La couche sémantique comme contexte pour le LLM — modèles analytiques, sémantique métier

La couche construite pour les humains se révèle être celle dont l'IA a besoin

Une couche sémantique n'a jamais été un concept d'IA. Des décennies avant l'existence de Joule, les outils de BI en ont construit une parce qu'un analyste financier ne devrait pas avoir à se souvenir que le chiffre d'affaires réside dans la table FAGLFLEXT et qu'une conversion de devise doit s'exécuter avant qu'un chiffre n'ait un sens — la couche sémantique faisait cette traduction une fois, de manière centralisée, pour que chaque rapport utilise le même vocabulaire et les mêmes règles. Ce qui a changé, c'est qui d'autre lit désormais cette couche : un LLM à qui l'on demande « quel était notre chiffre d'affaires net en Allemagne le trimestre dernier » ne peut pas répondre correctement à partir d'un schéma brut, mais il peut répondre correctement à partir d'un modèle qui définit déjà le Chiffre d'affaires net comme une mesure, l'Allemagne comme un membre d'une hiérarchie géographique, et le trimestre dernier comme une dimension temporelle intégrant le calendrier fiscal. La couche sémantique a été construite pour les humains et se trouve être exactement le contexte structuré, sans recherche documentaire, dont un LLM a besoin pour cesser de deviner.

Pourquoi c'est important

• Une couche sémantique n'est pas une invention de l'IA — c'est une discipline BI vieille de plusieurs décennies qui se révèle être exactement le contexte structuré et gouverné dont un LLM a besoin ; la traiter comme un nouveau travail Joule plutôt que réutiliser la discipline de modélisation existante duplique l'effort.
• Une lacune de hiérarchie ou de libellé qu'un auteur de rapport humain contourne silencieusement devient, pour Joule, un défaut qui dégrade une réponse conversationnelle — la tolérance à l'ambiguïté est bien plus faible pour un LLM que pour un lecteur humain de rapport.
• Le choix entre un chemin médié par la couche sémantique et un chemin text-to-SQL est un arbitrage de gouvernance, pas une préférence technologique — savoir lequel un cas d'usage nécessite change toute l'approche de delivery.

Points clés

• La couche sémantique précède l'IA : mesures, hiérarchies, logique de devise et libellés métier construits sur les vues Datasphere pour le reporting humain.
• Ce qui a changé, c'est le lecteur : un LLM a besoin du même vocabulaire gouverné pour éviter de deviner le sens à partir de noms de colonnes bruts.
• Un modèle exposé à Just Ask devient atteignable par les Analytical Insights de Joule par le même chemin — la couche sémantique est ce qui rend cette atteignabilité porteuse de sens.
• Le contrôle de préparation du modèle SAC du T3 2026 signale la sémantique manquante, les hiérarchies floues et les libellés ambigus avant qu'ils ne dégradent une réponse Joule — un linter pour le sens, pas un outil de qualité de donnée.
• Le NLQ médié par la couche sémantique échange de la flexibilité contre des garanties de gouvernance, face à l'ancrage direct text-to-SQL sur des schémas bruts.
• La conception de la couche sémantique devrait être revue comme un livrable de préparation à Joule, revérifié après chaque modification structurelle d'un modèle exposé.

Termes employés sur cette page

Couche sémantique

Le vocabulaire gouverné — mesures, hiérarchies, logique de devise, libellés métier — qui se situe entre les tables brutes et un rapport ou un agent IA.

Modèle analytique

L'objet Datasphere/SAC qui porte la couche sémantique pour un domaine métier donné, exposable à Just Ask.

Contrôle de préparation du modèle

La passe automatisée du T3 2026 de SAC sur un modèle qui signale la sémantique manquante, les hiérarchies floues et les libellés ambigus.

Text-to-SQL

L'approche alternative qui ancre un LLM directement sur des schémas de base de données plutôt que sur une couche sémantique — voir « Requête en langage naturel sur des données SAP — schémas et limites du text-to-SQL ».

Mesure restreinte / calculée

Un artefact du modèle analytique qui filtre ou dérive un chiffre métier (par ex. le Chiffre d'affaires net comme des revenus restreints aux actuals), pour que tout consommateur, humain ou agent, réutilise la même définition.

Hiérarchie (modèle analytique)

Une structure parent-enfant (produit, géographie, organisation, temps) qui permet à un agent de résoudre un membre comme « Allemagne » au bon niveau et d'agréger correctement au-dessus ou en dessous.

Grounding — deux sens SAP

Dans le service d'orchestration, le grounding est un module de pipeline RAG qui récupère des documents ; en termes Joule/modèle analytique, le grounding signifie résoudre une question contre une couche sémantique gouvernée ou le Knowledge Graph — les deux ne sont pas interchangeables.

Modèle sémantique Cortex Analyst (terme pair)

L'équivalent déclaré en YAML chez Snowflake d'un modèle analytique Datasphere : tables logiques, dimensions, mesures et synonymes que Cortex Analyst doit consulter avant de répondre.

Sources

1. SAP News Center — SAP Business AI: Release Highlights Q1 2026 (Joule GA in Datasphere; base for the Just Ask/Analytical Insights path)
2. Snowflake documentation — Cortex Analyst and the YAML semantic model (fetched 2026-09-27)
3. SAP Community — conversational analytics in Joule with SAP Analytics Cloud
4. SAP Help Portal — Joule embedded directly in the SAP Datasphere interface (doc dated 2026-09-24)
5. SAP AI Core — orchestration service and document grounding
6. SAP Community — why SAP needs a Knowledge Graph (the second, distinct meaning of 'grounding')
7. Check Your Model's Readiness for Just Ask and Joule Analytical Insights — SAP Help Portal (SAP Analytics Cloud)
8. Making NLQ More Explainable, Reliable and Actionable — SAP Community
9. Analytical Insights in Joule — SAP Architecture Center
10. Analytical Insights in Joule (powered by SAP Analytics Cloud), controlled release — SAP Community
11. Joule with SAP Datasphere: step-by-step setup guide — SAP Community
12. SAP Help (SAP-docs on GitHub, SAP Datasphere) — Creating an Analytic Model
13. Introducing the Analytic Model in SAP Datasphere — SAP Community
14. Unity Catalog metric views — Databricks documentation
15. Overview of semantic views (Cortex Analyst) — Snowflake documentation
16. Foundation Layer (AI-native North Star architecture) — SAP Architecture Center