Recherche hybride dans SAP HANA Cloud — similarité vectorielle et recherche floue dans une seule requête SQL

Ce qu'est la recherche hybride

Une recherche vectorielle répond à « quelles lignes veulent dire quelque chose de proche de ma question » ; une recherche textuelle répond à « quelles lignes contiennent ces mots, même mal orthographiés ». Chacune échoue là où l'autre réussit. Les embeddings brouillent les identifiants exacts : un numéro d'article, un code produit ou un nom de client qui compte lettre par lettre revient comme « quelque chose de semblable ». La recherche floue rate les paraphrases : « perceuse sans fil pour maçonnerie » ne correspond pas à « perforateur sur batterie pour béton ». La recherche hybride note chaque candidat sur les deux tableaux et classe selon une combinaison pondérée : une ligne proche par le sens et par les mots remonte en tête.

Les deux scores que fournit SAP HANA Cloud

Score sémantique. SAP HANA Cloud stocke les embeddings dans le type REAL_VECTOR (ou HALF_VECTOR), avec une dimension fixe qui suit le modèle d'embedding : 768 pour le modèle SAP_NEB intégré à la base, 1 536 dans la démo de TechEd. COSINE_SIMILARITY(a, b) renvoie une valeur d'autant plus haute que les vecteurs sont proches ; L2DISTANCE est l'alternative, où plus bas veut dire plus proche. Le vecteur de la question vient soit de VECTOR_EMBEDDING() dans la base, soit d'un modèle d'embedding de SAP AI Core, passé avec TO_REAL_VECTOR(). Documents et questions doivent être vectorisés avec le même modèle (SAP HANA Cloud Vector Engine Guide).

Pourquoi c'est important

• Les agents ancrés sur des données métier échouent le plus souvent sur les identifiants exacts (codes, noms) que la recherche vectorielle seule brouille.
• Garder les deux recherches dans SAP HANA Cloud supprime un second moteur de recherche et garde les droits de la table sur la recherche.
• Le motif est l'étape de recherche d'un outil d'agent construit avec CAP, le type d'extension side-by-side que SAP classe clean core niveau A.

Points clés

• La recherche hybride classe les lignes selon une somme pondérée d'un score sémantique (COSINE_SIMILARITY sur REAL_VECTOR) et d'un score lexical (CONTAINS … FUZZY avec SCORE()).
• Dans SAP HANA Cloud, les deux scores se calculent dans une seule requête SQL, sous les droits base de données de l'appelant.
• Les vecteurs captent les paraphrases ; le texte flou capte les identifiants exacts et les fautes : chacun couvre l'angle mort de l'autre.
• SCORE() est compris entre 0 et 1, la similarité cosinus entre -1 et 1 : normaliser avant de pondérer.
• La pondération 60/40 montrée à SAP TechEd 2026 est un choix de démo ; régler les poids ou la fusion par rang sur un jeu d'évaluation.
• Un index vectoriel HNSW accélère la partie vectorielle ; un index plein texte sert les colonnes de texte long.
• Documents et questions doivent être vectorisés avec le même modèle versionné ; la dimension du vecteur suit ce modèle.
• Encapsulée dans un service CAP sur SAP BTP qui appelle des API S/4HANA released, c'est une extension side-by-side clean core de niveau A ; HANA Cloud en est la persistance.

Termes employés sur cette page

Recherche hybride

Classement sur une combinaison d'un score sémantique (vecteur) et d'un score lexical (texte).

REAL_VECTOR

Type de données SAP HANA Cloud pour un vecteur de dimension fixe en flottants 32 bits.

COSINE_SIMILARITY

Fonction SAP HANA Cloud qui renvoie le cosinus de l'angle entre deux vecteurs ; plus haut veut dire plus proche.

Recherche floue

Recherche textuelle tolérante aux fautes et variantes, appelée par CONTAINS … FUZZY(seuil).

SCORE()

Pertinence d'une correspondance CONTAINS, entre 0 et 1.

Index HNSW

Index de plus proches voisins approximatif pour les colonnes vectorielles de SAP HANA Cloud.

Fusion par rang

Combinaison de deux listes classées en ajoutant 1/(k + rang) de chacune.

Conteneur HDI

Schéma isolé de SAP HANA Cloud dans lequel une application CAP déploie ses objets de base de données.

Sources

1. SAP TechEd 2026 (Berlin & virtual, 27–29 Oct 2026) — session DA164: Building agentic applications with SAP HANA Cloud (demo architecture: Joule Studio agent, CAP service, SAP HANA Cloud hybrid search, SAP AI Core)
2. SAP Help — SAP HANA Cloud Vector Engine Guide
3. SAP Help — Vector Engine Guide: REAL_VECTOR and HALF_VECTOR data types
4. SAP Help — SQL reference: COSINE_SIMILARITY function (vector)
5. SAP Help — Vector Engine Guide: CREATE VECTOR INDEX statement (HNSW)
6. SAP Help — Vector Engine Guide: Using the VECTOR_EMBEDDING function
7. SAP Help — SAP HANA Cloud Search Developer Guide (CONTAINS, FUZZY, SCORE(), full-text indexes)
8. SAP Architecture Center — Embeddings & Semantic Search
9. SAP Architecture Center — Building AI Agents with Joule Studio
10. CAP documentation — Vector Embeddings (cds.Vector, cosine_similarity in CQL)
11. CAP documentation — SAP HANA Cloud as database (HDI deployment)
12. CAP documentation — Model Context Protocol (MCP) adapter (@cap-js/mcp)
13. SAP News — How to extend SAP S/4HANA Cloud the right way: clean core levels A–D (Aug 2025)