SAP-Geschäfts-anwendung
Die SAP-Geschäftsanwendung stellt den fachlichen Prozess und relevanten Kontext bereit.
Dabei kann es sich beispielsweise um einen Prozess aus folgenden Bereichen handeln:
- Einkauf
- Finanzwesen
- Service
- Vertrieb
Know-how · ISLM
ISLM: Intelligent Scenario Lifecycle Management
Künstliche Intelligenz entfaltet ihren Nutzen in Unternehmen vor allem dann, wenn ihre Ergebnisse nicht isoliert bleiben, sondern direkt in Geschäftsprozesse einfließen. Genau hier setzt Intelligent Scenario Lifecycle Management, kurz ISLM, an.
- Erfahren Sie, wie ISLM KI- und Machine-Learning-Szenarien in SAP S/4HANA erstellt, integriert und verwaltet
- Lernen Sie, wie klassische Machine-Learning-Verfahren und generative KI in bestehende SAP-Geschäftsprozesse eingebunden werden
Embedded
Side-by-Side
SAP HANA Machine Learning
Weiterführende Beiträge
Mehr Know-how zu künstlicher Intelligenz (KI)
Erfahren Sie, wie künstliche Intelligenz Geschäftsprozesse automatisiert, Entscheidungen unterstützt und neue Potenziale für Effizienz und Innovation erschließt.
Inhaltsverzeichnis
- Was ist ISLM?
- Wofür steht ISLM?
- Welche Ziele verfolgt SAP ISLM?
- Wie funktioniert ISLM?
- Was ist ein intelligentes Szenario in SAP?
- ISLM und generative KI
- Wie werden LLMs in SAP S/4HANA integriert?
- Welche SAP-Fiori-Apps gehören zu ISLM?
- Embedded vs. Side-by-Side
- SAP HANA Machine Learning mit APL und PAL
- ISLM und SAP AI Core
- Wie läuft der Lifecycle eines intelligenten Szenarios ab?
- Welche Vorteile bietet ISLM?
- Welche Voraussetzungen gibt es?
- Welche Einsatzmöglichkeiten gibt es?
- Wann ist ISLM die richtige Lösung?
- Best Practices
- Schritt-für-Schritt-Einführung
- Fazit
- FAQ
Was ist ISLM?
ISLM steht für Intelligent Scenario Lifecycle Management. Es handelt sich um ein standardisiertes Self-Service-Framework für das Lifecycle Management intelligenter Szenarien innerhalb von SAP. Ein intelligentes Szenario beschreibt dabei einen konkreten KI- oder Machine-Learning-Anwendungsfall innerhalb einer Geschäftsanwendung.
Das Szenario definiert unter anderem:
welche Geschäftsdaten verwendet werden
welches Modell oder welcher KI-Service eingebunden wird
welche Eingabewerte erforderlich sind
welche Ergebnisse das Modell liefert
wie das Modell trainiert wird
wie es bereitgestellt wird
und wie seine Ergebnisse innerhalb des Geschäftsprozesses verwendet werden
Damit bildet ISLM eine Verbindung zwischen einem fachlichen Anwendungsfall in SAP und der zugrunde liegenden KI- beziehungsweise Machine-Learning-Technologie.
Der wesentliche Ansatz besteht darin, unterschiedliche KI-Technologien über einen einheitlichen Rahmen zu verwalten und ihre Ergebnisse in SAP-S/4HANA-Prozesse einzubinden.
Wofür steht ISLM?
Die Abkürzung ISLM steht für: Intelligent Scenario Lifecycle Management.
Der Name beschreibt bereits den zentralen Zweck des Frameworks: den gesamten Lebenszyklus intelligenter Szenarien strukturiert zu verwalten. Zu den zentralen Lifecycle-Funktionen gehören:
- Erstellen eines intelligenten Szenarios
- Konfigurieren der Ein- und Ausgabedaten
- Trainieren eines Machine-Learning-Modells
- Bereitstellen des Modells
- Aktivieren einer Modellversion
- Ausführen von Inferenz- beziehungsweise Vorhersageaufrufen
- Überwachen und Aktualisieren der verwendeten Modelle
Wichtig für die Einordnung ist: ISLM ist selbst kein Machine-Learning-Modell. Das Framework verwaltet vielmehr intelligente Szenarien und verbindet den fachlichen SAP-Anwendungsfall mit der jeweils eingesetzten KI-Technologie.
Welche Ziele verfolgt SAP ISLM?
Das zentrale Ziel von ISLM ist die strukturierte Integration künstlicher Intelligenz in SAP-Geschäftsprozesse. Anstatt KI-Funktionen ausschließlich in externen Anwendungen zu betreiben, können Vorhersagen, Empfehlungen oder generierte Inhalte unmittelbar innerhalb einer SAP-Anwendung bereitgestellt werden.
Unternehmen können intelligente Szenarien in SAP beispielsweise einsetzen, um:
Lieferverzögerungen vorherzusagen
Absatz- oder Verbrauchsmengen zu prognostizieren
Belege automatisiert zu klassifizieren
Anomalien in Finanzdaten zu erkennen
Qualitätsmeldungen automatisch zu analysieren
Geschäftstexte zusammenzufassen
Handlungsempfehlungen zu generieren
Informationen aus unstrukturierten Inhalten zu extrahieren
generative KI-Assistenten in SAP-Prozesse einzubinden
Der Mehrwert entsteht damit nicht allein durch eine technisch funktionierende Vorhersage oder einen generierten Text. Entscheidend ist, dass das Ergebnis mit einer konkreten Geschäftsentscheidung oder Prozessaktivität verbunden wird.
Wie funktioniert ISLM?
ISLM stellt einen einheitlichen Rahmen zwischen dem Geschäftsprozess und der eingesetzten KI- beziehungsweise Machine-Learning-Technologie bereit. Ein Szenario kann dabei unterschiedliche Technologien nutzen.
Dazu zählen beispielsweise:
SAP HANA Automated Predictive Library
SAP HANA Predictive Analysis Library
SAP AI Core
Generative AI Hub
SAP-BTP-KI-Services
externe Machine-Learning-Services
kundenspezifische Modelle
Welche Architektur geeignet ist, hängt vom konkreten Anwendungsfall ab. Ein klassisches Prognosemodell auf strukturierten SAP-Daten stellt beispielsweise andere Anforderungen als ein LLM, das längere Geschäftsdokumente zusammenfassen soll.
Was ist ein intelligentes Szenario in SAP?
Ein intelligentes Szenario beschreibt einen definierten KI- oder Machine-Learning-Anwendungsfall. Es verbindet fachliche Anforderungen mit der technischen Umsetzung.
Ein solches Szenario legt beispielsweise fest:
welche Daten benötigt werden
welcher Provider verwendet wird
welches Modell zum Einsatz kommt
welche Eingaben übergeben werden
welche Ausgaben erwartet werden
wie Trainingsdaten aussehen
wie das Modell bereitgestellt wird
wie die Ergebnisse anschließend im Prozess verwendet werden
Unternehmen können dadurch sowohl von SAP bereitgestellte als auch eigene kundenspezifische Szenarien verwalten.
ISLM und generative KI in SAP
Neben klassischen Machine-Learning-Anwendungsfällen unterstützt ISLM auch generative KI in SAP. Über die Integration mit dem Generative AI Hub in SAP AI Core können SAP-Anwendungen auf große Sprachmodelle zugreifen. Der Generative AI Hub stellt dafür einen zentralen und kontrollierten Zugang zu verschiedenen generativen KI-Modellen bereit.
Damit können beispielsweise folgende Funktionen in SAP S/4HANA integriert werden:
Zusammenfassungen längerer Geschäftsdokumente
Generierung von Antwortvorschlägen
Extraktion relevanter Informationen
Klassifikation von Texten
Formulierung von Erläuterungen
semantische Analyse von Geschäftsinhalten
Erstellung kontextbezogener Empfehlungen
ISLM ist dabei nicht selbst das Sprachmodell. Das Framework stellt vielmehr die Verbindung zwischen SAP S/4HANA, dem fachlichen Anwendungsszenario und der KI-Infrastruktur her.
Die eigentliche Modellausführung kann beispielsweise über den Generative AI Hub in SAP AI Core erfolgen.
Wie funktioniert die Integration eines LLM in SAP S/4HANA?
Bei einem generativen KI-Szenario greifen mehrere Komponenten ineinander.
Intelligent Scenario Lifecycle Management
ISLM verwaltet das intelligente Szenario sowie dessen fachliche und technische Konfiguration.
Das Framework stellt eine standardisierte Verbindung zur jeweiligen KI-Infrastruktur her.
ABAP AI SDK
Für ABAP-basierte Anwendungen kann das ABAP AI SDK eingesetzt werden.
Es unterstützt Entwickler dabei, generative KI-Funktionen und LLM-Aufrufe in ABAP-Anwendungen zu integrieren.
Generative AI Hub
Der Generative AI Hub ist eine Funktion von SAP AI Core und SAP AI Launchpad.
Er ermöglicht den kontrollierten Zugriff auf generative KI-Modelle unterschiedlicher Anbieter innerhalb einer für Unternehmen ausgelegten Laufzeitumgebung.
Large Language Model
Das ausgewählte LLM verarbeitet den übergebenen Kontext und erzeugt das gewünschte Ergebnis.
Das kann beispielsweise sein:
- eine Zusammenfassung
- eine Klassifikation
- eine Antwort
Anschließend wird das Ergebnis an die SAP-Geschäftsanwendung zurückgegeben und dort im jeweiligen Prozess genutzt.
Welche SAP-Fiori-Apps gehören zum ISLM-Framework?
Das ISLM-Framework umfasst zwei zentrale SAP-Fiori-Apps. Beide erfüllen unterschiedliche Aufgaben innerhalb des Lifecycles.
App „Intelligente Szenarios“
Die App „Intelligente Szenarios“ dient der Erstellung, Konfiguration, Prüfung und Veröffentlichung intelligenter Szenarien.
Unternehmen können damit unter anderem:
- vorhandene intelligente Szenarien anzeigen
- kundenspezifische Szenarien erstellen
- eingebettete Szenarien konfigurieren
- Side-by-Side-Szenarien konfigurieren
- Modelle und Provider zuordnen
- Ein- und Ausgabefelder definieren
- Trainings- und Anwendungsdaten festlegen
- Szenarien prüfen
- Szenarien veröffentlichen
Damit bildet die App vor allem die Entwicklungs- und Konfigurationsebene.
SAP-Fiori-App-ID: F4469
App „Intelligentes Szenario-Management“
Die App „Intelligentes Szenario-Management“ wird für den operativen Betrieb veröffentlichter Szenarien eingesetzt.
Abhängig vom Szenariotyp lassen sich damit unter anderem:
- Machine-Learning-Modelle trainieren
- Trainingsläufe überprüfen
- Modellversionen bereitstellen
- Modelle aktivieren
- aktive Modellversionen deaktivieren
- nicht mehr benötigte Bereitstellungen entfernen
- Zugriffspunkte für Inferenzaufrufe verwalten
Diese App bildet damit die Betriebs- und Lifecycle-Ebene.
SAP-Fiori-App-ID: F4470
Embedded oder Side-by-Side: Welche ISLM-Architekturen gibt es?
ISLM unterscheidet abhängig vom Betriebsort der Geschäftsanwendung und des Machine-Learning-Providers zwei grundlegende Szenariotypen:
eingebettete Szenarien
Side-by-Side-Szenarien
Die Entscheidung beeinflusst unter anderem die verwendeten Technologien, Datenwege, Integrationen und den Modellbetrieb.
Was sind eingebettete ISLM-Szenarien?
Bei einem eingebetteten Szenario werden Geschäftsanwendung und Machine-Learning-Funktionen im gleichen technischen Stack betrieben. Ein typisches Beispiel ist SAP S/4HANA in Verbindung mit den Machine-Learning-Bibliotheken der SAP-HANA-Datenbank.
Insbesondere können verwendet werden:
SAP HANA Automated Predictive Library (APL)
SAP HANA Predictive Analysis Library (PAL)
Ein Vorteil dieser Architektur besteht darin, dass Geschäftsdaten nicht zwingend an eine externe Plattform übertragen werden müssen. Berechnungen können nahe an den operativen Daten innerhalb von SAP HANA erfolgen.
Eingebettete Szenarien eignen sich beispielsweise für:
Klassifikationen
Regressionsmodelle
Prognosen
Trendanalysen
Anomalieerkennung
Vorhersagen auf Basis strukturierter SAP-Daten
Welche Rolle spielt SAP HANA Machine Learning?
SAP HANA Machine Learning kann innerhalb eingebetteter Szenarien eingesetzt werden. Besonders relevant sind dabei APL und PAL.
SAP HANA Automated Predictive Library – APL
Die SAP HANA Automated Predictive Library unterstützt eine weitgehend automatisierte Entwicklung prädiktiver Modelle.
APL übernimmt verschiedene Schritte des Machine-Learning-Prozesses, darunter beispielsweise:
- Auswahl geeigneter Modellansätze
- Verarbeitung relevanter Merkmale
Die Bibliothek eignet sich insbesondere für Anwender, die standardisierte Vorhersagemodelle erstellen möchten, ohne sämtliche Modellierungsschritte selbst entwickeln zu müssen.
SAP HANA Predictive Analysis Library – PAL
Die SAP HANA Predictive Analysis Library stellt eine umfangreiche Sammlung statistischer und analytischer Algorithmen bereit.
PAL ermöglicht mehr technische Gestaltungsmöglichkeiten und eignet sich insbesondere für komplexere oder individuell konfigurierte Machine-Learning-Szenarien.
Die Nutzung setzt in der Regel ein tieferes Verständnis der verwendeten Algorithmen und Datenmodelle voraus.
Was sind Side-by-Side-Szenarien?
Bei Side-by-Side-Szenarien werden die Geschäftsanwendung und der KI- beziehungsweise Machine-Learning-Provider in unterschiedlichen technischen Stacks betrieben.
Beispielsweise kann SAP S/4HANA im eigenen System betrieben werden, während das KI-Modell auf der SAP Business Technology Platform ausgeführt wird.
Mögliche Provider und Komponenten sind:
SAP AI Core
Generative AI Hub
SAP-BTP-KI-Services
externe Machine-Learning-Services
kundenspezifische Modelle
spezialisierte Cloud- oder Hyperscaler-Dienste
Side-by-Side-Szenarien eignen sich insbesondere für:
Natural Language Processing
Dokumentenanalyse
Bildanalyse
Deep Learning
Sentiment-Analysen
generative Textverarbeitung
LLM-basierte Assistenzfunktionen
kundenspezifische Python-Modelle
Die Bereitstellung eines Modells ist hier besonders relevant, da es auf externer Infrastruktur ausgeführt und anschließend für SAP S/4HANA aktiviert wird.
Embedded vs. Side-by-Side im Vergleich
Embedded:
- Ausführungsort: SAP-HANA- beziehungsweise SAP-S/4HANA-Stack
- Typische Technologien: SAP HANA APL und PAL
- Daten: häufig strukturierte SAP-Geschäftsdaten
- Typische Modelle: Klassifikation, Regression und Prognosen
- Datenübertragung: häufig keine Übertragung aus dem Stack erforderlich
- Stärke: HANA-nahe Anwendungsfälle
- Architektur: vergleichsweise kompakt
Side-by-Side:
- Ausführungsort: externe KI- oder ML-Infrastruktur
- Typische Technologien: SAP AI Core, Generative AI Hub oder externe Services
- Daten: strukturierte und unstrukturierte Daten
- Typische Modelle: LLMs, Deep Learning, Dokumenten- und Bildanalyse
- Datenübertragung: abhängig von Architektur und Anwendungsfall
- Stärke: hohe Flexibilität bei Modellen und Services
- Architektur: zusätzliche Plattform- und Integrationskomponenten erforderlich
ISLM und SAP AI Core – was ist der Unterschied?
ISLM und SAP AI Core sind keine konkurrierenden Lösungen. Beide übernehmen unterschiedliche Aufgaben innerhalb einer gemeinsamen KI-Architektur. SAP AI Core stellt eine skalierbare Laufzeitumgebung für KI- und Machine-Learning-Modelle auf der SAP Business Technology Platform bereit.
Während SAP AI Core die technische Ausführung und Orchestrierung von Modellen übernimmt, stellt ISLM die Verbindung zum Geschäftsprozess in SAP S/4HANA her.
Vereinfacht lassen sich die Aufgaben so abgrenzen:
Geschäftsprozess und Geschäftsdaten
Definition und Lifecycle des intelligenten Szenarios
Ausführung und Betrieb von KI-Modellen
Kontrollierter Zugang zu generativen KI-Modellen
Zentrale Verwaltung und Überwachung von KI-Szenarien auf der BTP
Integration generativer KI in ABAP-Anwendungen
Wie läuft der Lifecycle eines intelligenten Szenarios ab?
Ein ISLM-Projekt durchläuft üblicherweise mehrere Phasen.
1
1. Geschäftlichen Anwendungsfall definieren
Am Anfang steht nicht die Technologie, sondern ein fachliches Problem. Es sollte geklärt werden, welche Entscheidung oder welcher Geschäftsprozess durch KI unterstützt werden soll.
Ein geeigneter Use Case benötigt:
- ein konkretes fachliches Problem
- verfügbare und geeignete Daten
- ein messbares Ergebnis
- einen klar definierten Prozessnutzen
2
2. Szenariotyp auswählen
Anschließend wird entschieden, ob ein Embedded- oder Side-by-Side-Szenario besser geeignet ist.
Entscheidungskriterien sind unter anderem:
- Art und Umfang der Daten
- eingesetzte SAP-Version
- benötigte Algorithmen
- Anforderungen an generative KI
- Datenschutz
- Informationssicherheit
- Skalierbarkeit
- vorhandene BTP- und AI-Core-Services
3
3. Intelligentes Szenario konfigurieren
In der App „Intelligente Szenarios“ werden unter anderem:
- Provider,
- Modell,
- Eingabeparameter,
- Ausgabewerte
konfiguriert.
Bei klassischen Machine-Learning-Szenarien werden außerdem Trainings- und Anwendungsdaten definiert.
4
4. Szenario veröffentlichen
Nach Abschluss der Konfiguration wird das Szenario geprüft und veröffentlicht. Erst danach kann es im intelligenten Szenario-Management operativ verwaltet werden.
5
5. Modell trainieren
Bei trainierbaren Machine-Learning-Szenarien wird auf Basis historischer Daten ein Modell erzeugt.
Für das Training sollten fachlich geeignete, vollständige und repräsentative Daten verwendet werden.
6
6. Modell bereitstellen
Bei Side-by-Side-Szenarien wird das trainierte Modell auf der jeweiligen Infrastruktur bereitgestellt.
Dadurch entsteht ein technisch erreichbarer Endpunkt für spätere Inferenzaufrufe.
7
7. Modell aktivieren
Eine geeignete Modellversion wird für den produktiven Einsatz aktiviert.
Die Geschäftsanwendung kann anschließend Vorhersagen beziehungsweise KI-Ergebnisse abrufen.
8
8. Ergebnis in den Geschäftsprozess integrieren
Hier entsteht die eigentliche Wertschöpfung.
Das Ergebnis kann beispielsweise:
- in einer SAP-Fiori-App angezeigt,
- für eine Priorisierung eingesetzt,
- an einen Workflow übergeben,
- in einer Geschäftsregel verarbeitet,
- als Entscheidungsvorschlag dargestellt,
- für eine Automatisierung genutzt werden.
9
9. Qualität überwachen und Modell aktualisieren
Machine-Learning-Modelle können mit der Zeit an Vorhersagequalität verlieren. Mögliche Ursachen sind Veränderungen bei:
- Daten
- Produkten
- Kundenstrukturen
- Geschäftsprozessen
Deshalb sollten Unternehmen Modellqualität, Nutzung und fachlichen Nutzen regelmäßig überprüfen und Modelle bei Bedarf neu trainieren oder austauschen.
Welche Vorteile bietet ISLM?
ISLM bietet einen strukturierten Rahmen für unterschiedliche KI-Szenarien innerhalb von SAP.
Einheitliches Lifecycle Management
ISLM standardisiert Erstellung, Training, Bereitstellung und Aktivierung intelligenter Szenarien.
Direkte Integration in SAP S/4HANA
KI-Ergebnisse können unmittelbar in Anwendungen und Geschäftsprozessen von SAP S/4HANA verwendet werden.
Unterstützung verschiedener KI-Technologien
Unternehmen können sowohl SAP-HANA-basierte Machine-Learning-Modelle als auch externe KI-Services und generative Sprachmodelle einbinden.
Zentrale Verwaltung
Von SAP bereitgestellte und kundenspezifische intelligente Szenarien lassen sich über eine gemeinsame Oberfläche verwalten.
Wiederverwendbare Integration
Einmal eingerichtete Verbindungen zu KI-Plattformen und Providern können für unterschiedliche Anwendungsszenarien verwendet werden.
Governance und Kontrolle
Modelle und Szenarien können kontrolliert:
- veröffentlicht,
- bereitgestellt,
- aktiviert,
- deaktiviert
werden.
Erweiterbarkeit
Unternehmen sind nicht ausschließlich auf von SAP bereitgestellte Szenarien beschränkt. Sie können eigene unternehmensspezifische KI-Anwendungsfälle entwickeln.
Welche Voraussetzungen gibt es für SAP ISLM?
Die konkreten Voraussetzungen hängen von:
SAP-S/4HANA-Version
Betriebsmodell
gewähltem Szenariotyp
ab.
Typischerweise sollten Unternehmen folgende Punkte prüfen:
verfügbare ISLM-Funktionen der jeweiligen SAP-Version
erforderliche SAP-Fiori-Rollen und Berechtigungen
aktivierte OData- und UI-Services
SAP-HANA-Revision
verfügbare Machine-Learning-Bibliotheken
technische Verbindung zum externen KI-Provider
vorhandene SAP-BTP-Subaccounts
Einrichtung von SAP AI Core
Zugriff auf den Generative AI Hub
Kommunikationsszenarien und Kommunikationssysteme
Datenschutzanforderungen
Informationssicherheitsanforderungen
Berechtigungs- und Governance-Konzept
Bei der Integration des Generative AI Hub können abhängig von SAP-Produkt und Release zusätzliche Kommunikations- und Konfigurationsschritte notwendig sein.
Ist für ISLM eine zusätzliche Lizenz erforderlich?
Nach den im Ausgangsmaterial enthaltenen SAP-Produktinformationen wird ISLM grundsätzlich als Bestandteil von SAP S/4HANA bereitgestellt. Für das Framework selbst ist demnach üblicherweise keine eigenständige zusätzliche ISLM-Lizenz erforderlich. Zusätzliche Kosten oder Lizenzen können jedoch für angebundene Komponenten entstehen.
Dazu können beispielsweise gehören:
SAP AI Core
SAP AI Launchpad
Verbrauch generativer KI-Modelle
SAP-BTP-KI-Services
Hyperscaler-Modelle
zusätzliche Datenservices
zusätzliche Integrationsservices
Vor der Umsetzung sollte daher neben der technischen Verfügbarkeit von ISLM auch das Lizenz- und Verbrauchsmodell der benötigten KI-Services geprüft werden.
Welche Einsatzmöglichkeiten gibt es für ISLM?
Die Einsatzmöglichkeiten hängen vom jeweiligen Geschäftsprozess, den verfügbaren Daten und der eingesetzten KI-Technologie ab.
ISLM im Finanzwesen
Mögliche Anwendungsfälle sind:
- Erkennung ungewöhnlicher Buchungen
- Prognose von Zahlungsentwicklungen
- Prognose von Liquiditätsentwicklungen
- Klassifikation von Belegen
- Kontierung von Belegen
- Zusammenfassung finanzieller Abweichungen
- Generierung von Erläuterungstexten
- Erkennung von Informationen auf Rechnungen, beispielsweise mit einer Integration in OpenText Vendor Invoice Management
ISLM im Einkauf
Mögliche Szenarien sind:
- Vorhersage von Lieferverzögerungen
- Bewertung von Beschaffungsrisiken
- Klassifikation von Bestelltexten
- Zusammenfassung von Lieferantenkommunikation
- Erzeugung von Handlungsempfehlungen
ISLM im Vertrieb
Denkbare Einsatzbereiche sind:
- Prognose von Abschlusswahrscheinlichkeiten
- Bewertung von Angebotschancen
- Vorhersage von Auftragsverzögerungen
- Zusammenfassung von Kundeninteraktionen
- Generierung von Antworttexten
- Generierung von Angebotstexten
Produktion und Qualität
Hier können intelligente Szenarien beispielsweise eingesetzt werden für:
- Vorhersage von Qualitätsproblemen
- Klassifikation von Fehlerbildern
- Vorschlag geeigneter Fehlercodes
- Prognose von Materialverbräuchen
- Erkennung auffälliger Produktionsdaten
Service
Im Service kommen beispielsweise folgende Szenarien infrage:
- Klassifikation eingehender Servicemeldungen
- Zusammenfassung langer Ticketverläufe
- Vorschlag geeigneter Lösungsschritte
- Ermittlung ähnlicher historischer Fälle
- Priorisierung kritischer Servicevorgänge
Wann ist ISLM die richtige Lösung?
ISLM ist besonders geeignet, wenn ein Unternehmen:
KI-Ergebnisse direkt in SAP S/4HANA verwenden möchte
einheitliche Prozesse für unterschiedliche KI-Szenarien benötigt
SAP HANA Machine Learning und BTP-basierte KI kombinieren möchte
eigene intelligente Szenarien entwickeln möchte
SAP- und kundenspezifische Modelle zentral verwalten möchte
generative KI kontrolliert in ABAP- und SAP-Prozesse integrieren möchte
ISLM ist jedoch nicht automatisch für jeden KI-Anwendungsfall erforderlich. Wird ein KI-Modell ausschließlich außerhalb von SAP S/4HANA verwendet und besteht keine direkte Integration in einen SAP-Geschäftsprozess, kann eine reine SAP-AI-Core- oder BTP-Architektur ausreichend sein.
Best Practices für ISLM: Was sollten Unternehmen beachten?
Aus dem beschriebenen Lifecycle und den Voraussetzungen ergeben sich mehrere zentrale Grundsätze.
Mit dem Geschäftsproblem beginnen
Die Auswahl der KI-Technologie sollte nicht am Anfang stehen.
Zunächst sollte klar sein, welcher Prozess verbessert und welches konkrete Problem gelöst werden soll.
Datenbasis frühzeitig prüfen
Ein geeigneter Anwendungsfall benötigt verfügbare und fachlich geeignete Daten.
Insbesondere für trainierbare Machine-Learning-Szenarien sind vollständige und repräsentative Trainingsdaten relevant.
Embedded und Side-by-Side bewusst unterscheiden
Nicht jeder Anwendungsfall benötigt SAP AI Core oder ein extern betriebenes Modell.
HANA-nahe Vorhersagen können als eingebettetes Szenario umgesetzt werden, während generative KI und spezialisierte Modelle eher ein Side-by-Side-Szenario erfordern können.
Fachlichen Nutzen messbar machen
Der Use Case sollte ein messbares Ergebnis besitzen.
In der fachlichen Validierung können beispielsweise Qualität, Zeitersparnis und Prozessverbesserung betrachtet werden.
Governance vor der Produktivsetzung klären
Berechtigungen, Monitoring, Governance, Support und kontrollierte Modellaktivierung sollten Bestandteil der Produktivsetzung sein.
Modellqualität langfristig beobachten
Mit der Produktivsetzung endet der Lifecycle nicht.
Verändern sich Daten oder Geschäftsprozesse, kann auch die Qualität eines Machine-Learning-Modells sinken. Deshalb müssen Modelle regelmäßig bewertet und gegebenenfalls aktualisiert werden.
Schritt für Schritt: Wie starte ich mit ISLM?
Für eine Einführung bietet sich ein strukturiertes Vorgehensmodell an.
1
Phase 1: Use Case auswählen
Wählen Sie einen klar abgegrenzten Anwendungsfall mit:
- messbarem Nutzen
- geeigneter Datenbasis
- konkretem Prozessbezug
2
Phase 2: Architektur festlegen
Entscheiden Sie, ob der Anwendungsfall über:
- Embedded Machine Learning
- ein Side-by-Side-Modell
- ein generatives KI-Szenario
umgesetzt werden soll.
3
Phase 3: Technischen Proof of Concept durchführen
Richten Sie die notwendigen Systemverbindungen ein und setzen Sie einen begrenzten Prototyp um.
4
Phase 4: Fachlich validieren
Die späteren Anwender sollten die Ergebnisse bewerten. Betrachtet werden können insbesondere:
- Ergebnisqualität
- Zeitersparnis
- Prozessverbesserung
5
Phase 5: Produktiv setzen
Für den Produktivbetrieb sollten unter anderem eingerichtet werden:
- Berechtigungen
- Monitoring
- Governance
- Support
- kontrollierte Modellaktivierung
6
Phase 6: Skalieren
Nach erfolgreicher Umsetzung kann das erarbeitete technische und organisatorische Vorgehen auf weitere Geschäftsprozesse übertragen werden.
Fazit: ISLM verbindet KI-Technologie mit SAP-Geschäftsprozessen
Intelligent Scenario Lifecycle Management schafft einen standardisierten Rahmen, um künstliche Intelligenz kontrolliert in SAP-S/4HANA-Geschäftsprozesse zu integrieren. Unternehmen können damit unterschiedliche KI-Technologien in intelligente Szenarien überführen.
Dazu zählen sowohl klassische Machine-Learning-Verfahren auf Basis von SAP HANA als auch Side-by-Side-Szenarien mit SAP AI Core, Generative AI Hub und weiteren SAP-BTP-KI-Services. ISLM selbst ist dabei weder ein Machine-Learning-Modell noch ein Large Language Model. Das Framework übernimmt vielmehr die Verbindung zwischen dem fachlichen SAP-Prozess und der jeweiligen KI-Infrastruktur. Der entscheidende Nutzen liegt deshalb nicht allein in der Verwendung künstlicher Intelligenz.
ISLM verbindet den vollständigen Lifecycle eines intelligenten Szenarios mit dem Geschäftsprozess – von der Konfiguration über Training und Bereitstellung bis zur Aktivierung und produktiven Verwendung des KI-Ergebnisses.
Für Unternehmen bedeutet das zugleich: Nicht die Frage „Wo können wir KI einsetzen?“ sollte den Ausgangspunkt bilden. Zunächst sollte ein klar abgegrenztes Geschäftsproblem mit geeigneter Datenbasis und messbarem Prozessnutzen identifiziert werden. Erst anschließend lässt sich sinnvoll entscheiden, ob Embedded Machine Learning, ein Side-by-Side-Modell oder ein generatives KI-Szenario die passende Architektur darstellt.
Kostenlose Beratung zu ISLM und E-Rechnung
Sie möchten prüfen, wie Sie Intelligent Scenario Lifecycle Management (ISLM) sinnvoll in Ihrer SAP-Landschaft einsetzen können?
Weiterführende Beiträge
Mehr Know-how zu künstlicher Intelligenz (KI)
Erfahren Sie, wie künstliche Intelligenz Geschäftsprozesse automatisiert, Entscheidungen unterstützt und neue Potenziale für Effizienz und Innovation erschließt.
Häufig gestellte Fragen zu ISLM
Wofür steht ISLM?
ISLM steht für Intelligent Scenario Lifecycle Management. Es handelt sich um ein SAP-Framework für die Erstellung, Integration und Verwaltung von KI- und Machine-Learning-Szenarien.
Was ist SAP ISLM?
SAP ISLM ist ein standardisiertes Lifecycle- und Integrationsframework. Es verbindet intelligente Szenarien mit SAP-Geschäftsanwendungen und ermöglicht die Verwaltung von KI- und Machine-Learning-Szenarien innerhalb von SAP S/4HANA.
Ist ISLM Bestandteil von SAP S/4HANA?
ISLM wird als Bestandteil von SAP S/4HANA beziehungsweise der zugrunde liegenden ABAP-Plattform bereitgestellt. Welche Funktionen verfügbar sind, hängt vom jeweiligen Release und Betriebsmodell ab.
Ist ISLM ein Machine-Learning-Modell?
Nein. ISLM ist ein Lifecycle- und Integrationsframework. Die eigentlichen Modelle werden beispielsweise über SAP HANA Machine Learning, SAP AI Core, Generative AI Hub oder andere KI-Services bereitgestellt.
Kann ISLM mit generativer KI verwendet werden?
Ja. ISLM kann mit dem Generative AI Hub in SAP AI Core integriert werden. Dadurch lassen sich LLM-basierte Anwendungsfälle mit SAP-Geschäftsprozessen verbinden.
Welche Rolle spielt der Generative AI Hub bei ISLM?
Der Generative AI Hub ermöglicht einen kontrollierten Zugang zu generativen KI-Modellen. ISLM stellt dabei die Verbindung zwischen dem fachlichen SAP-Szenario und der KI-Infrastruktur her.
Was ist der Unterschied zwischen ISLM und SAP AI Core?
ISLM verwaltet intelligente Szenarien aus der Perspektive des SAP-S/4HANA-Geschäftsprozesses und verbindet sie mit den Geschäftsanwendungen. SAP AI Core stellt dagegen die technische Infrastruktur für Ausführung und Orchestrierung von KI-Modellen bereit.
Können Unternehmen eigene intelligente Szenarien erstellen?
Ja. Neben von SAP ausgelieferten Szenarien können Unternehmen eigene kundenspezifische intelligente Szenarien erstellen und veröffentlichen.
Was ist der Unterschied zwischen APL und PAL?
APL unterstützt stärker automatisierte Machine-Learning-Verfahren und übernimmt verschiedene Schritte der Modellentwicklung. PAL bietet eine umfangreichere Auswahl analytischer Algorithmen sowie mehr technische Konfigurationsmöglichkeiten.
Was ist ein eingebettetes ISLM-Szenario?
Bei einem eingebetteten Szenario werden Geschäftsanwendung und Machine-Learning-Funktionen im gleichen technischen Stack betrieben. Ein Beispiel ist SAP S/4HANA in Verbindung mit SAP HANA APL oder PAL.
Wann wird ein Side-by-Side-Szenario benötigt?
Ein Side-by-Side-Szenario kommt zum Einsatz, wenn das Modell oder der KI-Service außerhalb des SAP-S/4HANA-Stacks betrieben wird, beispielsweise auf SAP AI Core.
Können LLM-Ergebnisse direkt in SAP Fiori angezeigt werden?
Ja. Über eine entsprechende Anwendungsentwicklung können generierte Inhalte, Zusammenfassungen oder Empfehlungen innerhalb einer SAP-Fiori-Anwendung dargestellt und weiterverarbeitet werden.
Für wen ist ISLM geeignet?
ISLM ist insbesondere relevant für Unternehmen, die KI-Ergebnisse direkt in SAP S/4HANA nutzen, unterschiedliche KI-Technologien über einheitliche Prozesse verwalten oder generative KI kontrolliert in ABAP- und SAP-Prozesse integrieren möchten.
Benötigt ISLM eine zusätzliche Lizenz?
Nach den zugrunde liegenden Informationen wird ISLM grundsätzlich als Bestandteil von SAP S/4HANA bereitgestellt und benötigt üblicherweise keine eigenständige ISLM-Lizenz. Zusätzliche Kosten können jedoch für angebundene Komponenten und Services wie SAP AI Core, SAP AI Launchpad, generative KI-Modelle oder weitere BTP-Dienste entstehen.
Was kostet ein ISLM-Projekt?
Der bereitgestellte Inhalt nennt keine konkreten Projektkosten. Er weist darauf hin, dass abhängig von der Architektur zusätzliche Kosten beziehungsweise Lizenzen für externe Komponenten und verbrauchsabhängige KI-Services entstehen können. Eine konkrete Kostenaussage lässt sich aus dem Ausgangsmaterial daher nicht ableiten.
Wie lange dauert die Einführung von ISLM?
Der bereitgestellte Inhalt nennt keine allgemeingültige Projektdauer. Vorgesehen ist ein schrittweises Vorgehen von der Use-Case-Auswahl über Architekturentscheidung und Proof of Concept bis zur fachlichen Validierung, Produktivsetzung und anschließenden Skalierung. Eine konkrete Zeitangabe wäre ohne zusätzliche Projektdaten nicht belastbar.
Wann ist ISLM nicht erforderlich?
Wenn ein KI-Modell ausschließlich außerhalb von SAP S/4HANA eingesetzt wird und keine direkte Integration in einen SAP-Geschäftsprozess benötigt wird, kann laut Ausgangsmaterial eine reine SAP-AI-Core- oder BTP-Architektur ausreichend sein.