racine. Trois exercices et une auto-évaluation conditionnent le passage à M364.
Ce que vous apprendrez
- Expliquer pourquoi entraîner sur SAP AI Core est une execution de workflow basée sur Argo, pas un bouton « entraîner » géré, et ce qu'un contrat d'entraînement agnostique au langage exige d'une équipe data science
- Parcourir un workflow d'entraînement de bout en bout — choisir une instance, définir le template, lister les scenarios, créer des configurations, démarrer l'entraînement, récupérer les logs — et nommer l'objet que produit chaque étape
- Choisir entre entraîner de zéro, affiner ou poursuivre un modèle importé, et packager un modèle déjà entraîné pour le seul service, selon un besoin client donné
- Configurer le spec KServe InferenceService d'un serving template — predictor, STORAGE_URI, minReplicas, maxReplicas, containerConcurrency — pour un profil de trafic réel
- Utiliser les signatures d'artifacts et les plannings d'entraînement pour rendre les runs répétés auditables et le réentraînement automatisé sûr
- Diagnostiquer les trois défaillances les plus courantes d'un entraînement-et-service à partir du seul symptôme : globalName manquant, secret d'object store default manquant, référence de registre ou d'artifact cassée
Aperçu du module
À qui s'adresse ce module. Le M362 vous a donné le modèle d'objets de SAP AI Core et ses frontières de resource groups. Ce module les met au travail sur le cas pour lequel ce modèle a été construit : un client dont le besoin n'est pas « appeler un LLM via l'orchestration » mais « entraîner notre propre modèle sur nos propres données, et le servir en endpoint de production » — un score de fraude, une prédiction de risque de livraison, une prévision de demande, ou un modèle affiné qu'aucun catalogue d'hyperscaler ne couvre. C'est la capacité propre d'entraînement et de service de SAP AI Core, indépendante du langage et du generative AI hub, et c'est là qu'un bagage data science cesse d'être optionnel.
Prérequis
- M362 (SAP AI Core — Resource groups, scenarios, executables) — ce module s'appuie directement sur son modèle d'objets
- Connaissance pratique d'au moins un framework ML (scikit-learn, PyTorch, ou similaire) et aisance pour écrire un Dockerfile
- Optionnel pour la pratique : un tenant SAP AI Core d'essai avec un dépôt Git enregistré et un secret de registre Docker
Acquis
- Mettre en place un pipeline complet d'entraînement à service pour un modèle sur mesure sur SAP AI Core, du workflow template jusqu'à un endpoint d'inférence en production
- Choisir le bon schéma d'intégration (entraîner de zéro, affiner, ou service seul) pour un modèle client donné et le justifier
- Dimensionner les paramètres de mise à l'échelle d'un deployment selon un profil de trafic donné et défendre l'arbitrage coût/latence
- Trier une configuration d'entraînement ou de service cassée jusqu'à son objet racine (artifact, secret, registre, quota) à partir du seul symptôme
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.