筆者在 SAP 成都研究院工作十五餘年，也曾參加過一些基於 SAP Business Technology Platform(中文名稱為 SAP 業務技術平臺，以下簡稱 SAP BTP) 的 AI 服務的專案開發和原型驗證。本文將這些關於 AI 的專案經驗分享出來，希望社群內的 AI 專家不吝賜教。

SAP BTP 將智慧企業應用程式與資料庫和資料管理、分析、整合和擴充套件功能整合到一個平臺中，適用於雲環境和混合環境，包括數百個用於 SAP 和第三方應用程式的預構建整合。其中之一便是 SAP AI Business Services.

![](https://img-blog.csdnimg.cn/img_convert/237d0108dacf82b72ade9128f26fa31b.png)

# 如何在 Java 程式裡消費 SAP AI 服務

這個專案的背景如下：開發一個 Java 程式，使用者可以上傳一張圖片，該 Java 程式呼叫 SAP AI API，後者會使用預先訓練好的機器學習模型，對該圖片進行識別，給使用者返回一個文字格式的響應資訊，告訴使用者識別結果。

下面是具體的實現步驟。

訪問 https://api.sap.com, 點選 API ：

![](https://img-blog.csdnimg.cn/img_convert/89bda4e5dcf0a372884c4845332249b1.png)

選擇 SAP Leonardo Machine Learning - Functional Services：

![](https://img-blog.csdnimg.cn/img_convert/031f8d03255a7479d950ad164d2a0351.png)

Functional Services 類別裡選擇影像識別 AI 服務，即 Product Image Classification API:

![](https://img-blog.csdnimg.cn/img_convert/7095ca99bb087f4633388fad2c61e110.png)

該 API 模型是由 SAP 基於大約 5 萬張 Icecat 圖片訓練而成，能區分 29 種不同的產品類別，這些類別具體可以在官方文件上查詢到，比如電腦顯示器，數位相機，外部儲存裝置，鍵盤，液晶電視，手機充電器，筆記本和其他外設等等等。

可以開啟影像識別 API 的技術規範頁面，包含 API Model Schema 介紹，即呼叫 API 後，返回的響應結構裡包含的欄位名稱以及資料型別。

該介面還嵌入了一個小型的 API 呼叫控制檯，可以直接在控制檯裡選擇上傳一個本地圖形檔案，點選 Try it out 按鈕來體驗 API 的效果。

![](https://img-blog.csdnimg.cn/img_convert/8d8c0199aa2ebc9c97e7037be307f093.png)

用下圖這張圖片進行測試：

![](https://img-blog.csdnimg.cn/img_convert/8c31b094959245916e903cd36eccc79d.png)

在控制檯裡看到請求處理成功，API 判斷出來該圖片有 97% 的可能性是一臺 notebook.
![](https://img-blog.csdnimg.cn/img_convert/a173fd5435f748e831cafade1a7852cb.png)

API 測試透過之後，下一步是在 Java 程式裡進行消費。在 API 控制檯的右上角有一個按鈕 Download SDK，點選之後將 SDK 下載到本地，可以看到該 SDK 是一個基於Gradle 的 Java 專案。因此我們需要下載 Maven 和 Gradle 並完成環境變數配置。

Java 開發環境就緒後，使用 Eclipse 的 import 功能，將 SDK 匯入到 Eclipse 裡。匯入完成後如下圖所示：紅色區域是 AI Service SDK 自帶的程式碼，藍色區域是筆者手動建立的程式碼，用於呼叫 API 並列印結果。

![](https://img-blog.csdnimg.cn/img_convert/f4270d1204bc39a4a575476d3923b172.png)

編輯根目錄下的 pom.xml, 將如下依賴關係維護進去：

com.sap.apibhub.sdk, 版本號 1.0.0
![](https://img-blog.csdnimg.cn/img_convert/5c5c11a7555f0c2fa37f91352dba31b0.png)

在專案根目錄下執行 Maven 命令 mvn install, 確保專案成功構建。至此，可以開始編寫 Java 程式碼使用SAP AI SDK 來呼叫 AI API 了。

![](https://img-blog.csdnimg.cn/img_convert/201368c75ef4f8ba084e3b8c65f14a31.png)

SDK 封裝了底層 HTTP 請求的傳送和響應的解析等細節，使用起來非常簡捷。第 15 行的 inferenceSyncPost 函式，接收一個本地 File 物件，然後向 SAP AI Service Endpoint 傳送 HTTP 請求。
![](https://img-blog.csdnimg.cn/img_convert/d288f2d59d5ec01b31dcd235e5c472c7.png)

第 8 行的 API key，可以從 API 控制檯獲得：
![](https://img-blog.csdnimg.cn/img_convert/012c56374ec5e92872adfcbfca0742b5.png)

執行 Java 應用，在 Eclipse 控制檯列印出的輸出， AI Service 判斷這張圖片有 97% 的可能性是一個 notbook：
![](https://img-blog.csdnimg.cn/img_convert/1a3dc90336d58d648b1007c0e6b8cf92.png)

# 如何在 Web 應用裡消費 SAP AI 服務

登入 SAP 雲平臺，開啟 WebIDE：

![](https://img-blog.csdnimg.cn/img_convert/fad19df5bdd5fc258381b60951d64571.png)

因為是在瀏覽器環境裡使用 JavaScript 呼叫遠端的 AI API，為了避免跨域問題，需要在雲平臺裡建立一個Destination，作用和 ABAP Netweaver 事務碼 SM59 裡建立的 Destination 類似，所有的 HTTP Request 和 Response 都經由該 Destination.

![](https://img-blog.csdnimg.cn/img_convert/2d2668d4e8f25e732115eb93cb9d07fb.png)

屬性如上圖所示，url 維護為對應的 sandbox 環境：https://sandbox.api.sap.com/ml

記下這個 Destination 的名稱 sapui5ml-api, 因為稍後的 Web 應用的 JavaScript 程式碼裡需要使用。

維護額外的屬性 WebIDEnabled 為 true，這樣該 Destination 才能在 WebIDE 應用環境中被使用。點選 Check Connection 確保看到綠燈，表明 SAP 雲平臺 Destination 同 AI Service Endpoint 的連線處於可用狀態。

開啟 WebIDE 裡 Web 應用工程裡的 settings.json 檔案，將之前從 API 控制檯裡複製的 API Key 貼上到此處：

![](https://img-blog.csdnimg.cn/img_convert/ba8a2eb6f15957a8d2a5966f21227ed6.png)

在專案根目錄下的 neo-app.json 檔案裡，把型別為 destination 的 target 物件的名稱，維護成之前在 SAP 雲平臺裡建立的 Destination 相同的名稱 sapui5ml-api：

![](https://img-blog.csdnimg.cn/img_convert/b6a3bbaca5043838b04daa37363ffa6e.png)

執行這個 Web 應用，能看到如下介面：

![](https://img-blog.csdnimg.cn/img_convert/13c5e974445f4983c480f0280ca86378.png)

針對這個 Web 應用做一些簡單的測試，將下面這張圖片，上傳到 Web 應用去：

![](https://img-blog.csdnimg.cn/img_convert/157b4fa90c9545c2905f528b37931c85.png)

SAP AI API，識別出這張圖片有 74.7% 的可能性是一臺膝上型電腦，13.8% 的可能性是鍵盤，11.3% 的可能性是Tablets.

點選 Web 應用的按鈕 View JSON，能看到 AI 服務返回的技術明細。

![](https://img-blog.csdnimg.cn/img_convert/564a86afa6179aeb80ef87b2b588d7ed.png)

# 如何對 SAP 雲平臺上的機器學習模型進行重新訓練

如果使用者透過前文描述的 Java 應用或者 Web 應用上傳的圖片類別，並不被 SAP AI 服務事先訓練好的模型所支援，我們可以自行對 AI 服務的機器學習模型進行重新訓練。

假設我們期望 Product Image Classfication 機器學習模型能夠識別各式各樣的花。首先得準備大量不同型別的花的圖片。Tensorflow 官網上，已經體貼地給想嘗試重新訓練 AI 模型的學習者們，提供了一個做練習用的壓縮包，裡面包含了大量各式花的圖片：

http://download.tensorflow.org/example_images/flower_photos.tgz

用於重新訓練 AI 模型的資料集，必須符合下圖所示的層級結構，即 training, validation 和 test 三個資料夾下面，分別包含以產品類別命名的子資料夾，且資料規模之比為 8:1:1.

![](https://img-blog.csdnimg.cn/img_convert/1b93116c691701143b75c64ce6b8be6d.png)

SAP 雲平臺 service key 裡包含了一個IMAGE_RETRAIN_API_URL，可以用來獲取重新訓練 AI 模型需要上傳資料集的線上儲存 url：

![](https://img-blog.csdnimg.cn/img_convert/fa873977fd2309f6bf79c9b329b31254.png)

向這個 url 傳送一個 HTTP Get 請求，得到線上儲存的url：

![](https://img-blog.csdnimg.cn/img_convert/aa5ebfc61a1f56f6ebeb5bb305f5dff1.png)

把這個 url 貼上到瀏覽器裡，輸入 Postman 裡返回的 accessKey 和 secretKey 登入，就能以 Web 的方式訪問這個線上儲存了：

![](https://img-blog.csdnimg.cn/img_convert/c54a15bdcc916d1a626f14c18eb0becb.png)

下一步是把本地的訓練檔案，上傳到這個部署在 AWS 的線上儲存上去。

首先用命令列 mc config host 定義一個名為 sapjerrys3 的遠端站點，將上一步從 Postman 獲得的 AWS 線上儲存 url，accessKey 和 secret 繫結到這個站點上：

![](https://img-blog.csdnimg.cn/img_convert/d034f094f55306544b713d3ed96a37ec.png)

然後使用命令列上傳檔案：

mc.exe cp -r C:\Code\MachineLearningStudy\flowersjerry sapjerrys3\data

大概十幾分鍾後，檔案上傳完畢：

![](https://img-blog.csdnimg.cn/img_convert/4a353a04483efc953d39b7383b126e66.png)

此時可以從瀏覽器端，看到 AWS 線上儲存上傳完畢的訓練檔案。

![](https://img-blog.csdnimg.cn/img_convert/df414b339b5a0478d9ccf0724e774324.png)

重新訓練的資料集就緒之後，下一步就可以透過後臺作業的方式，提交一個模型重新訓練請求了。使用 Postman 傳送一個HTTP Post 請求，啟動模型重新訓練的後臺作業。

![](https://img-blog.csdnimg.cn/img_convert/d21475092d49ba9d9e63788e22e5465b.png)

使用命令列查詢後臺作業狀態，待其狀態變為 SUCCEEDED, 說明模型訓練已經結束了。

![](https://img-blog.csdnimg.cn/img_convert/17008222258010f97829521eeb56d3e2.png)

模型重新訓練完畢後，對其進行消費，url 格式為：

https://mlfinternalproduction-image-classifier.cfapps.sap.hana.ondemand.com/api/v2/image/classification/models/<model name="">/versions/1

使用一張向日葵圖片：
![](https://img-blog.csdnimg.cn/img_convert/1c2d5bfb78f05360e1ee7577e9125163.png)

將其作為 HTTP Post 的引數，傳送給重新訓練完畢的模型 flowerjerrymodel，得到的結果顯示，AI Service 認為這張圖片有大約 87% 的可能性是一棵向日葵(Sunflower)。

![](https://img-blog.csdnimg.cn/img_convert/b2149565efec9ec730cb20326eaef947.png)

最後，我們來看一個 AI 服務在企業智慧服務(Intelligent Serbice Scenario)場景中的具體應用。

一位維修工程師接受客戶的維修請求，上門維修某裝置，發現該裝置某零件損壞了。假設這位技師由於種種原因，沒能根據經驗識別出該零件的型號。此時技師掏出手機，給零件拍攝一張圖片，透過手機上安裝的 SAP 智慧服務解決方案(比如本文之前描述的 Java 程式和 Web 應用)，透過 AI API，自動識別出零件的準確型號，返回給維修工程師。

SAP 雲平臺 AI 服務，接收到維修工程師上傳的圖片後，將該圖片的特徵向量提取出來，透過平臺上基於海量資料集訓練好的模型，識別出準確型號。

![](https://img-blog.csdnimg.cn/img_convert/9732e59a4f767486862a2f8b35ee9c7f.png)

特徵向量的提取，從數學上說，即透過某種演算法，把輸入圖片的二進位制流，轉換成一個向量(一維矩陣)的過程。

以下圖梯形和圓形為例，我們把圖形均勻地分成 9 個區域，在圖形中心觀察每個區域內圖形單元的梯度方向，就可以實現降維，把二維影像以一個一維矩陣來表示。

![](https://img-blog.csdnimg.cn/img_convert/94d7777123d016b65018c0cfb381a2c1.png)

對於基於 SAP AI 服務開發應用程式的程式設計人員來說，無需瞭解圖片特徵向量提取的具體演算法，只需透過 Restful API 呼叫的方式，把待提取特徵向量的圖片推送給 AI Service Endpoint，就能得到特徵向量輸出。

透過如下 url 進入 SAP AI Service 中有關圖片特徵向量提取服務的測試控制檯和幫助文件：

https://api.sap.com/api/img_feature_extraction_api/resource

從控制檯上傳一張本地圖片，點選 Execute 按鈕：
![](https://img-blog.csdnimg.cn/img_convert/aa0fb9db7bf12257778075bb66cb414b.png)

得到了輸出的特徵向量：

![](https://img-blog.csdnimg.cn/img_convert/6bc90a1e994a080809cb0e75323bb7ce.png)

有了特徵向量後，我們再回到正在討論的企業智慧服務場景。我們利用 SAP AI 服務的另一個和圖片處理相關的人工智慧服務：圖片相似度評分(Inference Service for Similarity Scoring)。

![](https://img-blog.csdnimg.cn/img_convert/cff2e0b29110a75f11c036759df5c846.png)

這個 圖片相似度評分 AI API 的輸入需要兩個壓縮包。第一個壓縮包內檔案內容是一系列特徵向量，來自維修工程師上傳的圖片檔案。第二個壓縮包裡存放的是型號為 A，B，C... 等零件圖片的特徵向量。

![](https://img-blog.csdnimg.cn/img_convert/c5a52ed1fdd5f5f6d890e5090b944590.png)

如上圖所示，為簡單起見，第二個壓縮包我只存放了兩個檔案，分別存放的是零件型號 A 和型號 B 的特徵向量。

使用 Postman 呼叫 API，傳入這兩個壓縮包：

![](https://img-blog.csdnimg.cn/img_convert/c9bd5b3256baf654853062808c4733e6.png)

得到的結果表明，維修工程師上傳的圖片和型號 A 的相似係數幾乎接近 1，那麼顯然，該圖片代表型號 A。

![](https://img-blog.csdnimg.cn/img_convert/cac4d7bc86bd6736b77a49a3d4bc89a4.png)

當然，除了直接上傳包含了圖片特徵向量的壓縮檔案之外，將這些檔案包含的特徵向量內容以 JSON 字串的方式作為輸入，呼叫 API 也是一種通用的方式，JSON 字串的格式在 SAP 官網裡有詳細說明，這裡不再贅述。

![](https://img-blog.csdnimg.cn/img_convert/1ffe34b2438bbd1a7bd8faef61c928a3.png)

希望本文介紹的這些 SAP AI API 的使用場景對大家有所幫助，感謝閱讀。</model>

基於 SAP BTP 平臺的 AI 專案經驗分享

相關文章