Fiche concept

Ancrage RAG via le Graphe de Connaissances SAP

À jour au 2026-07-24T14:00:00Z

Édité par Cédric-Olivier Mâry, éditeur et directeur de la publication — 27 ans d'écosystème SAP. Comment ces pages sont produites, et où intervient l'automatisation.

Qu'est-ce que Ancrage RAG via le Graphe de Connaissances SAP ?

Le RAG est le mode de grounding Joule correct spécifiquement pour la récupération de documents non structurés — clauses contractuelles, manuels, Q&R de politiques — distinct du parcours du Graphe de Connaissances SAP tout en pouvant s'y combiner.

De quoi il s'agit

La génération augmentée par récupération, ou RAG (Retrieval-Augmented Generation), est la technique par laquelle un modèle de fondation va chercher des passages pertinents dans une base de connaissances externe avant de rédiger sa réponse, plutôt que de s'appuyer uniquement sur les régularités qu'il a absorbées pendant son entraînement. Dans l'architecture Joule de SAP, le RAG est l'un des trois modes d'ancrage (grounding) qu'un concepteur peut choisir pour un agent — les deux autres étant l'interrogation directe d'un modèle analytique sur des données structurées SAC ou Datasphere, et la traversée du SAP Knowledge Graph, la couche entités-relations construite à partir des métadonnées de S/4HANA, SuccessFactors et Ariba. Le RAG est spécifiquement l'outil adapté au contenu non structuré : clauses contractuelles, manuels de maintenance, PDF de politiques internes, articles de base de connaissances — tout ce qui existe sous forme de prose plutôt que de lignes et colonnes, ou de relations typées entre objets métier.

Pourquoi c'est important

Un agent Joule interrogé sur les conditions de paiement des fournisseurs de niveau 2 ne peut pas répondre depuis ses poids d'entraînement — la réponse vit dans un PDF de politique d'approvisionnement, que seule une récupération RAG peut faire remonter.
La taille des chunks (environ 300 à 800 tokens) est la première décision architecturale — trop petite fragmente le contexte, trop grande dégrade la qualité des embeddings.
Choisir entre RAG, parcours du Knowledge Graph et requête de Modèle Analytique est une sélection de mode, pas un défaut — un mauvais choix produit un ancrage erroné de la réponse.

Points clés

RAG = un des trois modes de grounding Joule : utiliser pour la récupération de documents non structurés (contrats, procédures, manuels) ; Modèle Analytique pour les KPIs structurés ; Graphe de Connaissances pour le parcours d'entités.
Vector Store SAP AI Foundation : conforme au périmètre de données UE (Francfort/Amsterdam) ; accès gouverné au niveau de l'index, pas au niveau du document — index séparés par niveau d'accès pour le contenu sensible.
Pipeline : découpage (300-800 tokens) → embedding (ada-002 ou multilingual-e5) → étiquetage métadonnées → index HNSW/IVF-Flat → recherche par similarité cosinus au moment de l'inférence.
Suppression des hallucinations : 'répondre uniquement à partir du contexte fourni ; si absent, le dire' — instruction standard dans tout prompt Joule RAG.
Grounding hybride : le Graphe de Connaissances identifie les entités (ID fournisseur, IDs de contrats) + le RAG récupère le texte de clause — combiner les deux pour les agents d'approvisionnement/juridiques de haute qualité.
L'affichage des citations est à la fois une fonctionnalité de confiance utilisateur et une obligation de transparence Article 13 EU AI Act pour les cas d'usage à haut risque.
Décision de conception la plus souvent manquée : index Vector Store partagé unique pour des catégories de documents hétérogènes = échec de gouvernance. Un index par niveau d'accès.

Termes employés sur cette page

RAG (Génération Augmentée par Récupération): Technique combinant un système de récupération (recherche de similarité vectorielle sur un index de documents) avec un LLM génératif — le LLM génère sa réponse à partir des segments de documents récupérés plutôt qu'uniquement depuis les données d'entraînement.
Vector Store: Base de données managée pour les vecteurs d'embeddings ; prend en charge la recherche de similarité par voisin le plus proche approximatif (ANN) via des algorithmes comme HNSW ou IVF-Flat ; infrastructure centrale des pipelines RAG.
Embedding: Représentation numérique haute dimension du texte produite par un modèle d'embedding ; les textes sémantiquement similaires produisent des vecteurs géométriquement proches.
Découpage (Chunking): Processus de division des documents sources en segments de 200 à 800 tokens pour l'embedding ; la taille du segment et le chevauchement sont les principaux déterminants de la qualité de récupération RAG.
Graphe de Connaissances SAP: Graphe entité-relation dérivé des métadonnées d'objets S/4HANA, SuccessFactors et Ariba — matériau-fournisseur-usine, employé-organisation-rôle, contrat-fournisseur. Utilisé pour le grounding par parcours d'entités dans les agents Joule.
Similarité cosinus: Métrique de similarité principale pour la recherche vectorielle — mesure l'angle entre deux vecteurs haute dimension ; valeur de 1,0 = direction identique (sémantiquement très similaires) ; 0,0 = orthogonal (sans rapport).
HNSW: Algorithme d'index de voisin le plus proche approximatif basé sur un graphe, optimisé pour la recherche de similarité sub-seconde à rappel élevé ; type d'index par défaut pour la plupart des déploiements Vector Store en production.
Cross-encoder rerankeur: Modèle prenant en entrée une paire requête + segment candidat et notant leur pertinence plus précisément que la seule similarité d'embedding ; ajoute 200-400 ms de latence mais améliore significativement la précision.

Sources

Fiche complète réservée aux abonnés. Ce que la fiche complète ajoute : le cadre de décision complet · la comparaison SAP · Snowflake · Databricks · Fabric · les pièges courants et leur correctif · l'aide-mémoire · les schémas d'architecture · les blocs de code · les chiffres à citer.

Ouvrir dans l'application →

Ancrage RAG via le Graphe de Connaissances SAP

Qu'est-ce que Ancrage RAG via le Graphe de Connaissances SAP ?

De quoi il s'agit

Pourquoi c'est important

Points clés

Termes employés sur cette page

Sources

Concepts liés

Modules d'académie associés

Études approfondies

Guides SAP analytics & TJM