Jonatan SkopekData and AI Consulting
Alle BeiträgeVektorsuche · SAP HANA Cloud · SAP BTP

Produktsuche, die versteht, was gemeint ist

Ähnlichkeitssuche auf 105.126 H&M-Artikeln, komplett mit SAP-Bordmitteln: Vektortabelle und Embedding in SAP HANA Cloud, REST-Schnittstelle über die SAP Integration Suite, Oberfläche in SAP Build Apps. Ein Blick auf das Szenario von Ende zu Ende.

Jonatan SkopekSenior Architect – SAP Data and AI

Hinweis: Dieser Text wurde mit KI-Unterstützung formuliert. Idee, Architektur und Umsetzung der Demo sowie die Schlussfolgerungen stammen vom Autor.

  • SAP HANA Cloud
  • Vector Engine
  • VECTOR_EMBEDDING
  • Cloud Integration
  • BTP Destination
  • SAP Build Apps
  • Hugging Face

Einstieg

Von Wildcards zur Ähnlichkeitssuche

Jeder erinnert sich noch, wie die Produktsuche in Webshops früher funktioniert hat. Der Suchbegriff musste genau passen. Mit etwas Glück durfte man wenigstens mit Wildcards suchen. Heute reicht in vielen Shops ein ungefährer Begriff. Selbst wer das Gesuchte mit ganz anderen Worten beschreibt, bekommt meist passende Treffer.

Dahinter steckt in vielen Fällen keine klassische SQL-Abfrage, sondern eine Similarity Search. Ein Sprachmodell übersetzt Texte in Vektoren, sogenannte Embeddings. Texte mit ähnlicher Bedeutung liegen in diesem Vektorraum nah beieinander. Die Suche vergleicht also nicht Zeichenketten, sondern Bedeutungen. Dafür braucht es Tabellen, die Vektoren speichern und schnell vergleichen können.

Dasselbe Prinzip ist ein zentraler Baustein heutiger KI-Assistenten und Agenten. Sprachmodelle wie GPT arbeiten intern selbst mit Embeddings. Sobald ein Assistent oder Agent Antworten aus Dokumenten oder Unternehmenswissen liefert, steckt meist Retrieval Augmented Generation (RAG) dahinter. Die Inhalte werden in Abschnitte zerlegt und als Vektoren in einer Vektordatenbank abgelegt. Zu jeder Frage sucht eine Similarity Search die passenden Abschnitte und gibt sie dem Modell mit. Die File Search von OpenAI basiert zum Beispiel auf solchen Vector Stores, und viele Agenten nutzen denselben Mechanismus als Gedächtnis.

SAP HANA Cloud hat dafür seit dem Release QRC1/2024, also seit gut zweieinhalb Jahren, eine eigene Vector Engine mit dem Datentyp REAL_VECTOR und Ähnlichkeitsfunktionen wie COSINE_SIMILARITY. Seitdem sind unter anderem HNSW-Indizes für schnelle Suchen hinzugekommen und mit QRC4/2024 die Funktion VECTOR_EMBEDDING. Damit kann HANA Texte selbst einbetten, also die Vektoren direkt in der Datenbank berechnen. Wie das zusammen mit Integration Suite und Build Apps eine vollständige Anwendung ergibt, zeige ich am öffentlichen Produktkatalog der Modekette H&M.

Überblick

Die Gesamtarchitektur

Der End User gibt in einer Web-App aus SAP Build Apps einen Suchtext ein, auf Deutsch, obwohl die Produkttexte englisch sind. Die Anfrage läuft über eine BTP Destination zu einem iFlow in Cloud Integration, die Zugangsdaten dafür liefert eine Service-Instanz von Process Integration Runtime. Der iFlow ruft per JDBC eine Suchfunktion in SAP HANA Cloud auf und gibt das Ergebnis als JSON zurück. Die Daten wurden vorher einmalig von Hugging Face geladen.

Gesamtarchitektur der H&M-ProduktsucheDer End User nutzt eine Web-App in SAP Build Apps. Diese ruft per REST die BTP Destination HM_SEARCH_DEMO auf, die mit Basic Authentication an den Cloud-Integration-iFlow /hm-search weiterleitet. Die Zugangsdaten stammen aus dem Service Key der Service-Instanz Process Integration Runtime. Der iFlow ruft per JDBC die Tabellenfunktionen SEARCH_PRODUCTS_VECTOR und SEARCH_PRODUCTS_HYBRID in SAP HANA Cloud auf. Dort liegen die Vektortabelle HM_PRODUCTS und das Embedding-Modell SAP_NEB. Die Daten stammen aus dem Hugging-Face-Datensatz Qdrant/hm_ecommerce_products und wurden einmalig per Python geladen.SAP BUSINESS TECHNOLOGY PLATFORMEnd UserBrowserSuchtext eingebenSAP Build AppsWeb-AppEingabe · UmschalterErgebnis mit BildTEIL 3BTP DestinationHM_SEARCH_DEMOBasicAuthenticationURL: Runtime /httpTEIL 2Cloud IntegrationiFlow /hm-searchBuild SQL (Groovy)Request Reply · JDBCXML → JSON (Groovy)TEIL 2SAP HANA CloudMATERIAL_VEKTOR_DEMOHM_PRODUCTS105.126 Artikel · REAL_VECTORSEARCH_PRODUCTS_VECTORCosine Similarity · HNSWSEARCH_PRODUCTS_HYBRIDVektor + Keyword · RRFVECTOR_EMBEDDINGModell SAP_NEB.20240715TEIL 1Process Integration RuntimeService-Instanz · Plan integration-flowService Key: Client-ID und SecretTEIL 2Hugging FaceQdrant/hm_ecommerce_productsUIRESTHTTPSJDBCClient-ID / SecretESBMessaging.sendeinmaliger Import · Python + hdbcli
Anfrage und JSON-Antwort zur LaufzeitZugangsdaten, Berechtigung und Datenimport
Gesamtarchitektur der Demo. Die Suchlogik liegt vollständig in SAP HANA Cloud. Die BTP-Schichten davor stellen sie als Webservice bereit, den Build Apps aufrufen kann, und sichern den Zugriff ab.

Teil 1

Die Datenbasis in SAP HANA Cloud

  1. 1.1Der Datensatz: H&M-Katalog von Hugging Face

    Grundlage ist Qdrant/hm_ecommerce_products, eine unter CC BY 4.0 veröffentlichte, aufbereitete Fassung des Kaggle-Datensatzes von H&M. Die Parquet-Datei mit 247 MB beschreibt 105.126 Artikel: Name, Produktart, Farbe, Abteilung, Beschreibung und Bild-URL. Das Feld text_to_embed verkettet die wichtigsten Attribute und die Beschreibung zu einem Text. Mitgeliefert ist außerdem ein Vektor des englischen Modells BGE-small-en mit 384 Dimensionen.

    Hugging-Face-Seite des Datensatzes Qdrant/hm_ecommerce_products mit Dataset Viewer: 105.126 Zeilen, 247 MB, Format Parquet, Lizenz CC BY 4.0, Spalten article_id, product_code, prod_name, product_type_no, product_type_name und product_group_name.
    Der Datensatz auf Hugging Face: 105.126 Zeilen, 247 MB, Lizenz CC BY 4.0.
  2. 1.2Die Vektortabelle HM_PRODUCTS

    In HANA liegt der Katalog in der Spaltentabelle HM_PRODUCTS im Schema MATERIAL_VEKTOR_DEMO. Die Artikelattribute sind normale Spalten, daneben stehen die Vektorspalten mit dem nativen Typ REAL_VECTOR. EMBEDDING_384 enthält den mitgelieferten englischen Vektor. EMBEDDING_768 hat HANA selbst berechnet, dazu mehr im nächsten Abschnitt. Ein HNSW-Index auf der Vektorspalte sorgt dafür, dass die Ähnlichkeitssuche über alle Artikel in Sekundenbruchteilen läuft.

    Struktur von HM_PRODUCTS (gekürzt)
    CREATE COLUMN TABLE HM_PRODUCTS (    ARTICLE_ID        NVARCHAR(10) NOT NULL PRIMARY KEY,    PROD_NAME         NVARCHAR(200),    PRODUCT_TYPE_NAME NVARCHAR(100),    COLOUR_GROUP_NAME NVARCHAR(100),    -- ... weitere Attribute: Produktgruppe, Muster, Abteilung, Index ...    DETAIL_DESC       NVARCHAR(5000),    TEXT_TO_EMBED     NVARCHAR(5000),    IMAGE_URL         NVARCHAR(500),    EMBEDDING_384     REAL_VECTOR(384),   -- mitgeliefert, BGE-small-en    EMBEDDING_768     REAL_VECTOR(768)    -- berechnet in HANA, SAP_NEB); CREATE HNSW VECTOR INDEX HM_PRODUCTS_EMB768_IDX    ON HM_PRODUCTS (EMBEDDING_768) SIMILARITY FUNCTION COSINE_SIMILARITY;
    SAP HANA Cloud Central, Database Objects: Tabelle HM_PRODUCTS im Schema MATERIAL_VEKTOR_DEMO mit Spalten wie ARTICLE_ID, PRODUCT_CODE, PROD_NAME, PRODUCT_TYPE_NAME, COLOUR_GROUP_NAME und INDEX_GROUP_NAME.
    Die Tabelle HM_PRODUCTS in SAP HANA Cloud Central.
    SQL-Konsole mit SELECT TOP 1000 auf die Produkttabelle: Artikel wie Cora T-shirt, Gwen, Sara 3/4 und NT Maria 2-pack mit Produktart, Produktgruppe, Muster und Farbe.
    Auszug aus HM_PRODUCTS in der SQL-Konsole.
    Database Objects im Schema MATERIAL_VEKTOR_DEMO, Reiter Indexes: drei Indizes vom Typ HNSW VECTOR auf HM_PRODUCTS.
    HNSW-Vektorindizes auf HM_PRODUCTS. Die App nutzt den Index auf EMBEDDING_768.
  3. 1.3Das Embedding: SAP_NEB direkt in der Datenbank

    Warum eine zweite Vektorspalte? Der mitgelieferte Vektor hat zwei Haken. Erstens muss jede Suchanfrage mit demselben Modell eingebettet werden wie die Produkte. Jede Schicht vor der Datenbank, hier der iFlow, bräuchte also Zugriff auf BGE-small-en, als eigenen Dienst mit eigenem Betrieb. Zweitens versteht das Modell nur Englisch, im DACH-Raum ein K.-o.-Kriterium.

    EMBEDDING_768 löst beides. HANA berechnet die Vektoren mit der Funktion VECTOR_EMBEDDING und dem SAP-Modell SAP_NEB.20240715, das unter anderem Deutsch und Englisch versteht. Die Produkttexte sind als 'DOCUMENT' eingebettet, Suchanfragen werden zur Laufzeit als 'QUERY' eingebettet. Die Texte verlassen die Datenbank dabei nie, und keine Schicht davor braucht ein eigenes Sprachmodell.

    Herkunft der Werte in EMBEDDING_768
    VECTOR_EMBEDDING(TEXT_TO_EMBED, 'DOCUMENT', 'SAP_NEB.20240715')

    Wie groß der Unterschied ist, zeigt ein Vergleich deutscher Anfragen auf die englischen Produkttexte:

    SuchanfrageMitgelieferter Vektor (BGE-small-en, 384)Embedding in HANA (SAP_NEB, 768)
    schwarzes Sommerkleid✗Hosen (Stella Pull on TRS)✓SUMMER STRAP DRESS, Summer strap dress, DIV summer strap dress, alle schwarz
    warme Winterjacke für Herren✗Fleece-Overalls für Babys✓Home Parka, Douglas puffer, Skijacken aus Menswear
    gestreiftes Hemd fürs Büro✗Hosen, Pullover✗Weste, Hosen

    Das HANA-Embedding versteht sogar Zielgruppen wie „für Herren“. Die letzte Zeile zeigt die Grenze: Merkmale wie „gestreift“ erfasst ein Embedding allein nicht zuverlässig, dafür braucht es strukturierte Filter.

  4. 1.4Die Suchfunktionen

    Die gesamte Suchlogik steckt in zwei Tabellenfunktionen. Weil HANA auch die Anfrage selbst einbettet, nehmen beide nur Text entgegen und liefern die Treffer samt Attributen, Bild-URL und Score zurück.

    SEARCH_PRODUCTS_VECTOR ist die reine Vektorsuche über Cosine Similarity. SEARCH_PRODUCTS_HYBRID kombiniert sie mit einer unscharfen Keyword-Suche (CONTAINS … FUZZY) und verschmilzt beide Ranglisten per Reciprocal Rank Fusion. Das hilft bei Produkt- oder Serienbezeichnungen, die kein Sprachmodell kennt. Beide Funktionen laufen mit SQL SECURITY INVOKER, also mit den Rechten des Aufrufers.

    SEARCH_PRODUCTS_VECTOR (Kern)
    -- Suchtext einmal pro Aufruf einbetten, nicht pro ZeileDECLARE LV_QUERY_VECTOR REAL_VECTOR(768) =        VECTOR_EMBEDDING(:IV_QUERY_TEXT, 'QUERY', 'SAP_NEB.20240715'); SELECT ARTICLE_ID, COSINE_SIMILARITY(EMBEDDING_768, :LV_QUERY_VECTOR) AS SCORE  FROM HM_PRODUCTS ORDER BY SCORE DESC LIMIT :IV_TOP_K; -- AufrufSELECT * FROM MATERIAL_VEKTOR_DEMO.SEARCH_PRODUCTS_VECTOR('schwarzes Sommerkleid', 5);

Teil 2

Integration über die SAP Integration Suite

SAP Build Apps kann nicht per JDBC oder SQL direkt auf eine Datenbank zugreifen. Externe Daten bindet die App über Webschnittstellen wie REST und OData an, schließlich läuft sie im Browser oder auf dem Mobilgerät. Zwischen App und HANA braucht es deshalb einen Webservice. In diesem Szenario ist das ein iFlow in Cloud Integration: Er nimmt einen REST-Aufruf an, übersetzt ihn in einen kontrollierten SQL-Aufruf und liefert JSON zurück, mit Monitoring und Tracing für jede Nachricht. Ein CAP-Service wäre eine mögliche Alternative.

  1. 2.1Die JDBC-Datenquelle HANA_HM_READ

    Cloud Integration greift über die JDBC-Datenquelle HANA_HM_READ vom Typ SAP HANA Cloud auf die Datenbank zu. Dahinter steht der technische HANA-User HM_SEARCH_TECH. Er darf im Demo-Schema nur lesen und die Suchfunktionen ausführen (SELECT und EXECUTE), sein Passwort läuft nicht ab.

    Cloud Integration, Manage JDBC Material: Datenquelle HANA_HM_READ im Status Deployed, Datenbanktyp SAP HANA Cloud, User HM_SEARCH_TECH. E-Mail-Adresse und Host der JDBC-URL sind ausgeblendet.
    Die JDBC-Datenquelle HANA_HM_READ. E-Mail-Adresse und Datenbank-Host sind ausgeblendet.
  2. 2.2Der iFlow /hm-search: Text rein, JSON raus

    Der iFlow nimmt über einen HTTPS-Sender Anfragen der Form GET /http/hm-search?q=…&mode=vector|hybrid&top=… entgegen. Das Groovy-Skript Build SQL macht daraus den Funktionsaufruf, ein Request Reply führt ihn über den JDBC-Adapter aus, und ein zweites Skript wandelt die XML-Antwort in ein JSON-Array. Die Absicherung steckt im ersten Skript: Der Funktionsname kommt aus einer Whitelist, top ist auf 1 bis 20 begrenzt, und Apostrophe werden verdoppelt. Der Suchtext bleibt so immer ein reines String-Literal. Eine Suche dauert über den iFlow etwa 1,3 Sekunden im Vektor- und 1,6 Sekunden im Hybrid-Modus.

    Build SQL (Groovy, Auszug)
    String fn = params["mode"] == "hybrid" ? "SEARCH_PRODUCTS_HYBRID" : "SEARCH_PRODUCTS_VECTOR"top = Math.max(1, Math.min(top, 20))String literal = q.replace("'", "''")message.setBody("SELECT * FROM MATERIAL_VEKTOR_DEMO.${fn}(N'${literal}', ${top})")
    iFlow in Cloud Integration: HTTPS-Sender, Integration Process mit Start, Build SQL, Execute SQL mit JDBC-Verbindung zum Empfänger, XML to JSON und End.
    Der iFlow mit Build SQL, Execute SQL über JDBC und XML to JSON.
  3. 2.3Die Service-Instanz Process Integration Runtime

    Wer den iFlow von außen aufruft, braucht Zugangsdaten. Diese stellt eine Service-Instanz von SAP Process Integration Runtime mit dem Plan integration-flow und der Rolle ESBMessaging.send bereit. Ihr Service Key enthält Client-ID und Secret, nutzbar per OAuth oder per Basic Authentication.

    BTP Cockpit: Service-Instanz hm-search-runtime-skopek01 von SAP Process Integration Runtime, Plan integration-flow, Status Usable, Umgebung Cloud Foundry. Instance-ID und E-Mail-Adresse sind ausgeblendet.
    Die Service-Instanz Process Integration Runtime. Instance-ID und E-Mail-Adresse sind ausgeblendet.
  4. 2.4Die Destination HM_SEARCH_DEMO

    Die BTP Destination HM_SEARCH_DEMO ist die Brücke zur App. Sie zeigt auf die Runtime-URL mit dem Pfad /http und meldet sich mit Client-ID und Secret per Basic Authentication an. Die Properties AppgyverEnabled und HTML5.DynamicDestination machen sie für Build Apps nutzbar. Die App kennt damit weder Host noch Secret.

    BTP Cockpit, Destinations: Destination HM_SEARCH_DEMO vom Typ HTTP mit BasicAuthentication sowie den Additional Properties AppgyverEnabled und HTML5.DynamicDestination, beide true. Client-ID, Runtime-URL und eine weitere Destination sind ausgeblendet.
    Die Destination HM_SEARCH_DEMO. Client-ID, Runtime-Host und eine nicht zugehörige Destination sind ausgeblendet.

Teil 3

Die App in SAP Build Apps

  1. 3.1Die Data Entity products

    Die Web-App bindet die Destination als REST-Integration ein. Die Data Entity products bildet die Suche als Operation list ab. Ihr relativer Pfad ist eine Formel aus den drei Eingaben Suchtext, Modus und Trefferzahl, und der Response Mapper übernimmt das JSON-Array als Datensätze.

    Relative path and query (Formel)
    "/hm-search?q=" + ENCODE_FOR_URL(query.additionalInputs.q)  + "&mode=" + query.additionalInputs.mode  + "&top="  + query.additionalInputs.top
    SAP Build Apps, Data Entity products der Integration HM_SEARCH_DEMO: Operation list mit Formel im relativen Pfad, Methode GET, Response Mapper, Additional Inputs q, mode und top sowie Testantwort mit Status OK 200 und JSON-Ergebnis.
    Die Data Entity products mit Pfad-Formel, Additional Inputs und erfolgreichem Test (HTTP 200).
  2. 3.2Die Oberfläche und ihre Logik

    Die Oberfläche besteht aus Eingabefeld, Umschalter für den Hybrid-Modus, Button „Suchen“ und einem Ergebnisbereich mit Produktname, Attributen, Beschreibung und Bild.

    SAP Build Apps App Editor, Seite Home page: Titel, Eingabefeld, Umschalter Hybrid (Vektor + Keyword), Button Suchen, Ergebnisbereich mit Titel, zwei Textfeldern und Bild, darunter der Logic Canvas mit dem Ereignis Component tap.
    Die App im Editor von SAP Build Apps.

    Ein Klick auf „Suchen“ startet im Logic Canvas den Baustein Get record collection auf der Data Entity products. Er übergibt den Suchtext aus dem Eingabefeld und je nach Umschalter den Modus vector oder hybrid. Daraus entsteht ein REST-Aufruf, der über die Destination an den iFlow geht, wo HANA den Suchtext einbettet, die ähnlichsten Artikel ermittelt und als JSON zurückgibt. Die App legt den besten Treffer in einer Page-Variable ab, und weil Titel, Texte und Bild an diese Variable gebunden sind, erscheint das Ergebnis sofort.

    Ablauf beim Klick auf „Suchen“Anfrage: 1 Klick auf Suchen im Logic Canvas, 2 Get record collection mit Suchtext, Modus und top 1, 3 Destination HM_SEARCH_DEMO ergänzt Basic Auth, 4 iFlow baut das SQL und ruft HANA per JDBC auf, 5 die HANA-Funktion bettet den Suchtext ein und berechnet die Cosine Similarity. Antwort: 6 der iFlow wandelt das Ergebnis in JSON und gibt es über die Destination zurück, 7 die App speichert den besten Treffer in einer Page-Variable, 8 Titel, Texte und Bild zeigen den Treffer per Data Binding an.1Klick auf „Suchen“Ereignis Component tapim Logic Canvas2Get record collectionq = Eingabefeldmode = Umschalter, top = 13BTP DestinationHM_SEARCH_DEMOergänzt Basic Auth4iFlow /hm-searchBuild SQL (Groovy)JDBC-Aufruf an HANA5HANA-FunktionSuchtext einbettenCosine Similarity, Top 16JSON-AntwortiFlow wandelt XML in JSONRückweg über Destination7Page-Variablespeichert den besten Trefferrecords[0]8AnzeigeTitel, Texte und Bildper Data BindingTrefferJSON-Array
    Ablauf beim Klick auf „Suchen“: oben die Anfrage bis in die Datenbank, unten die Antwort zurück in die App.

    Die Schnittstelle liefert bis zu 20 Treffer, eine Ergebnisliste wäre also nur eine kleine Erweiterung. Weil die Bild-URLs des Datensatzes auf einen gelöschten S3-Bucket zeigen, zeigt die App einen Platzhalter mit der Produktart.

    Das Layout ist bewusst schlicht gehalten. Bei der App lag der Fokus nicht auf einer ansprechenden Gestaltung, sondern darauf, die Funktion des Szenarios von Ende zu Ende zu zeigen.

    Die App im Einsatz: zuerst eine Vektorsuche, dann eine Hybrid-Suche.

    Das Video zeigt Stärke und Grenze. „Dunkle Jacke für den Winter für Herren“ findet per Vektorsuche einen schwarzen Parka aus der Herrenabteilung. „Regenhose für Damen“ im Hybrid-Modus liefert dagegen eine Outdoor-Hose für Kinder: Die Keyword-Suche arbeitet auf englischen Texten und bringt bei deutschen Freitexten eher Rauschen.

    Insgesamt hat sich der Vektor-Modus in den Tests als der zuverlässigere erwiesen. Der Grund ist das mehrsprachige Modell, auf dem das Embedding in HANA beruht: Es erkennt die Bedeutung einer deutschen Anfrage und findet die passenden englischen Produkttexte. Die Keyword-Suche im Hybrid-Modus bleibt dagegen an die Sprache der Daten gebunden.

Fazit

Key Takeaways

  1. 1Suchlogik gehört in die Datenbank. Als Tabellenfunktion ist die Suche genau einmal definiert. Ob iFlow, CAP-Service oder ein KI-Agent per MCP: Alle rufen dieselbe Funktion auf, statt SQL zu duplizieren. Änderungen am Ranking wirken sofort für jeden Konsumenten, ein Modellwechsel erfordert nur neue Vektoren in der Datenbank.
  2. 2Embedding in HANA vereinfacht die Architektur. Mit VECTOR_EMBEDDING braucht keine Schicht davor ein eigenes Sprachmodell, und die Daten verlassen die Datenbank nicht. Das spart einen zusätzlichen Dienst samt Betrieb. Die Rechenzeit für den Erstaufbau großer Kataloge sollte man einplanen.
  3. 3Mehrsprachigkeit muss von Anfang an berücksichtigt werden. Ein rein englisches Modell scheitert an deutschen Anfragen und liefert Hosen statt Sommerkleider. Das mehrsprachige HANA-Modell findet die englischen Produkttexte dagegen meist treffsicher und versteht sogar Zielgruppen wie „für Herren“.
  4. 4Hybrid ist nicht automatisch besser. Keywords vergleichen Wörter, nicht Bedeutungen. Bei Produktnamen hilft das. Bei ganzen Sätzen treffen sie aber auch Füllwörter, und deutsche Anfragen auf englische Texte erzeugen Rauschen. Welche Suchart greift, sollte deshalb pro Anfrage entschieden werden.

Das Ergebnis ist eine semantische Produktsuche komplett auf SAP-Komponenten, ohne separate Vektordatenbank und ohne externen Embedding-Dienst.

Das Muster ist dabei keineswegs auf Webshops beschränkt, und Embeddings können mehr als suchen. Dieselben Bausteine, also VECTOR_EMBEDDING und COSINE_SIMILARITY, tragen ganz unterschiedliche Anwendungsfälle:

  • Semantische Suche: Inhalte werden nach Bedeutung statt nach exakten Begriffen gefunden. Neben der Produktsuche gilt das zum Beispiel für Materialstämme oder Ersatzteilkataloge, in denen Anwender beschreiben, was sie suchen, aber die genaue Bezeichnung nicht kennen.
  • Service Requests: Zu einem eingehenden Ticket werden automatisch die passenden FAQs, Dokumentationen oder ähnliche, bereits gelöste Tickets gefunden.
  • Semantic Threat Intelligence: Neue Sicherheitsmeldungen, Log-Einträge oder Threat-Reports werden mit bekannten Angriffsmustern und früheren Vorfällen verglichen, auch wenn Angreifer oder Analysten ganz andere Worte verwenden.
  • Klassifizierung: Statt nach dem ähnlichsten Dokument sucht man nach der ähnlichsten Kategorie. Dafür werden kurze Beschreibungen der Kategorien eingebettet, und jeder Text wird der Kategorie zugeordnet, deren Vektor ihm am nächsten liegt. Das funktioniert sogar ohne Trainingsdaten, zum Beispiel um Tickets automatisch einem Team zuzuweisen.
  • Sentimentanalyse: Ein Sonderfall der Klassifizierung mit Kategorien wie „positiv“, „neutral“ und „negativ“, etwa für Kundenfeedback, Produktbewertungen oder Service-Tickets.
Ein Mechanismus, viele AnwendungsfälleEin neuer Text, etwa eine Suchanfrage, ein Ticket, ein Log-Eintrag oder Kundenfeedback, wird in SAP HANA Cloud mit VECTOR_EMBEDDING in einen Vektor umgewandelt und per COSINE_SIMILARITY mit anderen Vektoren verglichen. Vergleicht man ihn mit Dokumenten, findet man die ähnlichsten Inhalte: semantische Suche, Service Requests, Semantic Threat Intelligence. Vergleicht man ihn mit eingebetteten Kategoriebeschreibungen, ordnet man ihn der nächsten Kategorie zu: Klassifizierung und Sentimentanalyse.EINGABENeuer Text• Suchanfrage „Dichtung Pumpe“• Ticket „VPN bricht ab“• Log-Eintrag, Threat-Report• Kundenfeedback, BewertungSAP HANA CLOUD1VECTOR_EMBEDDINGText → Vektor, mehrsprachigVektorraumDokumentKategorieneuer Text2COSINE_SIMILARITYnächste Vektoren findenFINDEN · VERGLEICH MIT DOKUMENTENSemantische SucheProdukte, Materialstämme, ErsatzteileService Requestspassende FAQs, Doku, gelöste TicketsSemantic Threat Intelligencebekannte Angriffsmuster, frühere VorfälleZUORDNEN · VERGLEICH MIT KATEGORIENKlassifizierungTicket → zuständiges Team, ohne TrainingsdatenSentimentanalysepositiv · neutral · negativ
Ein Mechanismus, zwei Muster: Ein neuer Text wird entweder mit vorhandenen Dokumenten verglichen, um die ähnlichsten Inhalte zu finden, oder mit eingebetteten Kategoriebeschreibungen, um ihn zuzuordnen.

Alle diese Fälle lassen sich mit derselben Architektur umsetzen: Embedding und Ähnlichkeitsberechnung direkt in SAP HANA Cloud, bereitgestellt über einen Webservice für Apps, Prozesse oder Agenten.

Quellen und Links

SAP, SAP HANA, SAP BTP, SAP Integration Suite und SAP Build sind Marken oder eingetragene Marken der SAP SE. H&M und alle weiteren genannten Produkt- und Firmennamen sind Marken ihrer jeweiligen Inhaber. Die Demo nutzt ausschließlich den öffentlichen Datensatz und steht in keiner Verbindung zum Unternehmen H&M. Der Beitrag gibt die persönliche fachliche Einschätzung des Autors wieder; Angaben zu Produkten Dritter erfolgen ohne Gewähr.

Interesse geweckt?

Vereinbaren Sie ein kostenloses Erstgespräch – unverbindlich und persönlich.

Kontakt aufnehmen