Planung der Bereitstellung

Stellen Sie diese Architektur mithilfe der folgenden grundlegenden Schritte bereit:

  • Architekturbausteine Oracle Cloud Infrastructure-Services zuordnen
  • Planung der ersten Implementierung mit Schwerpunkt auf der Agent-Orchestrierung
  • Verbessern Sie die anfängliche Implementierung, indem Sie Agents hinzufügen und erweiterte LLM-Grundlagen integrieren
  • Sammeln Sie Benutzerfeedback, um Ihren kontinuierlichen Verbesserungsprozess voranzutreiben

OCI-Services zuordnen

Als ersten Schritt bei der Planung Ihrer Bereitstellung können Sie Schichten und Funktionen in der Architektur den spezifischen OCI-Produkten und -Services zuordnen, die Sie benötigen.

Oracle Cloud Infrastructure bietet wichtige Bausteine für die Sidecar-Implementierung, während Oracle Integration-Adapter eine vordefinierte Konnektivität zu Systemen wie SAP bereitstellen. OCI-Integrationsservices rufen explizit die SAP-Konnektivität neben anderen SaaS- und On-Premises-Quellen auf.

Ebene/Fähigkeit Verantwortlichkeiten in Sidecar Primäre OCI-Produkte und -Services Notes und SAP und Fusion Applications Tie-In
Orchestratorimplementierung Host des Sidecar-Orchestrators; APIs bereitstellen; optional Low-Code-Workflows modellieren
  • OCI Kubernetes Engine (OKE)
  • OCI-Compute
  • OCI API Gateway
  • Oracle Integration (Prozessautomatisierung)
Orchestrator koordiniert Aufrufe an SAP/Fusion-Tools und AI Data Platform-Datenprodukte über genau definierte API-Endpunkte.
Agents als serverlose Funktionen Leichtgewichtige, ereignisgesteuerte Agents ausführen (anreichern, validieren, klassifizieren, benachrichtigen)
  • OCI Functions
  • Oracle Integration (SAP, Fusion Applications und andere Adapter)
OCI Functions rufen SAP/Fusion Applications mit OCI Functions-Adaptern anstelle von direkten Aufrufen auf, wodurch ein sauberer Core erhalten bleibt.
Datenspeicherung und -verarbeitung Rohdaten landen, Medaillonschichten kuratieren, weiterhin "Gold"-Datenprodukte verwalten; Daten streamen
  • Objektspeicher der AI Data Platform (OCI Object Storage)
  • Oracle Autonomous AI Database
  • OCI Streaming (Kafka-kompatibel)
SAP- und Fusion Applications-Daten werden landed, standardisiert und als gesteuerte Datenprodukte für Analysen und KI veröffentlicht.
KI- und Machine Learning-Services Bereitstellung von LLM-Endpunkten, Einbettungen, RAG und analytischen Erkenntnissen; Power Agent-Grundlagen
  • OCI Generative AI-Service
  • KI-Datenplattform/Oracle Analytics-Ebene
LLMs verwenden gesteuerte AI Data Platform-Datenprodukte, um Fragen zu beantworten, Ausnahmen zu erklären und Korrekturpläne vorzuschlagen.
Networking und Integration Sichere Konnektivität, Routing und Identität; Verbindung von SAP, Fusion Applications und anderen SaaS/On-Premises-Komponenten
  • Virtuelles OCI-Cloud-Netzwerk (VCN)
  • Private Endpunkte
  • OCI Identity and Access Management/Policys
  • Oracle Integration (SAP- und S/4HANA-Cloud-Adapter, Fusion ERP Cloud-Adapter)
Stellt sichere Pfade für SAP BAPI/RFC/IDoc, S/4HANA OData und Fusion Applications REST/ERP-Adaptertraffic bereit.
Clientschnittstelle Bereitstellung einer Endbenutzererfahrung: Web-Apps, Chatbots, Sidebars von KI-Assistenten
  • Webanwendungen, die auf OKE/OCI Compute als Frontend von OCI API Gateway/OCI Load Balancer gehostet werden
  • Chatbot- oder Portalintegrationen (z.B. mit Oracle Integration/AI Data Platform UX)
Benutzer interagieren über eine "Assistant"-UI, die SAP- oder Fusion-Anwendungen abfragen, den Status erklären und genehmigte Aktionen ausführen kann.
Beobachtbarkeit und Audit Protokollieren, überwachen, Alerts einstellen, Performance- und Kostenmanagement analysieren
  • Oracle Cloud Observability and Management Platform-Services
  • OCI Logging und Oracle Log Analytics
  • OCI-Audit
 OCI Observability-, Logging- und Analyseservices ergänzen Logging- und Auditfunktionen, die in SAP und Fusion Applications integriert sind.

Hier sind einige zusätzliche Details und Optionen für die Ebenen und Funktionen:

  • Orchestratorimplementierung:
    • Containerisierter Microservice (OKE) oder rechenbasierter Service, der von OCI API Gateway vorgelagert wird.
    • Optional fließt die Prozessautomatisierung in Oracle Integration, wo eine Low-Code-Orchestrierung ausreicht.
  • Agents als serverlose Funktionen:
    • Lightweight-Agents, die als OCI Functions implementiert werden, bei denen ereignisgesteuerte Skalierung wünschenswert ist (anreichern, validieren, klassifizieren, benachrichtigen).
    • Agents rufen SAP- und Fusion Applications-Adapter über die Integrationsschicht auf, nicht direkt.
  • Datenspeicherung und -verarbeitung:
    • Oracle AI Data Platform verwendet OCI Object Storage für Raw-/Landing-Zonen und Artefakte.
    • Oracle Autonomous AI Database für gesteuerte "Gold"-Datenprodukte.
    • Optionale Streaming-/Ereignis-Backbones mit dem Kafka-kompatiblen Ereignis-Streaming von OCI, wenn Beinahe-Echtzeitmuster erforderlich sind.
  • KI- und ML-Services:
    • Der OCI Generative AI-Service der AI Data Platform bietet verwaltete LLM-Endpunkte für Zusammenfassungen, Einbettungen, RAG und Tool-Use-Agent-Erfahrungen, die auf gesteuerten Daten basieren.
    • Analytics-Ebene für die "letzte Meile" Bereitstellung von Erkenntnissen und Feedback für den Betrieb.
  • Networking und Integration:
    • VCN, private Endpunkte, sofern anwendbar, und Identitäts-/Policy-Steuerelemente.
    • Oracle Integration-Adapter für SAP (BAPI/RFC/IDoc) und SAP S/4HANA Cloud OData-Konnektivität.
  • Clientschnittstelle:
    • Web-UI, Chatbot oder eingebettete Erfahrung in einem internen Portal.
    • Allgemeines UX-Muster: "Assistant"-Sidebar, die Aktionen mit Genehmigung beantworten, erklären und ausführen kann.
  • Beobachtbarkeit und Audit:
    • Mit OCI Monitoring für die Oracle Cloud Observability and Management Platform wird die Performance der Ressourcen in Ihrem Mandanten verfolgt. Oracle Log Analytics bietet Sammlung, Indizierung, Anreicherung, Abfrage, Visualisierung und Alarmierung für Logs aus beliebigen Komponenten, einschließlich OCI und der SAP- und Fusion Applications-Quellen.
    • Nutzen Sie die Erkenntnisse aus Beobachtbarkeits- und Auditfunktionen, um die Kosten zu kontrollieren, Ihre Systemdesignentscheidungen zu treffen und eine kontinuierliche Verbesserung zu fördern.

Implementierung von Prozessautomatisierung und Agent Orchestration

Die erste Phase der Implementierung konzentriert sich auf die Herstellung eines funktionierenden Sidecar Backbone: konsistente Werkzeugverträge, zuverlässige Konnektivität und wiederholbare Workflows, bevor vollständige autonome Argumentation aktiviert wird.

Die folgenden Ausgaben planen und implementieren Sie in Phase eins:

  • Toolregistrierung für SAP/Fusion Applications/AIDP-Aktionen (Lesen/Schreiben/Kurat).
  • Deterministische Orchestrierungsskripte (bekannte Sequenzen für Top-Anwendungsfälle).
  • End-to-End-Beobachtbarkeits- und Auditlogs.

Hier einige Beispiele für Tooldefinitionen.

SAP-Tools:

  • sap.getPurchaseOrder(poNumber)
  • sap.getInvoiceStatus(invoiceId)
  • sap.createOrUpdateVendor(vendorPayload)
  • sap.postIdoc(idocType, payload)
  • sap.callBapi(bapiName, params) (Verwaltete Ausnahmeliste)

Fusion Applications-Tools:

  • fusion.getSupplier(supplierId)
  • fusion.createInvoice(invoicePayload)
  • fusion.submitFBDI(jobName, fileRef) (falls anwendbar über ERP-Adaptermuster)
  • fusion.queryRest(resource, params)

AIDP-Tools:

  • aidp.publishDataProduct(name, version)
  • aidp.runPipeline(pipelineId)
  • aidp.searchCatalog(term)
  • aidp.ragAnswer(question, dataProductRefs)

In dieser Phase verwaltet der Orchestrator systemübergreifenden Kontext:

  • Über Adapteraufrufe (BAPI/RFC/IDoc oder S/4HANA Cloud OData) abgerufene SAP-Objekte.
  • Fusion Applications-Objekte, die über REST/APIs/Adapter abgerufen werden.
  • Gelenkte Datenprodukte aus der Goldschicht von AIDP.

Beobachtbarkeit und Logging implementieren. In diesem Muster behandeln Sie das Fahrzeug als Produktionsintegrationsprodukt mit:

  • Toolaufruf-Logs (Eingaben/Ausgaben werden nach Bedarf verdeckt)
  • End-to-End-Tracing vom Orchestrator über Adapter zur Datenplattform.
  • Geschäfts-IDs für das Debugging "Follow the transaction".
  • Datenherkunft für kuratierte Datenprodukte (insbesondere solche, die von KI-Agenten verwendet werden).

Autonomes Agent-Verhalten implementieren

In Phase zwei implementieren Sie mehr Autonomie.

Das LLM kann:

  • Planen Sie mehrstufige Workflows ("Was muss ich als Nächstes prüfen?")
  • Anrufwerkzeuge
  • Generieren von geschäftsfähigen Narrativen, die auf gesteuerten Unternehmensdaten über AIDP basieren

Wenn Sie LLM-gesteuerte Agent-Begründung anstelle von festen Sequenzen implementieren, kann der Agent dynamisch entscheiden:

  • Gibt an, ob zuerst SAP oder Fusion Applications abgefragt werden sollen
  • Welche Datenprodukte abgerufen werden sollen
  • Gibt an, ob ein Ausnahmefall geöffnet oder ein Korrekturplan vorgeschlagen wird
  • Welche Writeback-Aktion geeignet ist (oft durch Genehmigung abgeschlossen)

AIDP positioniert seine Plattform für agentenorientierte Erfahrungen, die auf gesteuerten Daten und integrierten KI-Services basieren. Beispiel: Das LLM kann:

  1. Rechnungsstatus aus SAP abrufen
  2. Lieferantendaten in Fusion-Anwendungen prüfen
  3. Korrektur mit AIDP RAG-Pipeline vorschlagen

Folgende zusätzliche Mittel und Werkzeuge sind möglich (z.B. Anwendungsfälle angegeben):

  • Close Assistant Agent (SAP plus Fusion EPM): erläutert Abweichungen, identifiziert fehlende Buchungen und schlägt Journalanpassungen vor.
  • Mitarbeiter für Lieferantenonboarding: Harmonisiert Lieferantendaten, prüft Duplikate und erstellt Lieferantendatensätze in den Zielsystemen.
  • Order Promising-Agent: Ruft Bedarfs-/Beschaffungssignale ab, identifiziert Constraints und empfiehlt eine Neuzuteilung oder Ausführung.

Feedback für kontinuierliche Verbesserung sammeln

Ergebnisse sollten in das System zurückfließen:

  • Wurde die Empfehlung angenommen?"
  • "Hat die Korrektur die Ausnahme gelöst?"
  • "Haben die Zuordnungsregeln zukünftige Fehler reduziert?"

Diese Ergebnisse werden zu beschrifteten Signalen für die Verbesserung der Matching-Logik, von Ausnahme-Playbooks und (gegebenenfalls) ML-Modellen und -Prompts - wodurch sowohl die Automatisierungsqualität als auch das Vertrauen in das Unternehmen in den Mittelpunkt gerückt werden.