Una acción en Select AI es una palabra clave que indica a Select AI que realice un comportamiento diferente al actuar en el indicador. Al especificar una acción, los usuarios pueden indicar a Select AI que procese su petición de datos en lenguaje natural para generar código SQL, responder a una petición de datos de chat, narrar la salida, mostrar la sentencia SQL o explicar el código SQL, aprovechando los LLM para interactuar de forma eficiente con los datos dentro de su entorno de base de datos.

Un perfil de IA es una especificación que incluye el proveedor de IA que debe utilizar y otros detalles relacionados con los metadatos y los objetos de base de datos necesarios para generar respuestas a peticiones de datos en lenguaje natural. Consulte Procedimiento CREATE_PROFILE y Atributos de perfil.

Un proveedor de IA en Select AI hace referencia al proveedor de servicios que proporciona el LLM o el transformador, o ambos, para procesar y generar respuestas a peticiones de datos en lenguaje natural. Estos proveedores ofrecen modelos que pueden interpretar y convertir el lenguaje natural para los casos de uso resaltados en el concepto LLM. Consulte Select your AI Provider and LLMs para conocer los proveedores admitidos.

Las conversaciones en Select AI representan un intercambio interactivo entre el usuario y el sistema, lo que permite a los usuarios consultar o interactuar con la base de datos a través de una serie de peticiones de datos de lenguaje natural. Select AI incorpora hasta 10 peticiones de datos anteriores en la solicitud actual, lo que crea una petición de datos aumentada enviada al LLM. Consulte Activación de conversaciones para mejorar la interacción del usuario.

Las credenciales de base de datos son credenciales de autenticación utilizadas para acceder a las bases de datos e interactuar con ellas. Por lo general, consisten en un nombre de usuario y una contraseña, a veces complementados con factores de autenticación adicionales como tokens de seguridad. Estas credenciales se utilizan para establecer una conexión segura entre una aplicación o un usuario y una base de datos, de modo que solo las personas o sistemas autorizados puedan acceder a los datos almacenados en la base de datos y manipularlos.

La alucinación en el contexto de los modelos de lenguaje grande se refiere a un fenómeno en el que el modelo genera texto que es incorrecto, sin sentido o no está relacionado con el indicador de entrada. A pesar de ser el resultado del intento del modelo de generar un texto coherente, estas respuestas pueden contener información fabricada, engañosa o puramente imaginativa. La alucinación puede ocurrir debido a sesgos en los datos de entrenamiento, falta de comprensión del contexto adecuado o limitaciones en el proceso de entrenamiento del modelo.

Oracle Cloud Infrastructure Identity and Access Management (IAM) le permite controlar quién tiene acceso a sus recursos en la nube. Puede controlar qué tipo de acceso tiene un grupo de usuarios y a qué recursos específicos. Para obtener más información, consulte Visión general de Identity and Access Management.

Un modelo de lenguaje grande (LLM) se refiere a un tipo avanzado de modelo de inteligencia artificial que está entrenado en cantidades masivas de datos de texto para soportar una serie de casos de uso en función de sus datos de entrenamiento. Esto incluye la comprensión y generación de lenguaje similar al humano, así como el código de software y las consultas de base de datos. Estos modelos son capaces de realizar una amplia gama de tareas de procesamiento de lenguaje natural, incluyendo generación de texto, traducción, resumen, respuesta a preguntas, análisis de sentimientos y más. Los LLM se basan típicamente en sofisticados modelos de red neuronal de aprendizaje profundo que aprenden patrones, contexto y semántica a partir de los datos de entrada, lo que les permite generar texto coherente y contextualmente relevante.

Los metadatos de la base de datos hacen referencia a los datos que describen la estructura, la organización y las propiedades de las tablas y vistas de la base de datos.

Una clonación de metadatos o una clonación de Autonomous Database crea una copia de los metadatos que definen la base de datos o el esquema, que contiene solo la estructura, no los datos reales. Esta clonación incluye tablas, índices, vistas, estadísticas, procedimientos y disparadores sin filas de datos. A los desarrolladores, probadores o aquellos que crean plantillas de base de datos les resulta útil. Para obtener más información, consulte Clonación, movimiento o cambio de versión de una instancia de Autonomous Database.

Las peticiones de datos de lenguaje natural son instrucciones o solicitudes legibles por humanos que se proporcionan para guiar los modelos de IA generativa, como los modelos de lenguaje grande. En lugar de utilizar lenguajes de programación o comandos específicos, los usuarios pueden interactuar con estos modelos introduciendo peticiones de datos en una forma de lenguaje más conversacional o natural. A continuación, los modelos generan una salida basada en la petición de datos proporcionada.

Una lista de control de acceso de red es un conjunto de reglas o permisos que definen qué tráfico de red puede pasar a través de un dispositivo de red, como un enrutador, un firewall o una puerta de enlace. Las ACL se utilizan para controlar y filtrar el tráfico entrante y saliente en función de diversos criterios, como direcciones IP, números de puerto y protocolos. Desempeñan un papel crucial en la seguridad de la red al permitir a los administradores gestionar y restringir el tráfico de red para evitar el acceso no autorizado, posibles ataques y violaciones de datos.

La generación aumentada de recuperación (RAG) es una técnica que implica la recuperación de información relevante para la consulta de un usuario y el suministro de esa información a un modelo de lenguaje grande (LLM) para mejorar las respuestas y reducir la alucinación.

Por lo general, RAG implica la búsqueda vectorial, pero más generalmente, incluye el aumento de una petición de datos de contenido de base de datos (ya sea manual o automáticamente), como metadatos de esquema para la generación de SQL o contenido de base de datos consultado explícitamente. Otras formas de aumento pueden implicar tecnologías como el análisis de gráficos y el aprendizaje automático tradicional.

La búsqueda de similitud semántica identifica y recupera puntos de datos que coinciden estrechamente con una consulta determinada mediante la comparación de vectores de funciones en un almacén de vectores.

La distancia vectorial mide la similitud o disimilitud entre los vectores de características calculando la distancia entre ellos en un espacio multidimensional.

Un índice vectorial organiza y almacena vectores para permitir una búsqueda de similitud eficiente y la recuperación de datos relacionados.

Un almacén de vectores incluye sistemas que almacenan, gestionan y activan la búsqueda de similitud semántica que implica incrustaciones de vectores. Esto incluye bases de datos vectoriales independientes y búsqueda vectorial de IA de Oracle Database 23ai.