Diese Architektur demonstriert die Möglichkeiten eines Cloud-Datenspeichers, der Daten aus einer Vielzahl von Unternehmensdatenressourcen mit Oracle Data- und AI-Services verarbeitet. Nutzen Sie diese Architektur, um die Daten für Geschäftsanalysen und maschinelles Lernen zu nutzen. Daten können aus verschiedenen Quellen sowohl innerhalb als auch außerhalb von Oracle ermittelt und dann zur Transformation aufgenommen werden. Um die Rohdaten in messbare und umsetzbare Daten zu transformieren, müssen die Daten in verschiedenen Phasen verarbeitet werden:

1. Entdecken
2. Datenaufnahme
3. Transformieren
4. Kuratieren
5. Analysieren, Lernen &-Vorhersage
6. Messen & handeln

Die folgenden Features erstrecken sich über die gesamte Oracle Cloud Infrastructure-(OCI-)Region:

• Governance
• Sicherheit, Identität und & Zugriffsverwaltung
• On-Premise FastConnect ermöglicht Online-Datenübertragung mit flexiblen Compute- und flexiblen Speicherfunktionen von OCI
• Die Partnerschaft von Oracle mit Azure Interconnect ermöglicht die Migration in die Cloud und das Erstellen cloud-nativer Anwendungen.

Der Bereich ist in funktionale Schichten unterteilt, die physische oder funktionale Komponenten enthalten:

• Discovery-Phase: Sie können Daten aus einer Vielzahl von Quellen wie Unternehmensanwendungen, Azure und anderen Datenbanken, Oracle Data Cloud, Webclicks, Event Streams, Sensoren, Medien oder File Object Stores ermitteln.
• Data Refinery-Schicht: Die Daten durchlaufen die Aufnahmephase in dieser Schicht.

  • Die Services für die Batchaufnahme (OCI Data Integration, ODI und DB Tools) nutzen Anwendungsdaten. Oracle Autonomous Data Warehouse verwendet verfeinerte Anwendungsdaten. Der Cloud-Speicher in der Data Persistence Platform-Schicht verbraucht Rohdaten.
  • Mit Change Data Capture (GoldenGate und ODI) und Bulk Transfer (FastConnect Data Transfer, MFT, CLI) können Rohdaten aus allen Datenraffinationspfaden in den Cloud-Speicher in der Datenpersistenz- und Verarbeitungsschicht verschoben werden.
  • Der Streaming Ingest-(Streaming Service, Big Data Service-)Service verbraucht die Ereignisstream-Daten. Der Streaming Processing-(GoldenGate Stream Analytics-)Service verbraucht die Streamdaten und überträgt sie in den Cloud-Speicher in der Datenpersistenz- und -Verarbeitungsschicht.

• Datenpersistenz- und Verarbeitungsschicht: Daten durchlaufen die Phase "Transformation" und "Kurate". Dieser Layer erleichtert die Datennavigation, um die aktuelle Geschäftsansicht anzuzeigen.

  Die Datenpersistenz- und Verarbeitungsschicht strukturiert die Daten basierend darauf, ob die von Ihnen verwendete Datenbanktechnologie relational oder nicht relational ist. Governance (Data Catalog) gilt für Anwendungsdaten und Rohdaten, wenn sie diese Schicht durchlaufen.

• Zugriff auf die &-Dolmetschungsschicht: Daten durchlaufen die Phase "Analysieren", "Lernen" und "Prognostizieren". Diese Schicht macht die Daten bereit für den Zugriff und die Intepretation mit Analysen, maschinellem Lernen und KI-Services wie Anomalieerkennung. Mit dem Oracle Analytics Cloud-Service können Sie verfeinerte Anwendungsdaten visualisieren. Data Scientists können die Services "Maschinelles Lernen" (Data Science, OML Notebooks, OML) nutzen, um Modelle mit einer vertrauten Benutzeroberfläche zu erstellen und zu trainieren. Machine Learning verbraucht Rohdaten, die für Schulungsmodelle verwendet werden können. Streaming Analytics-(GoldenGate Stream Analytics-)Services bieten Datenvisualisierungen, um die Daten für den Zugriff und die Interpretation verfügbar zu machen.

  Mit den über ein API-Gateway und Funktionen verfügbaren APIs können Entwickler ihre eigenen Anwendungen erstellen und mithilfe von maschinellem Lernen und KI-Services die Rohdaten nutzen.

• Mess& Act-Phase: Oracle Applications Data Warehouse kann die analysierten Daten nutzen, sie verwenden, daraus lernen und Ergebnisse vorhersagen. Erweiterte Analysen, Dashboards und Berichte, maschinelles Lernen, datengesteuerte Anwendungen, KI-fähige Services und alle Vorteile durch Nutzung der Messungen und Reaktion auf die Vorhersagen. Unternehmen können die Daten monetarisieren, indem sie datengesteuerte Geschäftsentscheidungen mit datengesteuerten Apps treffen. Sie können Modelle für maschinelles Lernen trainieren, Dashboards &-Berichte erstellen und erweiterte Analysen erstellen.