1 Strategische Bedeutung von KI im Unternehmen

15

1.1 KI zwischen Hype und Realität: Wo stehen wir?

15

1.2 Die SAP Business Technology Platform als Fundament für KI

16

1.3 Die vier strategischen Zugänge zu KI im SAP-Ökosystem

18

1.3.1 Embedded AI: Intelligenz direkt im Standard

18

1.3.2 SAP AI Services: vortrainierte Modelle per Plug and Play

18

1.3.3 Generative KI: LLMs orchestrieren, verknüpfen und betreiben

19

1.3.4 Kundenspezifische KI: der Weg zur differenzierenden Intelligenz

20

1.4 Warum KI auf der SAP BTP ein strategischer Erfolgsfaktor ist

21

1.5 Herausforderungen im Unternehmen: Was KI-Initiativen heute bremst

22

1.6 Zusammenfassung

23

2 Kurze Einführung in künstliche Intelligenz

25

2.1 Durchblick im Begriffsdschungel: Was ist KI überhaupt?

26

2.1.1 Künstliche Intelligenz

28

2.1.2 Maschinelles Lernen

29

2.1.3 Deep Learning

34

2.2 Die neue Ära der Sprachmodelle: Was sind eigentlich LLMs?

39

2.2.1 Large Language Models (LLMs)

39

2.2.2 KI-Agenten

43

2.3 Angewandte KI: Was bedeutet Data Science?

44

2.3.1 Classification (Klassifikation)

46

2.3.2 Prediction (Vorhersage)

47

2.3.3 Clustering (Gruppierung ohne Labels)

48

2.3.4 Extraction (Merkmalsextraktion/Informationsextraktion)

49

2.3.5 Traditionelle KI vs. generative KI

50

2.4 Zusammenfassung

52

3 Embedded AI und Joule

55

3.1 KI in SAP-Cloud-Produkten

56

3.1.1 ESG Report Generation im SAP Sustainability Control Tower

59

3.2 Joule – der KI-Copilot von SAP

60

3.2.1 Transactional Capabilities

61

3.2.2 Navigational Capabilities

62

3.2.3 Informational Capabilities

62

3.3 Document Grounding in Joule

63

3.4 Einrichtung von Joule in der SAP BTP

64

3.4.1 Voraussetzungen für die Nutzung von Joule

64

3.4.2 Joule-Booster starten

65

3.5 Zusammenfassung

66

4 AI Services: KI-Lösungen für Geschäftsprozesse

69

4.1 SAP Document AI

70

4.1.1 Base Edition

71

4.1.2 Premium Edition

72

4.1.3 Nutzung und erste Schritte

74

4.1.4 Einsatzempfehlungen

75

4.2 Business Entity Recognition Service

76

4.2.1 Vortrainiertes Modell

77

4.2.2 Spezifisches Modell

78

4.2.3 Nutzung und erste Schritte

78

4.2.4 Pakete und Abrechnung

79

4.2.5 Einsatzempfehlungen

80

4.3 Data Attribute Recommendation Service

80

4.3.1 Funktionen

82

4.3.2 Nutzung und erste Schritte

82

4.3.3 Pakete und Abrechnung

83

4.3.4 Einsatzempfehlungen

84

4.4 Personalized Recommendation Service

84

4.4.1 Funktionen

85

4.4.2 Nutzung und erste Schritte

87

4.4.3 Pakete und Abrechnung

88

4.4.4 Einsatzempfehlungen

89

4.5 SAP Translation Hub

89

4.5.1 Funktionen

90

4.5.2 Nutzung und erste Schritte

91

4.5.3 Pakete und Abrechnung

92

4.5.4 Einsatzempfehlungen

93

4.6 Referenzarchitektur

93

4.7 Zusammenfassung

95

5 Custom AI: kundenspezifische KI entwickeln

97

5.1 Anwendungsszenarien im SAP-Kontext

98

5.1.1 Image Recognition: In Bildern steckt oft die Wahrheit

99

5.1.2 Time Series Analysis: ein Blick in die Zukunft

99

5.1.3 Natural Language Processing: das Spiel mit der Sprache

100

5.1.4 Weitere spezifische ML-Anwendungsfälle

100

5.2 Was benötigt man für Custom AI?

101

5.2.1 Wozu werden Metriken benötigt?

101

5.2.2 Ist ein Goldstandard erforderlich?

102

5.2.3 Ist ein Machine-Learning-Modell die beste Wahl?

103

5.2.4 Gibt es vortrainierte Modelle für Ihren Anwendungsfall?

104

5.3 Anforderungen an eine Arbeitsumgebung für Custom AI

105

5.3.1 Ort für Experimente

105

5.3.2 Versionskontrolle

106

5.3.3 Populäre Programmiersprachen

107

5.3.4 Arbeitsplattformen

108

5.4 Custom AI auf der SAP BTP mit dem SAP AI Launchpad und SAP AI Core

110

5.4.1 Workspaces in SAP AI Core und Übersicht der SAP-AI-Launchpad-Infrastruktur

111

5.4.2 Ansteuerung des SAP AI Core

112

5.4.3 Mögliche Benutzergruppen

113

5.4.4 Best Practices für die Arbeit mit SAP AI Core

114

5.4.5 Training auf SAP AI Core

116

5.4.6 Deployment auf SAP AI Core

120

5.4.7 Technischer Zugriff auf SAP AI Core über die API

122

5.4.8 Rechenkapazitäten und Kosten für SAP AI Core

124

5.5 Custom AI auf einem Kyma-Cluster auf der SAP BTP

127

5.6 Cloud Foundry auf der SAP BTP

128

5.7 Beispiel-Set-up für die Nutzung einer Custom AI

131

5.7.1 Kontext des Beispiels

131

5.7.2 Beispielarchitektur

132

5.8 Zusammenfassung

135

5.9 Anhang

136

5.9.1 Workflow Template

136

5.9.2 Serving Template

138

6 Generative KI: Sprach­modelle einsetzen

141

6.1 Large Language Models und ihre Unzulänglichkeiten

142

6.1.1 Few- und Zero-Shot Prompting

143

6.1.2 Feintuning

144

6.1.3 Retrieval-Augmented Generation

145

6.1.4 Knowledge Graph Retrieval

148

6.1.5 Function Calling und Joule als digitaler Assistent

149

6.1.6 KI-Agenten

151

6.1.7 Zusammenfassung und Vergleich

152

6.2 Generative AI Hub: Einsatz von LLMs und Embedding-Modellen

155

6.2.1 Generative AI Hub und AI Core

155

6.2.2 SAP AI Launchpad

157

6.2.3 Verfügbare LLMs

160

6.2.4 Embedding-Modelle

162

6.2.5 Python SDK

164

6.3 SAP HANA Cloud Vector Engine und Knowledge Graph DB

166

6.3.1 SAP HANA Built-in Embeddings

167

6.3.2 Effizientere Suche mit HNSW-Index

168

6.3.3 SAP HANA und Knowledge Graphs

169

6.4 Joule Studio

170

6.4.1 Tools

172

6.4.2 Best Practices

173

6.4.3 Beispielanwendungen

174

6.5 Referenzarchitektur

175

6.6 Zusammenfassung

177

7 Praktische Umsetzung

179

7.1 Kriterien eines guten Use Cases

180

7.1.1 Daten

180

7.1.2 Ziel

181

7.1.3 Prozess

181

7.1.4 Aufgabe

182

7.2 Datenaufbereitung auf der SAP BTP

184

7.3 Arbeitsmethoden

187

7.3.1 Machine Learning Lifecycle

187

7.3.2 Rollen

190

7.4 Konkrete Implementierungsbeispiele

192

7.4.1 Global Account und Subaccounts

192

7.4.2 Booster

193

7.4.3 SAP AI Services: Rechnungen verarbeiten

196

7.4.4 Custom AI: Zahlungsdatum vorhersagen mit SAP Business Data Cloud und Databricks oder Cloud Foundry

198

7.4.5 Custom AI: Unterschriften erkennen mit SAP AI Core

200

7.4.6 Generative KI: Mitarbeiter-Onboarding

201

7.5 Bezahlmodelle

203

7.5.1 Credits

203

7.5.2 AI Units

208

7.5.3 Berechnungshilfen

210

7.6 Ethische Aspekte von KI

212

7.6.1 Bias

215

7.6.2 Energieverbrauch

217

7.6.3 Leitlinien

218

7.7 Governance und Best Practices

218

7.8 Zusammenfassung

222

8 Ausblick: Wohin geht die Reise mit KI auf der SAP BTP?

225

8.1 Von Funktionen zu Erlebnissen: Joule als zentrales Interface

225

8.2 KI-Agenten: vom Use Case zur intelligenten Prozessinstanz

227

8.3 SAP Business Data Cloud: die Datenbasis für intelligente Systeme

228

8.4 Zusammenführung: eine neue Generation von Unternehmens- software

229

8.5 Was Sie in Ihrem Unternehmen jetzt tun sollten

230

8.5.1 Erstens: Schaffen Sie technologische Bereitschaft

230

8.5.2 Zweitens: Kompetenzen und Governance etablieren

231

8.5.3 Drittens: Pilotprojekte mit Agenten und generativer KI initiieren

231

8.6 Zusammenfassung

231