Haas Künstliche Intelligenz mit SAP

1. Auflage 2025
ISBN: 978-3-367-11260-9
Verlag: Rheinwerk
Format: EPUB
Kopierschutz: 0 - No protection

E-Book, Deutsch, 238 Seiten

Reihe: SAP Press

Entdecken Sie das Potenzial von Künstlicher Intelligenz für Ihr Unternehmen mit SAP! Dieses E-Book bietet einen Überblick über die KI-Werkzeuge und -Funktionen von SAP. Erfahren Sie, wie Sie KI-gestützte Lösungen für Ihre Geschäftsprozesse entwickeln und einsetzen können - von eingebetteter KI bis hin zu generativer KI.

Aus dem Inhalt:

• Strategische Bedeutung von KI
• Data Science und Machine Learning
• Embedded AI und Joule
• SAP Business AI
• Custom AI und Machine-Learning-Lifecycle
• Generative KI mit Large Language Models (LLMs
• SAP AI Core und SAP AI Launchpad
• KI-Agenten
• Anwendungsszenarien und Implementierungsbeispiele
• Governance und Best Practices

Larissa Haas ist SAP Cloud Solution Architect bei der sovanta AG und betreut in dieser Rolle seit fünf Jahren Projekte im Cloud-Umfeld. Ursprünglich als Data Scientist gestartet, liegen ihr besonders die Automation-Projekte mit KI und SAP Services wie SAP Build Process Automation oder dem GenAI Hub besonders am Herzen. Außerdem ist Larissa in der Python- und pyData-Community aktiv und reist für Roundnet-Turniere durch ganz Europa.

Autoren/Hrsg.

Haas, Larissa

Inhaltsverzeichnis

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  1.4 ... 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  2.2 ... Die neue Ära der Sprachmodelle: Was sind eigentlich LLMs? ... 39  2.3 ... Angewandte KI: Was bedeutet Data Science? ... 44  2.4 ... Zusammenfassung ... 52  3.  Embedded AI und Joule ... 55  3.1 ... KI in SAP-Cloud-Produkten ... 56  3.2 ... Joule -- der KI-Copilot von SAP ... 60  3.3 ... Document Grounding in Joule ... 63  3.4 ... Einrichtung von Joule in der SAP BTP ... 64  3.5 ... Zusammenfassung ... 66  4.  AI Services: KI-Lösungen für Geschäftsprozesse ... 69  4.1 ... SAP Document AI ... 70  4.2 ... Business Entity Recognition Service ... 76  4.3 ... Data Attribute Recommendation Service ... 80  4.4 ... Personalized Recommendation Service ... 84  4.5 ... SAP Translation Hub ... 89  4.6 ... Referenzarchitektur ... 93  4.7 ... Zusammenfassung ... 95  5.  Custom AI: kundenspezifische KI entwickeln ... 97  5.1 ... Anwendungsszenarien im SAP-Kontext ... 98  5.2 ... Was benötigt man für Custom AI? ... 101  5.3 ... Anforderungen an eine Arbeitsumgebung für Custom AI ... 105  5.4 ... Custom AI auf der SAP BTP mit dem SAP AI Launchpad und SAP AI Core ... 110  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  5.8 ... Zusammenfassung ... 135  5.9 ... Anhang ... 136  6.  Generative KI: SprachÂmodelle einsetzen ... 141  6.1 ... Large Language Models und ihre Unzulänglichkeiten ... 142  6.2 ... Generative AI Hub: Einsatz von LLMs und Embedding-Modellen ... 155  6.3 ... SAP HANA Cloud Vector Engine und Knowledge Graph DB ... 166  6.4 ... Joule Studio ... 170  6.5 ... Referenzarchitektur ... 175  6.6 ... Zusammenfassung ... 177  7.  Praktische Umsetzung ... 179  7.1 ... Kriterien eines guten Use Cases ... 180  7.2 ... Datenaufbereitung auf der SAP BTP ... 184  7.3 ... Arbeitsmethoden ... 187  7.4 ... Konkrete Implementierungsbeispiele ... 192  7.5 ... Bezahlmodelle ... 203  7.6 ... Ethische Aspekte von KI ... 212  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  8.6 ... Zusammenfassung ... 231  Das Autorenteam ... 233  Index ... 235

Leseproben

Kapitel 2

Kurze Einführung in künstliche Intelligenz

Um künstliche Intelligenz richtig einsetzen zu können, ist es wichtig, ihre Methoden und Begriffe zu kennen und zu verstehen. Dieses Kapitel gibt Ihnen einen groben Überblick über die verschiedenen Stufen der künstlichen Intelligenz sowie deren Relevanz im SAP-Kontext.

Künstliche Intelligenz, maschinelles Lernen und Data Science sind Begriffe, die in den vergangenen Jahren immer mehr in den Fokus der Öffentlichkeit gelangten. Das Feld ist jedoch nicht erst seit der Veröffentlichung von ChatGPT im Jahr 2022 spannend und interessant: Bereits im Jahr 2012 wurde der Beruf »Data Scientist« als »Sexiest Job of the 21st Century« bezeichnet (Quelle: Davenport/Patil, 2012, https://hbr.org/2012/10/data-scientist-the-sexiest-job-of-the-21st-century). Seitdem schossen neue Studiengänge aus dem Boden, und auch die Wirtschaft sieht sich gezwungen, im Bereich KI aufzurüsten.

Künstliche Intelligenz verspricht Arbeitserleichterungen und schnelle Effizienzsteigerungen – wer da nicht aufspringt, hat den Zug möglicherweise für immer verpasst. Doch die Welt der künstlichen Intelligenz scheint für Außenstehende oft sehr kompliziert: Es werden Fachbegriffe, Rollenbezeichnungen und Methoden in den Raum geworfen – oftmals ohne Erklärung. Dieses Kapitel nimmt Sie mit in die verzweigte Welt der künstlichen Intelligenz, ordnet Begriffe ein und vermittelt ein grundlegendes Verständnis, ohne dabei zu tief in die Mathematik einzusteigen. Dazu klären wir zunächst die grundlegenden Termini wie KI, Machine Learning oder Deep Learning. In einem kleinen Exkurs werden Sie auch lernen, was neuronale Netze eigentlich mit Large Language Models (LLMs) zu tun haben. Anschließend werfen wir einen Blick auf wichtige Data-Science-Konzepte, die uns im Laufe dieses Buches noch öfter begegnen werden: Prediction, Clustering, Classification und Extraction. Abschließend werden Sie lernen, worin der Unterschied zwischen »traditioneller« und generativer KI besteht und wie SAP diese Konzepte in verschiedenen Geschäftsmodellen nutzt und einordnet.

Geschichte der KI: frühe Anfänge (vor 1950) und mathematische Grundlagen

Die Geschichte der KI beginnt bereits im 18. Jahrhundert. Wir haben Ihnen eine Übersicht der wichtigsten Ereignisse und Grundlagen der frühen Anfänge zusammengestellt:

• 1763: Der Satz von Bayes wird veröffentlicht und bildet die Grundlage für probabilistische Modelle.

• 1805: Adrien-Marie Legendre entwickelt die Methode der kleinsten Quadrate, ein Verfahren zur linearen Regression.

• 1943: McCulloch und Pitts beschreiben ein Modell für ein künstliches Neuron, bekannt als McCulloch-Pitts-Zelle, das als Grundlage für spätere neuronale Netze dient.

2.1    Durchblick im Begriffsdschungel: Was ist KI überhaupt?

Data Science, Machine Learning, künstliche Intelligenz – wo diese Begriffe auch auftauchen, ist ihnen die Aufmerksamkeit gewiss. Nicht nur deshalb werden sie manchmal durcheinandergebracht und im falschen Kontext eingesetzt. In diesem Abschnitt erfahren Sie mehr darüber, was künstliche Intelligenz eigentlich ist und wie die Begriffe Machine Learning und Data Science dazugehören.

Die groben Zusammenhänge werden in Abbildung 2.1 anschaulich dargestellt. Künstliche Intelligenz ist der allumfassende Begriff und bezeichnet alle Arten autonomer kognitiver Entscheidungen. Mehr dazu erfahren Sie in Abschnitt 2.1.1. Dazu gehört unter anderem das maschinelle Lernen, bei dem es darum geht, mithilfe statistischer Methoden Zusammenhänge in großen Datensätzen zu finden. Werden dabei vielfach verschachtelte Netzwerke genutzt, nennt man dies Deep Learning. Der bekannteste Teilbereich des Deep Learning ist die generative KI, die in den vergangenen Jahren für viele Schlagzeilen gesorgt hat. All diese Begriffe werden wir in den folgenden Abschnitten genauer erläutern.

Abbildung 2.1     Verschiedene Definitionsstufen von künstlicher Intelligenz

2.1.1    Künstliche Intelligenz

Es ist äußerst schwierig, den Begriff künstliche Intelligenz zu definieren, wenn noch nicht einmal klar ist, was Intelligenz überhaupt bedeutet oder wo ihre Grenzen liegen. Eine mögliche Definition lautet:

Intelligenz in allgemeinster Ausprägung ist die Möglichkeit eines Systems, auf Eingangssignale seiner Umgebung so mit Ausgangssignalen zu reagieren, dass der Eigennutzen des Systems in der weiteren Interaktion mit der Umgebung erhöht wird.
(Quelle: Bundeszentrale für politische Bildung, 2023, Intelligenz und Bewusstsein. Oder: Ist KI wirklich KI?, https://www.bpb.de/shop/zeitschriften/apuz/kuenstliche-intelligenz-2023/541495/intelligenz-und-bewusstsein/)

Neben einer »logischen« Intelligenz sehen Forscher*innen z. B. noch viele weitere Ausprägungen: eine sprachliche, mathematische, sinnbezogene, emotionale oder soziale Intelligenz. Aufgrund dieser vielen verschiedenen Facetten können wir uns dem Begriff Intelligenz immer nur annähern.

Für dieses Buch wollen wir mit folgender Definition arbeiten: Künstliche Intelligenz (KI, aus dem Englischen Artificial Intelligence) ist ein Bereich der Informatik, der sich mit der Entwicklung von Systemen befasst, die menschenähnliche kognitive Fähigkeiten nachahmen. Aus welchem Bereich der Intelligenz diese kognitiven Fähigkeiten stammen, ist dabei erst einmal nicht so wichtig.

Wichtig ist, dass wir es mit Systemen zu tun haben, die aus mehreren Komponenten (etwa Modellen oder Algorithmen) bestehen können und autonom Informationen verarbeiten können. Wie dies geschieht und wie diese Systeme selbstständig lernen, erfahren Sie im nächsten Abschnitt.

Geschichte der KI: erste KI-Experimente und Machine Learning

Im 20. Jahrhundert nimmt die Geschichte der KI Fahrt auf:

• 1950: Alan Turing führt den Turing-Test ein, um die Fähigkeiten von Maschinen zu intelligentem Verhalten zu beurteilen.

• 1956: Auf der Dartmouth Conference wird der Begriff »Künstliche Intelligenz« geprägt, was als Geburtsstunde der KI-Forschung gilt.

• 1957: Frank Rosenblatt entwickelt das Perzeptron-Modell, ein einfaches neuronales Netz mit einer Schicht künstlicher Neuronen.

• 1969: Marvin Minsky und Seymour Papert zeigen die Grenzen einfacher neuronaler Netze auf, was zu einem vorübergehenden Rückgang des Interesses an neuronalen Netzen führt.

2.1.2    Maschinelles Lernen

Wie Sie in Abbildung 2.1 bereits gesehen haben, ist maschinelles Lernen (Machine Learning, ML) eine Teilmenge der KI und beschreibt Methoden, bei denen Computer aus Daten lernen, anstatt explizit programmiert zu werden. Traditionelle Algorithmen funktionieren wie ein Kochrezept: Indem Schritt für Schritt konkrete Anweisungen abgearbeitet werden, entsteht ein vorzeigbares Ergebnis. Diese Anweisungen müssen vorher von Programmierer*innen festgelegt werden.

Beim maschinellen Lernen erarbeitet sich das System anhand eines Optimierungsprozesses die notwendigen Modelle selbst, um ein Ergebnis zu liefern. In vielen Fällen handelt es sich dabei um eine Vorhersage.

Was ist ein Modell?

Ein Modell beschreibt die Abstraktion einer Situation in der Realität. Mithilfe von ML-Modellen sollen Annahmen über die Realität möglichst genau abgebildet werden – das ist jedoch je nach Situation mehr oder weniger schwierig. Mathematisch gesehen, spezifiziert ein Modell den statistischen Zusammenhang zwischen zwei Variablen.

In der Literatur werden drei unterschiedliche Ansätze des maschinellen Lernens unterschieden:

• überwachtes Lernen (Supervised Learning)

...

Über Autor(innen)

Haas, Larissa
Larissa Haas ist SAP Cloud Solution Architect bei der sovanta AG und betreut in dieser Rolle seit fünf Jahren Projekte im Cloud-Umfeld. Ursprünglich als Data Scientist gestartet, liegen ihr besonders die Automation-Projekte mit KI und SAP Services wie SAP Build Process Automation oder dem GenAI Hub besonders am Herzen. Außerdem ist Larissa in der Python- und pyData-Community aktiv und reist für Roundnet-Turniere durch ganz Europa.