SAP HANA Predictive Analysis Library (PAL) — la bibliothèque d’analyse prédictive de HANA
À jour au 2026-09-25
Qu'est-ce que SAP HANA Predictive Analysis Library (PAL) ?
PAL est la bibliothèque SAP de procédures de machine learning et de statistiques in-database, appelables en SQL, pour SAP HANA, livrée dans le cadre du composant AFL. Le dépôt d'exemples de SAP lui-même montre une couverture réelle en classification, régression, clustering, séries temporelles, règles d'association, détection d'anomalies, systèmes de recommandation et plus, appelable en SQL, via hana-ml en Python, ou intégrée en ABAP via AMDP — contrairement à APL, PAL laisse le choix et le réglage de l'algorithme à l'appelant.
Ce qu'est PAL, mécaniquement
La Predictive Analysis Library (PAL) est la bibliothèque SAP de procédures appelables en SQL pour le machine learning et les statistiques directement dans la base SAP HANA. Elle est livrée dans le cadre du composant AFL — Application Function Library : le dépôt d'exemples de code de SAP lui-même énonce clairement le prérequis, à savoir qu'exécuter les exemples PAL nécessite « un environnement de base de données SAP HANA... avec le composant AFL installé, qui inclut la Predictive Analysis Library (PAL) ». Cette seule phrase explique toute la proposition de valeur de PAL pour un consultant : les algorithmes s'exécutent sous forme de procédures C++ à l'intérieur même du moteur de base de données, sur des tables qui ne quittent jamais HANA, plutôt que comme une bibliothèque côté client qui extrait d'abord les lignes.
Deux chemins de consommation existent pour les mêmes procédures sous-jacentes. Vous pouvez appeler PAL directement en SQLScript — CREATE PROCEDURE, CALL, tables de paramètres temporaires — ou le piloter depuis Python via hana-ml (C345), dont le module hana_ml.algorithms.pal enveloppe les mêmes procédures derrière des classes comme UnifiedClassification et UnifiedRegression. Dans les deux cas, le calcul se produit au même endroit : à l'intérieur de HANA.
Pourquoi c'est important
- PAL s'exécute à l'intérieur du moteur HANA sous forme de procédures C++ — l'argument pour un client est que les données ne quittent jamais la base, une histoire de gouvernance différente (et souvent plus forte) que ce que la plupart des plateformes ML externes peuvent raconter.
- PAL et APL sont fréquemment confondus ; bien saisir la distinction (choix manuel de l'algorithme vs automatisé) fait la différence entre cadrer une mission pilotée par la data science et une mission pilotée par l'automatisation.
- Le même modèle PAL peut être appelé depuis SQL, depuis Python via hana-ml, ou intégré en ABAP via AMDP — un consultant qui ne connaît qu'un seul chemin sous-estimera ce que l'investissement HANA existant d'un client prend déjà en charge.
Points clés
- PAL est un ensemble de procédures ML/statistiques in-database appelables en SQL pour SAP HANA, livré dans le cadre du composant AFL (Application Function Library).
- Couverture réelle confirmée via le dépôt d'exemples de SAP lui-même : classification, régression, clustering, séries temporelles (y compris massives/parallèles), règles d'association, détection d'anomalies, systèmes de recommandation, prédiction de liens, statistiques, préparation de données, réduction de dimensionnalité, plus des utilitaires d'évaluation de modèle/sélection de paramètres/comparaison de modèles.
- PAL vs APL : PAL laisse le choix de l'algorithme et le réglage des paramètres à l'appelant (tables de paramètres explicites) ; APL (C344) automatise ce choix derrière un ensemble plus restreint de fonctions de plus haut niveau.
- Schéma d'appel SQL : créer la table d'entrée, charger une table de paramètres temporaire (PARAM_NAME/INT_VALUE/DOUBLE_VALUE/STRING_VALUE), appeler la procédure directement ou via un wrapper AFL généré.
- hana-ml (C345) enveloppe les mêmes procédures dans une API Python de type estimateur — UnifiedClassification, UnifiedRegression, UnifiedClustering — avec GridSearchCV/RandomSearchCV et ModelStorage pour sauvegarder et planifier le réentraînement.
- Les modèles PAL peuvent être intégrés en ABAP via AMDP (ABAP Managed Database Procedures), le mécanisme qu'utilise ISLM (C346) pour exécuter un modèle PAL dans un scénario S/4HANA productif.
- UnifiedClassification à lui seul couvre plusieurs algorithmes via son paramètre func (Hybrid Gradient Boosting Tree, Random Decision Trees, Random Forest).
Termes employés sur cette page
- AFL
- Application Function Library — le composant SAP HANA qui livre PAL (et APL) sous forme de procédures C++ installables.
- SQLScript
- L'extension SQL procédurale de SAP HANA utilisée pour écrire et appeler directement les procédures PAL.
- UnifiedClassification / UnifiedRegression
- Classes Python hana-ml qui enveloppent plusieurs algorithmes PAL derrière une API de type estimateur, sélectionnés via un paramètre func.
- AMDP
- ABAP Managed Database Procedure — le mécanisme qui intègre un appel de modèle PAL (ou généré par hana-ml) dans ABAP, utilisé par ISLM (C346).
- ModelStorage
- Classe hana-ml qui sauvegarde, liste, versionne et peut planifier le réentraînement d'un modèle PAL/APL stocké dans des tables HANA.
Sources
- SAP HANA Cloud Help — SAP HANA Cloud, SAP HANA Database Predictive Analysis Library (PAL) (accessed 2026-09-25)
- SAP-samples/hana-ml-samples — README (AFL/PAL prerequisite) — GitHub (SAP), fetched 2026-09-25
- SAP-samples/hana-ml-samples — PAL-SQL sample directory (algorithm coverage by file name) — GitHub (SAP), fetched 2026-09-25
- SAP-samples/hana-ml-samples — Python-API/pal notebooks (UnifiedClassification, ModelStorage, GridSearchCV examples) — GitHub (SAP), fetched 2026-09-25
- SAP-samples/hana-ml-samples — PAL-AMDP/ISLM-UnifiedClassification-example (PAL embedded via AMDP) — GitHub (SAP), fetched 2026-09-25
Fiche complète réservée aux abonnés. Ce que la fiche complète ajoute : le cadre de décision complet · les pièges courants et leur correctif · l'aide-mémoire · les blocs de code · les chiffres à citer.