1. Oracle Database新機能
  2. リリース更新23.7の機能

リリース更新23.7の機能

AI Vector Search: 算術および集計演算

日付、タイムスタンプ、間隔および数値を加算(+)、減算(-)または乗算(*)できるのと同様に、これらの算術演算子をベクトルに適用できるようになりました。算術演算は、ベクトルの各ディメンション要素で実行されます。また、ベクトルのセットのSUMまたはAVGを計算することもできます。

ベクトルの算術演算により、AIシステムは抽象概念を操作および結合できるため、言語やデータをより高度な方法で理解および処理する能力が向上します。

ドキュメントの表示に関する項

JSONリレーショナル二面性ビューの定義における柔軟性の向上

ドキュメント・サブオブジェクトでfield _idを使用して、ドキュメントを選択する列を識別し、ID列を識別列として使用できます。

二面性ビューを定義する際のこのような追加の可能性により、サポートできるドキュメントの種類が多くなり、より多くのアプリケーション・ユースケースが可能になります。

ドキュメントの表示に関する項

23.6以降のリリースで新しいAI Vector Search機能を使用するための23.6.0互換への変更

Oracle Database 23ai (23.6)以降、新しいAI Vector Search機能を使用する機能は、リリース更新(RU) 23.6以降のリリースで導入されています。

リリース更新23.6のCOMPATIBLEパラメータについて:

  1. Oracle Database 23aiリリース更新23.6を直接インストールする新規のお客様:
    • 23.6 RUのフレッシュ・インストールおよびdb createの使用の場合、デフォルトで23.6.0に設定されたCOMPATIBLEパラメータが付属しています。
    • このインストール後は、COMPATIBLEパラメータを後で低い値にダウングレードできません。
  2. Oracle Database 23aiリリース更新23.4および23.5のお客様:
    • パッチ適用前のCOMPATIBLEパラメータは、23.0.0または23.4.0または23.5.0です。
    • 23.6リリース更新をインストールする場合(つまり、RU 23.6にパッチ適用する場合)、新しいベクトルDB機能にアクセスするには、COMPATIBLEパラメータを23.6.0に手動で設定する必要があります。
    • ノート: RU 23.6.0では、COMPATIBLEパラメータの更新には停止時間が必要です。パッチ適用の一環として自動的に実行されるわけではありません。データベースのCOMPATIBLE設定の更新を選択する必要があります。
  3. Oracle Database 19cまたは21cのお客様:
    • データベースをOracle Database 23aiにアップグレードする場合、COMPATIBLEパラメータはソース・データベースで以前に設定したままになります。
    • 新しいベクトルDB機能を使用する場合は、COMPATIBLEパラメータを23.6.0に手動で設定する必要があります。
    • ノート: 23aiへのアップグレードで許可される最小のCOMPATIBLE設定は19.0.0です。つまり、Oracle Database 12cまたは18cからOracle Database 23aiに直接アップグレードすることはできません。

ドキュメントの表示に関する項

クラウド開発者パッケージ

クラウド開発者パッケージには、クラウド・サービスとシームレスに接続、処理および統合するための組込みツールが用意されています。これらのパッケージ(DBMS_CLOUD、DBMS_CLOUD_PIPELINE、DBMS_CLOUD_REPO、DBMS_CLOUD_NOTIFICATIONおよびDBMS_CLOUD_AI)は総合的に、次のような利点をもたらします:

  • クラウド・ストレージへの簡単なデータ・アクセスの実現
  • パイプラインによるワークフローの自動化
  • イベント通知のトリガー
  • データベースから直接使用するためのAI機能の統合

DBMS_CLOUD_AIは、Select AI機能をサポートする、大規模言語モデル(LLM)およびトランスフォーマを活用するためのSQLおよびPL/SQLインタフェースとなります。Select AIは、他のAIベースの機能の中でも、自然言語からSQLへの生成や検索拡張生成(RAG)を可能にします。

クラウド開発者パッケージを使用すると、企業はクラウドに保存されたデータを操作し、リアルタイム・データを処理し、AIなどの高度なツールを使用して、クラウド機能から利益を得ることができます。このアプローチは、運用を簡素化し、特にオンプレミス・システムとクラウド・システムの混在をサポートします。

ドキュメントの表示に関する項

DBMS_DEVELOPERパッケージ

DBMS_DEVELOPERパッケージを使用すると、開発者は、表、ビュー、索引などのデータベース・オブジェクトのメタデータを効率的に取得できます。

以前のリリースでは、オブジェクト・メタデータはDBMS_METADATAパッケージを使用して取得する必要があり、その後、様々なデータ・ディクショナリ表およびビューに対して問合せを実行する必要がありました。この方法では、メタデータをXML形式で返しました。

DBMS_DEVELOPERパッケージは、メタデータをJSON形式で返すので、開発者ツールなどのアプリケーションやサービスと簡単に統合できます。詳細レベルを調整しすることで、返されるメタデータの量を制御し、アプリケーションのニーズに合せることができます。さらに、メタデータ取得時間が大幅に改善され、アプリケーションやサービスとの統合が強化されます。

ドキュメントの表示に関する項

PL/SQLでのディメンション単位の算術サポート

PL/SQLのベクトルに、加算(+)、減算(-)および乗算(*)を適用できるようになりました。算術演算は、ベクトルの各ディメンション要素で実行されます。

ベクトルの算術演算により、AIシステムは抽象概念を操作および結合できるため、言語やデータをより高度な方法で理解および処理する能力が向上します。ベクトル算術のPL/SQLサポートにより、開発者はSQLをコールせずに、PL/SQLブロックおよび関数内でこれらの演算を適用できます。

ドキュメントの表示に関する項

PL/SQLコード・ユニットをコールするためのJavaScriptの外部関数インタフェース

外部関数インタフェース(FFI)を使用すると、JavaScript開発者は、PL/SQLで記述されたコード・ユニットをコールするために、より使い慣れた構文を使用できます。

PL/SQLブロックを使用するのではなく、ネイティブのJavaScript構成を使用して、PL/SQLで記述されたほとんどのコードと対話できます。FFIを使用すると、JavaScript開発者は、PL/SQLコードをJavaScript関数に統合するプロセスを合理化することで、より優れたエクスペリエンスを得ることができます。

ドキュメントの表示に関する項

JSONのハイブリッド・ベクトル索引

ハイブリッド・ベクトル索引を使用すると、全文検索機能をセマンティック・ベクトル検索手法と統合してドキュメントを取得できるようになり、検索結果の品質が向上します。この強力な機能がJSON列をサポートするように拡張され、データの索引付けおよび問合せの柔軟性が向上しました。

JSON列にハイブリッド・ベクトル索引を作成すると、ユーザーによる様々なタイプの検索の実行を可能にする統合問合せAPIが提供されます:

  • テキスト問合せ
  • ベクトル類似性問合せ
  • 両方のアプローチを利用するハイブリッド問合せ

この汎用機能により、ユーザーは次を実行できます:

  • 検索エクスペリエンスを簡単にカスタマイズ
  • 検索結果の品質および関連性を大幅に向上

ドキュメントの表示に関する項

VECTORデータ型予測子に対するデータベース内アルゴリズムのサポート

この機能により、ユーザーは、構造化されたエンタープライズ・データとともに、VECTORデータ型の1つ以上の列を予測子としてデータベース内の機械学習アルゴリズムに含めることができます。

非構造化データのベクトル表現は、従来の機械学習アルゴリズムへの強力な入力となります。これにより、テキストおよびイメージ・データに対する効率的なデータ処理が可能になり、データ主導型の意思決定が迅速化されます。機械学習モデルへの入力としてベクトルを提供することで、幅広いユース・ケースを処理できます。

ドキュメントの表示に関する項

近傍パーティション・ベクトル索引に含まれる列

ベクトル索引の含まれる列は、近傍パーティション・ベクトル索引内に非ベクトル列を組み込むことで、属性フィルタによる検索を高速化します。この機能により、実表からこれらの列にアクセスする必要がなくなるため、問合せの実行が最適化されます。

高度なワークロードでは、多くの場合、リレーショナル列のビジネス・データ検索とベクトル類似性検索を組み合せます。近傍パーティション・ベクトル索引に列を含めると、属性フィルタをベクトルベースの類似性検索と統合することで、エンタープライズ検索機能が大幅に強化されます。 

この統合により、次の方法で複雑な問合せを効率的に実行できます:

  1. ベクトル検索と連携して属性フィルタを直接評価
  2. コストの高い結合操作による実表アクセスの必要性を排除。

さらに、問合せに必要なすべての列が対象列として索引に含まれている場合は、索引から直接データを取得できるため、問合せのパフォーマンスが向上します。

ドキュメントの表示に関する項

JSON to Duality Migrator: マルチコレクション・インポートAPI

DBMS_JSON_DUALITY.IMPORT_ALLは、複数のドキュメント・コレクションをJSONリレーショナル二面性ビューにインポートするために設計されたPL/SQLプロシージャです。

既存のDBMS_JSON_DUALITY.IMPORTプロシージャは1つのコレクションのインポートに限定されますが、1つのPL/SQLコールに複数のコレクションをインポートする機能によってプロセスが簡略化され、制約違反エラーの防止に役立ちます。IMPORT_ALLプロシージャを使用すると、複数のドキュメント・コレクションをJSONリレーショナル二面性ビューに効率的にインポートできます。

ドキュメントの表示に関する項

JSON to Duality Migrator: スキーマとデータの検証

PL/SQLファンクションDBMS_JSON_DUALITY.VALIDATE_SCHEMA_REPORTおよびVALIDATE_IMPORT_REPORTは、JSON-To-Dualityマイグレータによって作成およびインポートされるリレーショナル・スキーマおよびデータを検証するために用意されています。

推奨されるリレーショナル・スキーマを検証するファンクションの必要性が増しています。このようなニーズに対応するために、次の機能を備えた検証APIが開発されています:

  • ユーザーが推奨されるリレーショナル・スキーマの正確性を検証する支援をする
  • ドキュメント・コレクションを二面性ビューに移行したときにデータが失われていないことを確認する

ドキュメントの表示に関する項

マテリアライズド式列

式列は、仮想列とも呼ばれ、既存の列から導出(計算)される追加の列です。これらはディスク上に保持(マテリアライズ)でき、実行時にのみ結果を計算する既存のデフォルト機能を補完します。

実行時の計算と式列のDML時の計算から選択すると、アプリケーションに適したアプローチをさらに柔軟に選択できます。

式列をマテリアライズすると、同じ式を何度も計算する必要があるため、ディスク・ストレージがトレードオフになります。

ドキュメントの表示に関する項

シャード領域間でのデータ・チャンクの移動

Oracle Globally Distributed Databaseのコンポジット・シャーディング方法では、データが異なるシャード領域に編成されるため、ユーザーはデータのサブセットを区別できるようになります。ただし、ロード・バランシングのための自動チャンク移動はシャード領域内で行われます。このリリースでは、Oracle Globally Distributed Databaseによって、既存のシャード領域から別のシャード領域にデータ・チャンクを移動できるようになります。

この機能により、既存のシャード領域間でデータを移動したり、新しく追加されたシャード領域にデータを移動できます。特定の顧客に新しいレベルのサービスやリソースの提供など、新しいビジネス・ニーズにあわせてシャード・データを配置したり、地域のデータの主権を維持しながら、あるサービス・クラスから別のサービス・クラスに顧客を移動したりできます。

ドキュメントの表示に関する項

PL/SQL BINARYベクトル・サポート

PL/SQLでは、SQLにあわせて、ベクトル型の新しいディメンション形式としてBINARYがサポートされます。

BINARYベクトルは、テキスト・ドキュメントなどの一部のエンティティが特定の機能、リストの単語または語句を含むかどうかを表すために頻繁に使用されます。BINARY形式には2つの利点があります。ベクトルのストレージ・フットプリントは、デフォルトのFLOAT32ベクトルと比較して32倍減らすことができます。また、BINARYベクトルの距離計算は、最大で40倍高速です。

BINARYベクトルのサポートは、PL/SQLが他のディメンション形式のベクトルをサポートするのと同じ方法でバイナリ・ベクトルを処理できることを意味します。

ドキュメントの表示に関する項

PL/SQL JACCARD距離のサポート

JACCARD距離メトリックがPL/SQLでサポートされるようになりました。このメトリックは、0から1の値として2つのBINARYベクトルの間の類似性メジャーとなります。

ジャッカード距離は、バイナリ・ベクトルの一般的な類似性メジャーです。PL/SQL VECTOR_DISTANCE演算子の新しいメトリックとしてのJACCARDのサポートは、PL/SQLコードがSQLにコールアウトするのではなく、PL/SQL内からJACCARD距離メトリックを使用できることを意味します。

ドキュメントの表示に関する項

SQL時間バケット処理

時間バケット処理は、時系列データまたはイベント・ストリーミング・データを処理する場合の一般的な操作で、任意に定義された時間ウィンドウ内の一連のデータ・ポイントを、集計分析のために特定の固定時間間隔(バケット)にマップする必要があります。

新しいSQL演算子TIME_BUCKETで、DATETIMESの時間ベース・データの時間バケット処理に対するネイティブかつ高性能なサポートを提供します。

時系列データの共通の固定時間間隔バケット処理に対してネイティブSQL演算子を提供すると、このような情報のアプリケーション開発およびデータ分析が大幅に簡略化されます。ネイティブ演算子は、簡単かつエラーが発生しにくいコードである他に、時系列分析のパフォーマンスを向上させます。

ドキュメントの表示に関する項

AI Vector Searchのシャーディング・サポート

ベクトル検索のGlobally Distributed Databaseサポートにより、ベクトルを含む表が、ハードウェアを共有しないOracleデータベースのプールに自動的に分散およびレプリケートされます。類似性検索は、シャード間で自動的にパラレル化されるか、シャーディング・キーが指定されている場合は特定のシャードに転送されます。

Globally Distributed Database AI Vector Searchは、複数のマシンにベクトルを分散させることによるスケーラビリティの向上、シャード間でベクトル検索をパラレル化することによるパフォーマンスの向上、一方のシャードがダウンした場合、もう一方のシャードは引き続き動作できることによるデータの回復力の向上など、いくつかの利点をもたらします。また、単一の論理データベースが複数の地理に分散される分散データベースの一部としてベクトル検索をデプロイすることもできます。

ドキュメントの表示に関する項

スモールファイル表領域の縮小

この機能により、スモールファイル表領域を確実に縮小できます。

以前のリリースでは、実際の使用領域がはるかに小さいにもかかわらず、スモールファイル表領域のデータファイルが大きくなる可能性があります。これは、ユーザーが表領域内のセグメントまたはオブジェクトを削除した後に発生する可能性がありますが、データがデータファイルのどこにあるかによっては、解放された領域をリカバリするためにデータファイルのサイズ変更を使用できなかった場合もあります。

スモールファイル表領域の縮小を使用することで、スモールファイル表領域のサイズが、すべてのセグメントとその表領域内のオブジェクトのサイズの合計に近づくことを期待できるようになりました。スモールファイル表領域を確実に縮小できるようになりました。これは、ストレージの最適化の向上およびストレージ・コストの削減を意味します。

ドキュメントの表示に関する項

データベース内ONNX Runtimeを使用したAI Vector Searchによるイメージ・トランスフォーマ・モデルのサポート

この機能により、Oracle Database 23aiで使用可能なデータベース内ONNX Runtimeエンジンを使用して、イメージ・トランスフォーマ・モデルをインポートおよび使用できるようになります。イメージ・トランスフォーマ・モデルはONNX形式であり、ONNXパイプラインの一部として必要なイメージ・デコードおよび前処理が含まれている必要があります。

インポートされたトランスフォーマを含むデータベース内ONNX Runtime エンジンを使用すると、テキストおよびイメージ・データをデータベース内で直接ベクトル化できるため、埋込みを生成するために別の環境をプロビジョニング、構成および保守する必要がなくなります。さらに、データベースから別の環境へデータを移動し、ベクトルをデータベースに戻す必要もありません。この機能拡張により、Oracle Databaseを使用して開発できる一連のユースケースが拡張され、イメージ・データを含めることができます。この機能は、Oracle AI Vector Searchとセマンティック類似性検索で使用するために統合されています。

ドキュメントの表示に関する項

外部表でのベクトル・データ型のサポート

データベースの外部(ファイル・システムまたはクラウド・オブジェクト・ストア)に格納されているベクトル・データに簡単にアクセスして、外部表を使用して類似性検索を実行できます。

データベースの外部で作成されたベクトル埋込みは、外部表および標準SQLを使用して迅速かつ簡単にロードできます。また、データベースの外部に格納されているベクトル埋込みに対して類似性検索を実行し、それらの検索をデータベース内に格納されているデータとシームレスに結合することもできます。

ドキュメントの表示に関する項