SAP breidt zijn AI-technologie uit met nieuwe modellen die speciaal zijn ontwikkeld voor het analyseren van bedrijfsgegevens. Tijdens SAP TechEd presenteerde het softwarebedrijf onder meer AI-modellen die afwijkingen in bedrijfsprocessen herkennen, toekomstige ontwikkelingen voorspellen en helpen bij het nemen van beslissingen. Ook werkt SAP aan een toepassing van deze technologie in het internationale ruimtestation ISS.
De meeste aandacht in de AI-wereld gaat momenteel uit naar grote taalmodellen. Volgens SAP ligt een belangrijk deel van de zakelijke waarde van kunstmatige intelligentie echter ergens anders: bij de enorme hoeveelheden gestructureerde gegevens die bedrijven dagelijks verzamelen. Denk aan voorraden, financiële transacties, productiegegevens, logistieke processen en informatie over machines en installaties.
Philipp Herzig, Chief Technology Officer van SAP, benadrukt in een post op LinkedIn dat deze gegevens een belangrijke basis vormen voor zakelijke AI-toepassingen. SAP investeert daarom in zogeheten Tabular AI: AI-modellen die speciaal zijn ontwikkeld om informatie in tabellen en databases te analyseren. Anders dan taalmodellen, die voornamelijk met tekst werken, richten deze modellen zich op het herkennen van patronen en verbanden in gestructureerde gegevens. Tijdens SAP TechEd kondigde het bedrijf verschillende nieuwe ontwikkelingen op dit gebied aan.
Verbanden tussen verschillende tabellen herkennen
Een belangrijke aankondiging is SAP-RPT‑2.0, de volgende generatie van de Relational Prediction Transformer. Dit AI-model wordt ontwikkeld om gegevens uit meerdere onderling verbonden tabellen te analyseren. Dat is vooral relevant voor grote organisaties, waar bedrijfsinformatie doorgaans verspreid is over verschillende databases en applicaties. Gegevens over klanten, bestellingen, leveringen, productie en betalingen staan bijvoorbeeld in afzonderlijke tabellen, maar zijn via relaties met elkaar verbonden.
Traditioneel moeten dergelijke gegevens voor veel AI-toepassingen eerst worden samengevoegd en bewerkt. SAP-RPT‑2.0 moet rechtstreeks met deze onderlinge relaties kunnen werken, zonder dat de oorspronkelijke databasestructuur daarvoor hoeft te worden aangepast.
Het model krijgt ondersteuning voor het opsporen van afwijkingen, het ondersteunen van beslissingen en het maken van numerieke representaties van gegevens waarmee andere AI-toepassingen verder kunnen werken.
Een mogelijke toepassing is het herkennen van problemen in een toeleveringsketen. Door informatie over bestellingen, voorraden, leveranciers en transport met elkaar in verband te brengen, kan AI bijvoorbeeld afwijkingen signaleren die in afzonderlijke datasets moeilijk zichtbaar zijn.
Voorspellen zonder eerst een model te trainen
SAP introduceerde daarnaast RPT-TS, een AI-model dat speciaal is ontwikkeld voor het analyseren en voorspellen van tijdreeksen. Dit zijn gegevens die gedurende een bepaalde periode worden verzameld, zoals omzetcijfers, energieverbruik, machineprestaties of voorraadontwikkelingen.
Het bijzondere aan RPT-TS is dat het zogenoemde “zero-shot forecasting” ondersteunt. Dit betekent dat het model voorspellingen kan maken voor nieuwe gegevensreeksen zonder dat het eerst specifiek voor die toepassing hoeft te worden getraind. SAP heeft het model vooraf getraind met tientallen terabytes aan synthetische gegevens die zijn gebaseerd op zakelijke processen. Daarbij gaat het onder meer om kasstromen, omzetontwikkelingen, vraagplanning en voorspellend onderhoud.
Volgens SAP presteert RPT-TS bij vergelijkende tests beter dan bestaande open-source AI-modellen voor tijdreeksen. Het bedrijf stelt bovendien dat het model sneller werkt. Onafhankelijke bevestiging van deze prestatieclaims is in de bekendmaking niet opgenomen.
RPT-TS is inmiddels beschikbaar via SAP AI Core en de RPT Playground, een omgeving waarin ontwikkelaars met de technologie kunnen experimenteren.
AI helpt bij het nemen van beslissingen
Een derde ontwikkeling is SAP-RPT-Decisions. Dit model is gebaseerd op de gedachte dat ook zakelijke beslissingen als gestructureerde gegevens kunnen worden vastgelegd en geanalyseerd. Bedrijven nemen dagelijks grote aantallen beslissingen op basis van beschikbare informatie. Denk aan het bepalen van voorraadniveaus, het plannen van onderhoud, het selecteren van leveranciers of het aanpassen van productiecapaciteit.
SAP onderzoekt hoe AI dergelijke beslissingen kan ondersteunen door patronen te herkennen in eerdere situaties, de beschikbare gegevens en de gemaakte keuzes. Volgens Herzig behaalde RPT-Decisions op een openbare benchmark een score van 76,8 procent, tegenover 72,7 procent voor het model JEV waarmee SAP de vergelijking maakte. De cijfers suggereren dat de nieuwe technologie bij de geteste taken betere resultaten kan behalen. Hoe groot het voordeel in de dagelijkse bedrijfspraktijk is, zal echter per toepassing moeten blijken. Ook RPT-Decisions is beschikbaar in de RPT Playground.
Overname Prior Labs versterkt AI-onderzoek
SAP maakte tijdens TechEd eveneens bekend dat Prior Labs inmiddels onderdeel is van het bedrijf. Deze onderneming ontwikkelt TabPFN, een AI-technologie die zich richt op voorspellingen op basis van tabelgegevens. Volgens SAP behoort TabPFN 3.5 tot de krachtigste modellen in deze categorie. Het bedrijf kondigde bovendien TabPFN‑3.5‑Thinking aan, een nieuwe variant die meer rekenkracht inzet om tot nauwkeurigere voorspellingen te komen.
De achterliggende gedachte is dat extra rekentijd gerechtvaardigd kan zijn wanneer een kleine verbetering in de nauwkeurigheid van een voorspelling grote financiële of operationele gevolgen heeft. Dat kan bijvoorbeeld gelden voor het voorspellen van de vraag naar producten, het beoordelen van financiële risico’s of het bepalen wanneer kostbare machines onderhoud nodig hebben. Met de toevoeging van Prior Labs breidt SAP zijn mogelijkheden uit om dergelijke gespecialiseerde AI-modellen te ontwikkelen.
SAP wil AI ook in de ruimte inzetten
Een opvallende toepassing van de technologie is een gezamenlijk project van SAP, Hewlett Packard Enterprise (HPE) en het Duitse lucht- en ruimtevaartcentrum DLR. De drie organisaties werken aan het inzetten van SAP-RPT voor het bewaken van computersystemen die verband houden met het internationale ruimtestation ISS.
De technologie is inmiddels geïnstalleerd op een systeem op aarde dat fungeert als digitale tegenhanger van de HPE Spaceborne Computer aan boord van de Columbus-module van het ISS. Het is de bedoeling dat de AI-technologie binnenkort ook daadwerkelijk in de ruimte wordt ingezet, op ongeveer 400 kilometer boven de aarde.
SAP-RPT wordt in dit project gebruikt om de technische gezondheid van systemen te bewaken. Het model analyseert sensorgegevens, probeert achteruitgang in de werking van sensoren vroegtijdig te herkennen en kan ontbrekende meetwaarden reconstrueren. Dat is belangrijk omdat meetgegevens in complexe technische omgevingen niet altijd volledig beschikbaar zijn. Wanneer een sensor tijdelijk uitvalt of onbetrouwbare informatie levert, kan een AI-model op basis van andere gegevens proberen te bepalen welke waarde waarschijnlijk ontbreekt.
Volgens SAP worden deze analyses in real time uitgevoerd. Het doel is om kleine afwijkingen te herkennen voordat ze kunnen uitgroeien tot ernstige technische problemen. Het project is daarmee ook een demonstratie van wat gespecialiseerde AI-modellen kunnen betekenen voor omgevingen waarin betrouwbaarheid en snelle signalering van afwijkingen belangrijk zijn.
AI voor de gegevens die bedrijven al hebben
De aankondigingen laten zien dat SAP naast generatieve AI nadrukkelijk investeert in modellen die zijn toegespitst op bestaande bedrijfsgegevens. Waar grote taalmodellen vooral worden gebruikt om informatie te verwerken en tekst te genereren, richten de nieuwe SAP-modellen zich op voorspellen, analyseren en het ondersteunen van operationele beslissingen.
Voor bedrijven kan dat een andere manier betekenen om AI in te zetten. In plaats van uitsluitend toepassingen te ontwikkelen waarmee medewerkers vragen kunnen stellen aan bedrijfssoftware, ontstaat de mogelijkheid om AI rechtstreeks te gebruiken bij het analyseren van voorraden, het voorspellen van onderhoud en het herkennen van afwijkingen in bedrijfsprocessen.
Een deel van de aangekondigde technologie is al beschikbaar voor ontwikkelaars, terwijl andere onderdelen, zoals de ondersteuning voor meerdere tabellen in RPT‑2.0 en de inzet aan boord van het ISS, nog verder moeten worden uitgerold.
Daarmee onderstreept SAP een bredere ontwikkeling in zakelijke AI: naast de aandacht voor taalmodellen groeit het belang van gespecialiseerde modellen die kunnen werken met de grote hoeveelheden gestructureerde gegevens waar organisaties al jarenlang over beschikken.
