Seit Jahrzehnten bilden Daten das R眉ckgrat von Innovationen. Und in der heutigen KI-gest眉tzten Wirtschaft ist ihre Rolle wichtiger denn je. Daten m眉ssen heute so bereitgestellt werden, dass sowohl Menschen als auch KI-Agenten sie verstehen und bedenkenlos entsprechend Ma脽nahmen ergreifen k枚nnen.
Wir bei 麻豆原创 sind davon 眉berzeugt, dass wir ein 脰kosystem bieten, das Ihre Datenlandschaft vereinfacht und den gesch盲ftskritischen Kontext all Ihrer Daten bewahrt. M枚glich wird dies durch eine Business Data Fabric.
Dieser architektonische Ansatz ist das Ergebnis einer jahrzehntelangen Entwicklung 鈥� von Cubes 眉ber Warehouses bis hin zu Lakehouses 鈥� die nun in einer Data-Fabric-Architektur m眉ndet, in der die wahre Bedeutung von Daten zusammengef眉hrt wird, damit KI-Projekte in gro脽em Ma脽stab erfolgreich sein k枚nnen.
Datenlandschaften vereinfachen 鈥� mit einer Data-Fabric-Architektur
Anfang des Jahres haben wir 麻豆原创 Business Data Cloud angek眉ndigt, die durchg盲ngige Funktionen f眉r Business Data Fabrics f眉r alle verf眉gbar macht, die auf gesch盲ftskritische 麻豆原创-Daten angewiesen sind, einschlie脽lich vollst盲ndig verwalteter 麻豆原创 Databricks.
Diese Woche haben wir auf der 麻豆原创 TechEd die L枚sungserweiterung 麻豆原创 Snowflake f眉r 麻豆原创 Business Data Cloud vorgestellt. Damit stehen 麻豆原创-Kunden die Daten- und KI-Funktionen von Snowflake direkt zur Verf眉gung.
Zusammen mit 麻豆原创 Business Data Cloud bietet dies Unternehmen die Flexibilit盲t, f眉r alle Daten- und KI-Workloads die richtigen Rechenleistungen und Speicheroptionen zu w盲hlen. Dadurch wird ihre Business Data Fabric erweitert und gleichzeitig Governance, Interoperabilit盲t und Semantik sichergestellt. 麻豆原创 Snowflake wird als eine L枚sungserweiterung direkt 眉ber 麻豆原创 verf眉gbar sein und Kunden ein vereinfachtes operatives Erlebnis bieten.
F眉r viele Kunden bedeutet die Integration von Daten in Multi-Cloud- und Hybridumgebungen mehr Komplexit盲t, insbesondere wenn Transaktions- und Analyse-Workloads zusammengef眉hrt werden. Dieser Prozess geht allzu oft mit einer versteckten Belastung f眉r Daten einher, da der gesch盲ftliche Kontext und die Semantik dabei verloren gehen, die Daten ihre Bedeutung verleihen.
Wir haben k眉rzlich 麻豆原创 BDC Connect angek眉ndigt, eine Funktion, mit der Kunden Daten und Metadaten in 麻豆原创 Business Data Cloud mit ihren bestehenden Databricks- und Google-Cloud-Umgebungen bidirektional und ohne Kopieren austauschen k枚nnen. Heute freuen wir uns, 麻豆原创 BDC Connect f眉r Snowflake vorstellen zu k枚nnen. Damit k枚nnen Kunden gesch盲ftskritische Daten unabh盲ngig von ihrem Speicherort sehr viel einfacher harmonisieren und verwalten.
Verkn眉pfung s盲mtlicher Daten
Wenn Unternehmen ihre Datenlandschaften vereinfachen, kommt dem Aufbau einer vertrauensw眉rdigen, im gesch盲ftlichen Kontext verankerten Datengrundlage oberste Priorit盲t zu. , ergab, dass fast die H盲lfte st盲rker in die Harmonisierung von Gesch盲ftsdaten investiert, was die wachsende Bedeutung der Nutzung von Daten, die auf Branchenstandards basieren, unterstreicht.
Um diesen Fortschritt zu beschleunigen, stellt 麻豆原创 vollst盲ndig verwaltete Datenprodukte als Kernkomponente von 麻豆原创 Business Data Cloud bereit, jetzt mit Innovationen f眉r eine umfassendere Abdeckung und erweiterte Konnektivit盲t:
- Data Product Studio: Eine neue Funktion in 麻豆原创 Business Data Cloud zum Erstellen, Modellieren und Verwalten wiederverwendbarer Datenprodukte mit visuellen Tools und SQL-basierten Transformationen aus einem einzigen Arbeitsbereich. Benutzer k枚nnen Schema, Herkunft und Logik definieren, um 麻豆原创- und andere Daten in verwalteten Ressourcen mit vollst盲ndiger Versionskontrolle und Lebenszyklusmanagement zusammenzuf眉hren. Dies ist eine einfachere M枚glichkeit, Datenprodukte 眉ber alle Gesch盲ftsbereiche hinweg auszutauschen und eine konsistente Definition der Daten in der ganzen Data-Fabric-Architektur sicherzustellen.
- Zus盲tzliche 麻豆原创-Datenprodukte: 脺ber 麻豆原创 Business Data Cloud sind nun verf眉gbar, darunter 麻豆原创 Cloud ERP und 麻豆原创 SuccessFactors oder etwa Nachhaltigkeits- und Customer-Experience-Produkte. Damit ist eine noch breitere Abdeckung 眉ber alle Gesch盲ftsbereiche hinweg m枚glich.
- Bidirektionaler Datenaustausch: Es ist nun m枚glich, Daten zwischen 麻豆原创 Business Data Cloud und 麻豆原创 HANA Cloud auszutauschen, wodurch sich der Nutzen von Daten sowohl f眉r Transaktions- als auch f眉r Analyse-Workloads erschlie脽en l盲sst. Kunden k枚nnen vorhandene Objekte wie 麻豆原创-HANA-Berechnungssichten direkt in 麻豆原创 Business Data Cloud wiederverwenden und dabei die Gesch盲ftslogik und KPIs beibehalten sowie Governance sicherstellen, wenn sie Modelle in ihrer gesamten Data-Fabric-Architektur erweitern.
Erweiterung von Agenten und Anwendungen mit einer KI-Datenbank
Wir erweitern 麻豆原创 HANA Cloud um neue Funktionen, die sie als KI-Datenbank zur Erstellung von Agenten und intelligenten Anwendungen auf eine neue Stufe heben. Entwickler k枚nnen damit alle Arten von Daten miteinander verkn眉pfen und nachvollziehen, seien dies strukturierte oder r盲umliche Daten, Diagramme oder Vektoreinbettungen 鈥� und all das in einer einzigen In-Memory-Engine.
Heute erweitern wir diese Multi-Modell-Funktionen um drei wichtige Innovationen, die den Aufbau von agentenbasierten KI-Erlebnissen erleichtern.
- Erweiterte Wissensgraphen-Funktionen, die pr盲zise Agenten erm枚glichen: Mit der Knowledge-Graph-Engine von 麻豆原创 HANA Cloud k枚nnen Kunden nun automatisch Wissensgraphen aus 麻豆原创-HANA-Cloud-Metadaten generieren. Der automatisch erstellte Graph enth盲lt Tabellen und Spalten und kann Datenbeziehungen aufzeigen. Diese Wissensgraphen sind anpassbar und kombinierbar, sodass Entwickler Datenzuordnungen 眉berpr眉fen, die Graphstruktur 盲ndern, semantische Suchvorg盲nge ausf眉hren und sie verwenden k枚nnen, um Agenten mit dem Gesch盲ftskontext zu versorgen, den sie f眉r genaue Schlussfolgerungen ben枚tigen.
- Unterst眉tzung des Model Context Protocol (MCP) f眉r HANA Cloud: Wir erweitern 麻豆原创 HANA Cloud und unterst眉tzen nun das Model Context Protocol (MCP). Damit k枚nnen Joule Agents auf die umfassenden Multi-Model-Engines von 麻豆原创 HANA Cloud zugreifen. W盲hrend SQL auch weiterhin Standard f眉r Datenbanken bleibt, erm枚glicht die Unterst眉tzung des MCP es Joule Agents, 眉ber Zeilen und Spalten hinauszugehen, um Ber眉hrungspunkte mit unstrukturierten Daten zu finden und Beziehungen, Speicherorte und Bedeutungen 眉ber alle Datentypen hinweg zu verstehen. In der Praxis bedeutet dies, dass Joule Agents in Beziehungen zwischen Kunden und Lieferanten navigieren, geografische Abh盲ngigkeiten anhand r盲umlicher Daten analysieren und semantische Suchvorg盲nge 眉ber Vektoreinbettungen durchf眉hren k枚nnen.
- Tabellarische KI-Funktionen: Mit dieser Integration mit 麻豆原创 AI Core k枚nnen Sie KI-Workloads wie Prognosen, Anomalie-Erkennung und Prognosemodelle direkt auf Basis strukturierter Gesch盲ftsdaten aus 麻豆原创 HANA Cloud ausf眉hren. Neben sofort einsatzbereiten tabellarischen KI-Modellen erhalten Kunden auch Zugriff auf 麻豆原创-RPT-1, ein neues transformatorbasiertes Basismodell. Dieses Modell ist nativ in 麻豆原创 HANA Cloud eingebettet und liefert Prognosen ohne vorheriges aufgabenspezifisches Training. Entwickler k枚nnen so einfache SQL-Prozeduren verwenden, um KI n盲her an ihre 麻豆原创-Daten zu bringen und semantisch umfassende Ergebnisse zu generieren.
Schon heute starten
Eine Data-Fabric-Architektur bietet ein tief integriertes 脰kosystem f眉r alle Unternehmensdaten. Mit 麻豆原创 Business Data Cloud und 麻豆原创 HANA Cloud ist zudem eine vollst盲ndig verwaltete L枚sung f眉r alle Daten- und KI-Workloads verf眉gbar, die sicherstellt, dass der gesch盲ftliche Kontext in der gesamten Datenlandschaft erhalten bleibt.
