Seminar SAP HANA – Vektorsuche und KI-Szenarien

Der SAP HANA Cloud Vector Engine verbindet strukturierte Unternehmensdaten mit Vektoren und Ähnlichkeitssuche. Die Schulung entwickelt ein vollständiges Retrieval-Szenario von Dokumentaufbereitung und Embeddings bis zu SQL-basierter Suche, Metadatenfiltern, Qualitätsbewertung und sicherer Anwendungsintegration.

Inhaltsverzeichnis

• Zielsetzung
• Zielgruppe
• Voraussetzungen
• Seminarinhalte
• Praxisübungen
• Methodik

Zielsetzung

• Vektoren, Embeddings, Distanzmaße und Retrieval-Architekturen verständlich einordnen
• Vektordaten in SAP HANA Cloud speichern, pflegen und per SQL durchsuchen
• Semantische Suche mit strukturierten Filtern und Geschäftsdaten kombinieren
• Qualität, Sicherheit, Kosten, Aktualisierung und Betrieb eines RAG-nahen Szenarios bewerten

Zielgruppe

SAP-HANA-Entwickler, Data Engineers, AI Engineers, Solution-Architekten, Analytics-Teams und technische Product Owner.

Voraussetzungen

Gute SQL-Grundkenntnisse, Verständnis von SAP HANA Cloud und grundlegende Kenntnisse zu APIs oder Anwendungsentwicklung. Vorkenntnisse zu maschinellem Lernen sind hilfreich, aber nicht zwingend.

Seminarinhalte

1. Schritt 1: Anwendungsfall und Qualitätsziel definieren

   Suchaufgabe, Nutzergruppe, Dokumentarten, Antwortlatenz, Datenschutz und messbare Relevanzkriterien werden festgelegt. Klassische Volltextsuche und Vektorsuche werden abgegrenzt.

2. Schritt 2: Embeddings und Vektoren verstehen

   Dimension, Modellwahl, Normalisierung, Chunking, Kontextfenster und Distanzmaße werden anhand kleiner Beispiele untersucht. Modell- und Datenversion werden als Teil des Datenmodells behandelt.

3. Schritt 3: Datenmodell für Vektoren entwerfen

   Dokument, Abschnitt, Quelle, Berechtigung, Metadaten, Text, Vektor, Modellversion und Aktualisierungsstatus werden in einer konsistenten Tabellenstruktur abgebildet.

4. Schritt 4: Vektordaten laden und pflegen

   Embeddings werden validiert, in den geeigneten Vektordatentyp geschrieben und mit strukturierten Metadaten verknüpft. Fehlerhafte Dimensionen und veraltete Einträge werden erkannt.

5. Schritt 5: Ähnlichkeitssuche mit SQL implementieren

   Query-Vektor, Distanzfunktion, Top-k-Auswahl, Sortierung und Ergebnisschwelle werden entwickelt. Unterschiedliche Distanzmaße werden mit Testfällen verglichen.

6. Schritt 6: Hybride Suche aufbauen

   Vektorrelevanz wird mit Mandant, Sprache, Produkt, Zeitraum, Freigabestatus und anderen strukturierten Filtern kombiniert. Berechtigungsfilter werden vor der Ausgabe erzwungen.

7. Schritt 7: Chunking und Retrieval-Qualität optimieren

   Abschnittslänge, Überlappung, Metadaten, Schwellenwert, Top-k und Deduplizierung werden anhand einer Testfragensammlung abgestimmt.

8. Schritt 8: Anwendung oder CAP-Service anbinden

   Ein sicherer Service nimmt Suchtext entgegen, erzeugt oder erhält einen Query-Vektor und liefert kontrollierte Treffer mit Metadaten zurück. Eingaben, Timeouts und Fehler werden behandelt.

9. Schritt 9: RAG-nahen Ablauf einordnen

   Retrieval, Kontextaufbereitung, Sprachmodellaufruf, Quellenbezug, Antwortvalidierung und Guardrails werden als getrennte Komponenten modelliert. Die Datenbank bleibt für Retrieval und Filter verantwortlich.

10. Schritt 10: Sicherheit und Datenschutz integrieren

    Zugriffsrechte, sensible Inhalte, Löschung, Mandantentrennung, Protokollierung und Schutz vor unzulässiger Datenoffenlegung werden geprüft.

11. Schritt 11: Aktualisierung und Betrieb organisieren

    Neue Dokumente, geänderte Inhalte, Embedding-Modellwechsel, Re-Embedding, Qualitätsmetriken, Kosten und Monitoring werden in einen Lifecycle-Prozess überführt.

12. Schritt 12: Qualität mit Testset abnehmen

    Precision-nahe Kennzahlen, Recall-nahe Kennzahlen, Trefferposition, Latenz und fachliche Relevanz werden anhand eines versionierten Testsets verglichen.

Praxisübungen

• Entwurf eines Vektordatenmodells mit Berechtigungs- und Versionsfeldern
• Laden von Beispiel-Embeddings und Durchführung mehrerer SQL-Ähnlichkeitssuchen
• Aufbau einer hybriden Suche mit strukturiertem Metadatenfilter
• Qualitätsvergleich verschiedener Chunk- und Top-k-Konfigurationen
• Erstellung eines Betriebsplans für Re-Embedding und Löschung

Methodik

Die Übungen bilden eine kleine semantische Suchanwendung ab. Technische Ergebnisse werden nicht nur auf Funktion, sondern mit einem festen Testset auf Relevanz, Sicherheit und Laufzeit geprüft.