Fiche concept

SAP RPT-1 / RPT-1.5 — architecture du modèle de fondation relationnel

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 SAP RPT-1 / RPT-1.5 — architecture du modèle de fondation relationnel ?

SAP RPT-1.5 pré-entraîne directement sur la structure des schémas relationnels plutôt qu'en aplatissant les lignes en texte, et son mécanisme RAP fait passer la personnalisation de modèle de semaines de travail ML à quelques secondes d'assemblage de contexte.

Ce que c'est

SAP RPT-1, abréviation de Relational Pretrained Transformer, est le premier modèle de fondation architecturé nativement pour les données métier tabulaires, structurées et relationnelles, plutôt que pour du texte non structuré. Les grands modèles de langage classiques traitent une ligne de base de données comme une chaîne de texte aplatie, ce qui fait perdre la sémantique des colonnes, les relations de clé étrangère et la structure du schéma — précisément ce qui rend une table relationnelle utile. RPT a été pré-entraîné différemment, sur des millions de schémas relationnels, en apprenant des motifs au niveau des lignes, des colonnes et des clés étrangères directement à partir de la structure des tables. Il a été annoncé en 2025 et mis à niveau vers RPT-1.5 lors de Sapphire 2026.

Pourquoi cela compte

RPT cible un point de défaillance précis et bien documenté qui a bloqué une grande partie des projets pilotes d'IA en entreprise à partir de 2023 : les données transactionnelles SAP vivent dans des schémas relationnels normalisés, et forcer ces données à travers un grand modèle de langage centré sur le texte exige un travail coûteux d'extraction-transformation-chargement ainsi qu'une ingénierie de prompt qui, en pratique, aboutit malgré tout à une précision inférieure à celle de bases de référence en apprentissage automatique classique comme XGBoost sur les benchmarks tabulaires standards. RPT comble cet écart en travaillant directement avec la structure de la table, au lieu de la traduire d'abord en prose.

Comment ça fonctionne

Pourquoi c'est important

Forcer les données transactionnelles SAP à travers des LLM à tokens texte exige un ETL coûteux et un prompt-engineering qui fait quand même chuter la précision sous XGBoost et les baselines ML classiques sur les benchmarks tabulaires.
RAP permet au modèle d'ingérer des tables relationnelles de taille arbitraire à l'inférence et de retourner des prédictions typées — classification, régression, prévision, score d'anomalie, imputation — en respectant les jointures par clé étrangère, sans réentraînement.
Trois variantes ciblent des besoins différents : sap-rpt-1-small pour le prototypage interactif, sap-rpt-1-large pour les tâches difficiles comme le churn ou la fraude, et sap-rpt-1-oss publié en open-source sur HuggingFace/GitHub à Sapphire 2026.

Points clés

Premier modèle de fondation conçu nativement pour les données relationnelles tabulaires — pré-entraîné sur des millions de schémas, apprend directement les patterns ligne + colonne + clé étrangère depuis la structure de la table, pas des tokens texte.
RPT-1.5 ajoute la RAP (Retrieval-Augmented Prediction) — ingestion de jeux de données structurés de taille arbitraire à l'inférence, prédictions typées en contexte (classification, régression, anomalie, imputation) sans réentraînement ; pattern RAG pour la donnée tabulaire.
Trois variantes : sap-rpt-1-small (inférence rapide, prototypage playground) · sap-rpt-1-large (précision supérieure sur tâches difficiles : prévision multi-étapes, fraude, churn) · sap-rpt-1-oss (open-source HuggingFace + GitHub pour benchmarking externe).
Résout le problème du plateau des pilotes 2023-2025 — les LLM-texte sous-performent systématiquement XGBoost sur les données transactionnelles SAP ; RPT supprime le goulot ETL-vers-tokens et est compétitif avec ou dépasse les baselines classiques sur les leaderboards tabulaires.
Assistant de chat en langage naturel dans le playground — les analystes interrogent les jeux tabulaires en anglais simple ; cycle de personnalisation modèle de semaines à secondes via l'assemblage de contexte RAP.
Sorties de prédiction typées — RPT retourne des prédictions qui respectent les types de données des colonnes et les contraintes de clé étrangère, non des chaînes de texte libre nécessitant un parsing post-traitement ; avantage de précision substantiel sur les contournements LLM-texte.
Surface de benchmark — sap-rpt-1-oss permet la comparaison directe face à TabPFN (SOTA précédent pour les modèles de fondation tabulaires), XGBoost, LightGBM et TabTransformer sur les leaderboards tabulaires UCI + Kaggle standard.
Déploiement via SAP BTP — le playground et l'infrastructure de service sont natifs BTP ; le bon chemin de déploiement est SAP AI Core + AI Launchpad, non un serveur de modèle autonome.
Quand ne pas utiliser — données véritablement non structurées (texte libre, documents, images), absence d'empreinte BTP, ou quand la tâche ML est déjà résolue avec haute précision par un pipeline classique moins coûteux à maintenir.
Intégration écosystème SAP — les prédictions RPT s'alimentent en aval dans les Analytic Models Datasphere, la Planification SAC et les signaux de demande IBP via l'API SAP AI Core, bouclant le cycle du modèle de fondation à la décision métier.

Termes employés sur cette page

RPT (Relational Pretrained Transformer): Architecture de modèle de fondation de SAP pré-entraînée sur des millions de schémas de bases de données relationnelles ; le premier transformer conçu nativement pour les données métier tabulaires structurées, apprenant la sémantique des colonnes et les motifs de clés étrangères plutôt que des tokens de texte.
RAP (Retrieval-Augmented Prediction): L'ajout architectural central de RPT-1.5 ; analogue au RAG mais pour les données tabulaires — le modèle récupère les lignes et colonnes pertinentes de jeux de données structurés arbitrairement grands au moment de l'inférence via une tête de récupération apprise, puis produit une prédiction typée sans réentraînement.
sap-rpt-1-oss: La variante open-source de RPT publiée sur HuggingFace et GitHub à Sapphire 2026 ; permet aux chercheurs externes de comparer RPT à TabPFN, TabTransformer, XGBoost et LightGBM sur les classements tabulaires standard, construisant la confiance de la communauté.
Tabular foundation model: Une architecture de modèle de fondation spécifiquement conçue pour les données tabulaires structurées avec schémas, clés étrangères et types de données au niveau colonne — distincte des LLM à tokens de texte ; RPT est l'offre de production de SAP, TabPFN (Hollmann et al., 2022) est l'état de l'art antérieur en recherche ouverte.
TabPFN: Prior-Data Fitted Networks — modèle de fondation tabulaire open-source de Hollmann et al. (NeurIPS 2022/2023) auquel RPT-1.5 se compare ; atteint de fortes performances sur les petits jeux de données tabulaires (<10k lignes) mais lui manque le pré-entraînement sur schémas relationnels que RPT vise pour les données SAP.
Pilot-plateau problem: Le schéma observé en 2023-2025 où les pilotes GenAI en entreprise utilisant des LLM de texte sur des données transactionnelles SAP sous-performent systématiquement le ML classique (XGBoost, LightGBM) sur les tâches de prédiction numérique — l'écart architectural que RPT est conçu pour combler.
SAP AI Core: Le service BTP qui héberge, sert et met à l'échelle les modèles d'IA personnalisés, y compris RPT ; la cible de déploiement requise pour le service RPT en production dans les paysages clients SAP.
Foreign-key-aware prediction: La capacité de RPT à produire des prédictions qui respectent l'intégrité référentielle entre tables liées — p. ex. des scores d'anomalie qui tiennent compte des données de base fournisseur lors du scoring des lignes de commande d'achat — une capacité que les LLM de texte ne peuvent reproduire sans ETL explicite.

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 →