Veri ve RAG · informational
HANA Cloud vektör motoru — RAG'in durduğu yer
SAP HANA Cloud vektör motoru, embedding'leri iş verisinin yanında tutarak RAG sorgusunu harici bir vektör veritabanına kaçırmadan çalıştırır. Bu sayfa indeks tasarımı, boyut uyumu ve CAP sorgu sınırını kararlaştırır. S/4 çekirdeğinde özel embedding tablosu açılmaz.
Vector tipi, boyut ve model uyumu
HANA Cloud VECTOR sütunu bir boyuta kilitlenir. Embedding modeli (Hub üzerinden veya seçilen model) 768, 1024 veya başka bir boyut üretiyorsa sütun ve sorgu aynı boyutta olmalıdır. Boyut kayması sessiz yanlış komşuluk üretir, hata fırlatmayabilir. Model değişince indeks rebuild edilir; 'yalnızca prompt değişti' diye geçiştirilmez. İstanbul teslimatı: sütun tanımı, boyut, model ID, rebuild runbook. REAL_VECTOR ve mesafe fonksiyonu (cosine/L2) seçimi kayıtlıdır. İş anahtarı (belge ID, ürün, sipariş) vektörle aynı satırda durur; yalnız vektör tutup anahtarı kaybetmek RAG'i körleştirir. KVKK: embedding PII taşıyabilir; indeks BTP/HANA Cloud bölgesinde kalır, dizüstü CSV'sine inmez.
- VECTOR sütun tanımı ve embedding boyutu
- Model ID ve boyut-kilit eşlemesi
- Rebuild runbook: model değişince indeks yenileme
ANN indeksi ve sorgu bütçesi
Tam tarama küçük koleksiyonda yeter; üretim belge korpusunda ANN (approximate nearest neighbor) indeksi gerekir. İndeks tipi, build süresi ve recall/latency dengesi ölçülmeden 'RAG yavaş' bileti açılmaz. Top-k, score eşiği ve metadata filtresi (şirket kodu, dil, geçerlilik tarihi) sorgu sözleşmesidir. Filtre vektörden sonra değil, mümkünse önce uygulanır. CAP, SQL veya cds view ile top-k alır, parçaları Hub prompt'una koyar. İstanbul ölçümü: p95 sorgu ms, recall@k örnek seti, indeks boyutu. HANA Cloud instance size, AI Core'dan bağımsız bir maliyettir; ikisini tek quota sanmak yanlıştır. Document grounding Hub pipeline'ı bazen kendi deposunu kullanır — iki indeks yarışmaz, süreç kartında biri seçilir.
- ANN indeks adı, build tarihi, top-k ve eşik
- Metadata filtresi: şirket, dil, geçerlilik
- p95 ms ve recall@k örnek set kaydı
Pipeline: chunk, yükleme, silme
İndeks sihirle dolmaz. Belge veya iş kaydı chunk'lanır, embed edilir, VECTOR satırına yazılır. Chunk boyutu (token) ve overlap, yanıt kalitesini modelden çok belirler. Silme: kaynak belge kalkınca vektör satırı kalırsa Joule uydurma atıf üretir. Upsert anahtarı kaynak URI + chunk no'dur. Job, Integration Suite veya CAP worker ile koşar; S/4 batch job'u embed etmez. İstanbul artefakt: pipeline diyagramı, chunk parametresi, tombstone/silme job'u. sap-rag-document-grounding Hub'ın yönetilen pipeline'ını anlatır; bu sayfa HANA'da sizin yönettiğiniz indekstir. Karar: yönetilen grounding mi, HANA vektör mü — ikisi birden varsayılan değildir. Embedding boyutu değişince indeks yeniden kurulur; sessiz model değişimi RAG’i sessizce bozar, Launchpad health maddesine yazılır.
- Chunk boyutu/overlap ve upsert anahtarı
- Silme/tombstone job: kaynak gidince vektör gitmeli
- Karar kaydı: HANA vektör vs Hub document grounding
Sık sorulanlar
S/4 HANA on-prem vektör motoru ile aynı mı?
Bu sayfa SAP HANA Cloud vector engine içindir. On-prem çekirdekte embedding tablosu açmak clean-core ve operasyon açısından ayrı bir anti-pattern'dir. RAG BTP/HANA Cloud'da durur.
Pinecone veya harici vektör DB şart mı?
SAP landscape'inde HANA Cloud vektör çoğu RAG için yeterlidir. Harici DB ek kimlik, KVKK ve dest demektir. İhtiyaç kanıtlanmadan eklenmez.
Bu konuyu ortamınızda netleştirmek için 48 saatlik ön değerlendirme.
Lisans satmıyoruz. Destination, yetki ve model kararını yazılı notlarız.