笔者之前的文章介绍过，我所在的工作团队曾经用 SAP Leonardo 上的机器学习服务，开发了一系列消费这些服务的原型应用：

• 如何在 Web 应用里消费 SAP Leonardo 的机器学习 API

• 如何对 SAP Leonardo 上的机器学习模型进行重新训练

• SAP Leonardo 图片处理相关的机器学习服务在 SAP 智能服务场景中的应用

最近笔者参与了一个原型应用的开发项目，包含了微信小程序，SAP Conversation AI 同 SAP Cloud for Customer 的集成，需要把用户在微信小程序里同 SAP Conversation AI 的对话记录里的关键词提取出来。

在开发过程中，我发现位于 SAP Leonardo Machine Learning Foundation 这个包里的 Machine Learning API，全部被标注成 Deprecated 状态：

这些 API 在 2020 年的 6 月 30 日之后将停止使用。

在 SAP 官网和 SAP 社区上，我进行了一番搜索，得知这些处于 Deprecated 状态的 API，将被一个新的 SAP 产品所替代：SAP Data Intelligence.https://api.sap.com/package/SAPLeonardoMLFunctionalServices?section=OVERVIEW

在官网能够下载的 SAP AI 发展路线图上，我们能看到这样一张示意图：

处于示意图中人形图示的头部地位的 SAP Data Intelligence，是 SAP 推出的机器学习相关领域的模型开发，运行和生命周期管理的云端工具和平台。

新的 SAP Data Intelligence 位于 SAP 云平台的 Kubernetes 基础设施上，之前 SAP Leonardo Machine Learning Foundation 里的机器学习 API，将会以 Operator 的形式，供机器学习场景建模的从业者使用。

在 SAP 官网上有对 SAP Data Intelligence 的概要介绍：

这里笔者简单介绍下 SAP Data Intelligence 在 SAP Cloud Platform 上的操作界面和用法。

SAP 云平台上打开 Data Intelligence 实例的控制台：

登入之后，是一个类似 SAP Fiori Launchpad 风格的界面。对于笔者来说，我需要将之前原型开发里，所有调用已经处于 Deprecated 状态的 Machine Learning API 的地方，全部替换成调用 SAP Data Intelligence 暴露出的 Machine Learning 服务，因此我首先进入的是 Modeler 这个 tile.

进入 Modeler 之后，在左边的 Operator 标签页里浏览：

这个名叫 MLF Functional Services Interence 的 Operator，从功能上说，就是 SAP Leonardo Machine Learning Foundation 里处于 Deprecated 状态 API 的继任者。

如何使用 SAP Data Intelligence Modeler 里提供的这些标准 Operator 呢？按照 Jerry 学习新东西的惯例，我们还是先来看个 Hello World 的例子。

在 Graph 标签页里，新建一个 Graph. 从这个编辑页面能发现，这个 Graph 由若干节点和彼此之间的连线组成，每个节点是一个 Operator，实现各种操作，而连线表示将一个 Operator 产生的输出传送到下一个 Operator 接收的输入去。因此，从视觉效果上说，这种模型非常形象地被称为 Graph；从运行时的行为上讲，SAP 也将 Graph 模型称之为 Pipeline(管道)，这个命令的由来和 Linux 系统里的管道理念一致。

我新建了一个 Graph，命名为 jerrytest，从 Graph 编辑页面里拖拽了两个 Operator，分别是 Data Generator 和 Terminal. 前者会每隔一段时间生成一批随机数，该输出直接重定向到第二个 Operator 里。因此我一旦运行这个 Graph，查看 Terminal Operatpor 的控制台，就能看到随机数发生器生成的随机数打印。

笔者之前分享过 SAP Cloud Integration 里的 iFlow 建模和 SAP 云平台上的 Low Code Development(低代码开发)解决方案里的 Microflow，加上本文正在介绍的 SAP Data Intelligence Graph，这三者的建模都是在编辑器里，通过拖拽的方式来完成的。

在随机数发生器上点右键，选择 Open Script，能查看用 JavaScript 实现的随机数生成代码：

从 JavaScript 代码能看出，这个 Data Generator 以 500 毫秒的时间间隔，生成随机数。

直接运行这个 Graph，等其状态处于 Running 之后，查看 Terminal Operator 的控制台：

就能看到 Data Generator 产生的随机数不断打印出来了：

下载 Graph 的 Diagnostic 信息，能查看到更多 Graph 的运行时明细：

比如其使用的容器和容器镜像的名称：

SAP Data Intelligence Modeler 里的 Kafka Producer 和 Kafka Consumer

首先本地将 kafka 的 docker 容器镜像下载到本地并运行：

docker search kafka

docker pull spotify/kafka

docker run --name kafka3 spotify/kafka

docker ps 命令，查看 tcp 端口号：

新建一个 graph，使用典型的生产者-消费者模型：将 Data Generator 生成的数据交给 kafka Producer operator；

而 Kafka Consumer 从 kafka producer 里读取出 data Generator 生成的数据，通过 ToString converter，输出到 Terminal Operator 上。

kafka producer 和 consumer 使用的 broker 和 topic 必须一致：

运行 graph，可以看到

在 SAP Data Intelligence Modeler 里创建新的 pipeline

新建一个 graph：

保存：

将 Processing 下面的 Data Generator 这个 Operator 拖拽到 graph 的编辑区域，点击<>符号开始编辑脚本：

可以查看自动生成的 JavaScript 代码：

这个 Generator 生成的随机数需要一个输出，这里我们选择 terminal operator：

将 data Generator 的 outport 绑定到 terminal 的 inport：

执行：

在终端上看到打印的输出：

总结

本文详细介绍了 SAP 人工智能解决方案的演进史，以及促成这些产品迭代方向的幕后驱动因素，并且用一个实际例子，详细介绍了 SAP Data Intelligence 的一个使用案例。