La potencia de procesamiento mejorada, los mejores algoritmos y la disponibilidad de big data están facilitando la implementación del aprendizaje automático para infundir inteligencia en los procesos administrativos y proporcionar una solución ERP inteligente.

SAP S/4 HANAla base de datos en memoria subyacente de , SAP HANA, aumenta la velocidad, combina datos analíticos y transaccionales y aporta innovación con capacidades integradas de aprendizaje automático. Por lo tanto, el aprendizaje automático se integra de forma nativa en SAP S/4HANA y se puede utilizar en toda una organización para optimizar las operaciones comerciales, mejorar la satisfacción laboral de los empleados y crear mejores servicios al cliente.

Con UX conversacional, la interacción de lenguaje natural está habilitada para SAP S/4HANA. Sin embargo, al incorporar capacidades de aprendizaje automático en SAP S/4HANA, se han resuelto varios desafíos importantes, como los siguientes:

• Cómo integrar el aprendizaje automático de forma sistemática en los procesos comerciales para facilitar el consumo: Los científicos de datos han creado modelos de aprendizaje automático durante décadas. Sin embargo, esos modelos a menudo residían en herramientas especiales, solo los consumían los expertos y, por lo tanto, agregaban un valor limitado.
• Cómo hacer que el aprendizaje automático esté listo para la empresa: En el contexto de SAP S/4HANA, la funcionalidad de aprendizaje automático fusionado debe estar lista para la empresa, lo que incluye cualidades como el cumplimiento, la gestión del ciclo de vida, la integración de datos y procesos, la gestión de la carga de trabajo y el rendimiento.

La arquitectura de la solución explicada en esta publicación proporciona respuestas para los desafíos descritos. Pero primero, presentamos alguna terminología básica relacionada con el aprendizaje automático.

En el aprendizaje automático, una función deseada se realiza mediante capacitación un matemático modelo con datos de muestra para que el modelo aprenda a producir los resultados deseados. Luego, el modelo entrenado se usa para calcular resultados, por ejemplo, predicciones o clasificaciones, a partir de datos de entrada reales. Se llama inferencia.

Arquitectura de aprendizaje automático

La arquitectura para el aprendizaje automático en SAP S/4HANA tiene dos sabores (ver la figura a continuación):

• Aprendizaje automático integrado, en el que la aplicación de aprendizaje automático se ejecuta en el backend de SAP S/4HANA
• Aprendizaje automático en paralelo con SAP Business Technology Platform (SAP BTP)

El aprendizaje automático integrado se adapta a casos de uso como la previsión, la categorización y las tendencias que se pueden resolver con algoritmos tradicionales, como la regresión, la agrupación en clústeres y el análisis de series temporales. Por lo general, esos algoritmos no asignan mucha memoria y tiempo de CPU. Por lo tanto, pueden implementarse dentro del backend de SAP S/4HANA, cerca de los datos de la aplicación para entrenar los modelos y los procesos comerciales que consumen los resultados. La arquitectura de aprendizaje automático integrada se basa en las capacidades de aprendizaje automático de SAP HANA, que proporciona los algoritmos necesarios como parte de la biblioteca de análisis predictivo (PAL) de SAP HANA y la biblioteca predictiva automatizada (APL) de SAP HANA.

Los casos de uso como el reconocimiento de imágenes, el análisis de sentimientos y el procesamiento del lenguaje natural requieren algoritmos de aprendizaje profundo basados ​​en redes neuronales. Para el entrenamiento de modelos, estos algoritmos suelen demandar un gran volumen de datos y tiempo de unidad de procesamiento de gráficos (GPU). Dichos escenarios se implementan junto con SAP S/4HANA en SAP BTP por varias razones:

• SAP BTP proporciona una infraestructura escalable para la formación e inferencia de aprendizaje automático basada en tecnología GPU. Proporciona bibliotecas de última generación como TensorFlow y scikit-learn.
• El rendimiento de SAP S/4HANA no se ve afectado por los trabajos de capacitación e inferencia, por lo que los procesos comerciales transaccionales no se ven afectados.
• Muchos de los escenarios relevantes funcionan con datos como imágenes, audios, documentos de texto, registros históricos y datos externos. Dichos datos normalmente no se almacenan en SAP S/4HANA sino en el lago de datos empresariales proporcionado por SAP BTP.

El aprendizaje automático requiere capacidades de visualización adicionales en la interfaz de usuario, por ejemplo, para ilustrar intervalos de confianza o gráficos de pronóstico. Por lo tanto, para incorporar capacidades de aprendizaje automático en las UI, se utilizan los elementos inteligentes de SAP Fiori correspondientes.

Aprendizaje automático integrado

La arquitectura de aprendizaje automático integrada se basa en vistas de CDS y utiliza las capacidades de aprendizaje automático proporcionadas por SAP HANA (consulte la siguiente figura). Los algoritmos para el aprendizaje automático integrado pueden tener un rendimiento intensivo porque, por lo general, deben procesar grandes volúmenes de datos de aplicaciones. Por lo tanto, para la optimización del rendimiento, los algoritmos deben procesarse cerca de los datos de la aplicación. SAP HANA contiene PAL y APL, que ofrecen algoritmos estadísticos y de minería de datos. Las funciones proporcionadas por estas bibliotecas se pueden llamar desde los procedimientos de la base de datos de SAP HANA que están escritos en SQLScript. Los algoritmos requieren datos de la aplicación como entrada para el entrenamiento del modelo. Estos datos se pueden leer desde las tablas de la aplicación o desde las vistas SQL que se crean para las vistas CDS del VDM en el nivel de la base de datos. Los modelos entrenados se exponen a los procesos comerciales al envolverlos con vistas de CDS para el aprendizaje automático. Estas vistas de CDS se basan en clases ABAP, que contienen ABAP-Procedimientos de bases de datos administradas (AMDP) que llaman al modelo de aprendizaje automático capacitado en SAP HANA. Las vistas de CDS para el aprendizaje automático se pueden combinar con otras vistas de VDM CDS y luego se pueden exponer a los consumidores. Al consumir modelos de aprendizaje automático a través de vistas de CDS, se reutiliza el contenido existente (p. ej., vistas de VDM) y conceptos como autorización, extensibilidad o integración de la interfaz de usuario. Esto da como resultado una arquitectura de solución simple y muy poderosa. Los resultados de la inferencia se integran en los procesos comerciales y se proporcionan a la persona adecuada, en el lugar adecuado y en el momento adecuado. La arquitectura de aprendizaje automático integrada se basa en vistas de CDS y utiliza las capacidades de aprendizaje automático proporcionadas por SAP HANA. Para la mayoría de los clientes de SAP, esto ya convierte a SAP S/4HANA en una solución inteligente sin necesidad de aprendizaje automático en paralelo, especialmente cuando el motor PAL/APL incorporado puede encontrar automáticamente el algoritmo de predicción.

Arquitectura de aprendizaje automático en paralelo

SAP BTP proporciona un lago de datos para datos comerciales. Por lo tanto, los datos de la aplicación se pueden extraer de SAP S/4HANA para el entrenamiento de modelos de aprendizaje automático. Como se ilustra en la figura a continuación, el preprocesamiento y el posprocesamiento de los datos de la aplicación se basan en canalizaciones. El motor de canalización orquesta canalizaciones de flujo de datos complejas y se basa en una infraestructura escalable proporcionada por SAP BTP, entorno Kubernetes. En función de los datos de aplicación disponibles, los científicos de datos realizan exploración e ingeniería de funciones para definir modelos de aprendizaje automático. Para esto, herramientas comunes de ciencia de datos como Jupyter Notebook y Pitón (ver https://jupyter.org) son compatibles. Para escenarios de aprendizaje profundo, SAP BTP proporciona una infraestructura de GPU.

Para implementar casos de uso de aprendizaje automático, las aplicaciones deben definir escenarios de aprendizaje automático y canalizaciones de modelos. SAP BTP organiza cada caso de uso de aprendizaje automático por escenario de aprendizaje automático de artefactos. Contiene todas las entidades de desarrollo que se requieren para la implementación de un caso de uso de aprendizaje automático específico. Los procesos de inferencia y entrenamiento se desarrollan como tuberías que comprenden tareas secuenciales y paralelas. En particular, para cada escenario de aprendizaje automático, se proporciona una canalización de entrenamiento que recibe los datos de entrenamiento de SAP S/4HANA y los procesa para entrenar los algoritmos para el caso de uso específico. Los datos estructurados son manejados por el operador de canalización para las vistas de CDS. Este operador de tubería extrae datos de aplicaciones de SAP S/4HANA según las vistas de CDS para algoritmos de entrenamiento. Las canalizaciones de entrenamiento e inferencia están expuestas por los servicios REST. Las aplicaciones SAP S/4HANA las invocan de forma remota y las integran en los procesos comerciales y las IU. Por lo tanto, las capacidades de aprendizaje automático se proporcionan como funcionalidad integrada. Del lado de SAP S/4HANA, el escenario inteligente es el artefacto correspondiente al escenario de aprendizaje automático de SAP BTP. El escenario inteligente es un artefacto en tiempo de diseño que representa un caso de uso de aprendizaje automático y contiene metadatos como el nombre y la descripción del caso de uso. En particular, abarca la clase ABAP que implementa la API de consumo del modelo de aprendizaje automático.

El marco de gestión del ciclo de vida del aprendizaje automático garantiza la integración y el funcionamiento uniformes de los escenarios de aprendizaje automático en paralelo. Para esto, el marco proporciona una funcionalidad genérica para el entrenamiento, la implementación y el monitoreo de modelos de aprendizaje automático en paralelo. Permite la integración armonizada de las capacidades de aprendizaje automático en los procesos comerciales de SAP S/4HANA mediante el suministro de interfaces estandarizadas que debe implementar la clase de lógica de aprendizaje automático ABAP.

Aprendizaje automático en aplicaciones SAP S/4HANA

Se han entregado numerosos casos de uso de aprendizaje automático para SAP S/4HANA. Esos casos de uso siguen patrones técnicos como el aprendizaje automático integrado y en paralelo, así como los siguientes patrones de aplicación de aprendizaje automático.

Pareo

Asigna relaciones y detecta similitudes y anomalías en un conjunto de datos determinado. La coincidencia manual requiere mucho tiempo para los usuarios, pero los sistemas inteligentes pueden acelerar significativamente las decisiones de coincidencia mediante el uso de métodos de aprendizaje automático. El sistema puede presentar una o más estrategias y sus cualidades para vincular objetos similares. Los usuarios solo necesitan aprobar, rechazar o ajustar las sugerencias a sus necesidades. Para desarrollar patrones coincidentes, los algoritmos de uso común incluyen XGBoost, perceptrón multicapa, k-means, k-vecinos más cercanos y redes neuronales.

Recomendación

Propone conjuntos de datos o acciones en función del contexto actual. Los sistemas inteligentes pueden ayudar a los usuarios recomendando contenido apropiado o sugiriendo una acción o entrada que el usuario prefiera. Las recomendaciones de contenido, entrada y solución son los tipos comunes. Los algoritmos típicos de aprendizaje automático utilizados en este contexto son el análisis social, XGBoost, el perceptrón multicapa, el análisis de texto y las redes neuronales recurrentes.

Clasificación

Distingue entre conjuntos de datos relevantes y menos relevantes del mismo tipo en relación con el contexto actual. Los elementos de un grupo se clasifican mediante la comparación de criterios que son relevantes para el contexto empresarial del usuario, como la cantidad, la prioridad o la puntuación. Diferenciamos entre una clasificación que utiliza un valor disponible y una clasificación basada en una puntuación de aprendizaje automático calculada. Los algoritmos típicos de aprendizaje automático utilizados en este contexto son XGBoost, k-means, modelo de mezcla gaussiana, k-vecinos más cercanos y redes neuronales.

Predicción

Predice datos y tendencias futuros en función de patrones identificados en datos anteriores, teniendo en cuenta toda la información potencialmente relevante. Los sistemas inteligentes basados ​​en modelos predictivos reducen significativamente el costo requerido para que las empresas pronostiquen los resultados comerciales, los factores ambientales, la inteligencia competitiva y las condiciones del mercado. Se diferencian las clases paramétricas y no paramétricas de modelos predictivos. Los algoritmos típicos de aprendizaje automático utilizados en este contexto son la regresión, los bosques aleatorios, los árboles de decisión y las redes neuronales.

Categorización

Asigna conjuntos de datos a grupos predefinidos (clases). También descubre nuevos grupos (clústeres) en los conjuntos de datos, como la agrupación de clientes en segmentos para ofertas de productos adecuadas, marketing dirigido o detección de fraudes. La categorización es una tarea compleja, de la cual los sistemas inteligentes pueden ayudar a aumentar el nivel de automatización mediante la aplicación de algoritmos de aprendizaje automático como clasificación, agrupamiento, XGBoost, kmeans y redes neuronales.

Experiencia de usuario conversacional

Interactúa con el sistema en base a una conversación en lenguaje natural. Poder tener una conversación con un asistente digital para procesos de negocio es una parte clave de la UX para una aplicación inteligente. La dirección estratégica en SAP es proporcionar un concepto y un marco uniformes para cada patrón de implementación. Por lo tanto, los equipos de desarrollo pueden aplicar los patrones de aplicación de aprendizaje automático como bloques de construcción reutilizables para acelerar la implementación de casos de uso de aprendizaje automático. Explicar todas las aplicaciones de aprendizaje automático proporcionadas por SAP S/4HANA iría más allá del alcance de esta publicación, pero enumeramos las 10 principales aplicaciones de aprendizaje automático en esta tabla.

Nota del editor: esta publicación ha sido adaptada de una sección del libro. Arquitectura SAP S/4HANA por Thomas Saueressig, Tobias Stein, Jochen Boeder y Wolfram Kleis.