Casos de uso del servicio AI

Oracle GoldenGate utiliza las capacidades de IA en varios aspectos de la gestión de datos vectoriales en diferentes bases de datos y topologías.

Puede utilizar Oracle GoldenGate en varios escenarios, como:

Obtenga información sobre algunos de estos escenarios en esta sección.

Migración de datos vectoriales a bases de datos Oracle

La migración de datos vectoriales a Oracle AI Database 26ai requiere un enfoque cuidadosamente orquestado para garantizar la integridad de los datos y la consistencia semántica.

Las organizaciones suelen empezar por utilizar las capacidades de carga inicial de Oracle GoldenGate para transferir incrustaciones históricas de sistemas externos, como PostgreSQL pgvector, MySQL Heatwave o almacenes de vectores personalizados, seguidos de la captura de datos de cambio de sincronización continua (CDC) para mantener los juegos de datos actualizados. Antes de la ingesta, los datos vectoriales se deben normalizar en un formato consistente, como las matrices float32, para alinearse con el tipo de datos VECTOR nativo de Oracle, que a menudo puede proporcionar el almacenamiento optimizado con un rendimiento de consulta mejorado.

También es fundamental mantener la coherencia en el modelo de integración utilizado durante la migración para evitar la deriva semántica, lo que puede degradar la precisión de la búsqueda y los resultados de la IA. Para los juegos de datos a gran escala, el paralelismo de la carga inicial del Extract GoldenGate (SOURCEISTABLE o Scaling GoldenGate SOURCEISTABLE Initial Load Extracts) y los procesos de Replicat mejoran significativamente el rendimiento y reducen el tiempo de migración.

Un patrón de implantación común implica la migración de incrustaciones generadas en pipelines de Machine Learning basados en Python ascendentes a tablas de Oracle, donde se almacenan como columnas VECTOR y están disponibles para la búsqueda de similitudes en tiempo real y aplicaciones controladas por IA.

Replicación o consolidación de datos vectoriales

Oracle GoldenGate proporciona un marco sólido para replicar y consolidar datos vectoriales de orígenes distribuidos en una base de datos centralizada de Oracle AI, lo que permite una base unificada para la búsqueda semántica y las cargas de trabajo basadas en IA. En las arquitecturas modernas, las incrustaciones a menudo se generan en varias regiones o microservicios, lo que hace que sea esencial sincronizar y agregar estos datos de manera eficiente. Los casos de uso comunes incluyen la replicación multirregional para admitir aplicaciones de IA distribuidas globalmente con acceso de baja latencia, así como la consolidación de incrustaciones producidas por servicios independientes en un único sistema de recuperación para mejorar la precisión y la gobernanza de las consultas. Si los esquemas de origen y destino no son idénticos, las reglas de transformación se deben implantar en GoldenGate para conciliar las diferencias de esquema entre los sistemas de origen, lo que garantiza la compatibilidad con el modelo de datos de destino. Si el origen de datos contiene datos raw o tabulares que se deben embeber en el hub vectorial de destino, utilice la integración del servicio de IA GoldenGate o las funciones de embebido de la base de datos nativa para realizar la embebido en tiempo real.

Transmisión de datos vectoriales a motores de búsqueda de IA

Oracle GoldenGate permite la transmisión en tiempo real de los cambios de datos vectoriales a los motores de búsqueda y pipelines de procesamiento de IA descendentes, formando un puente crítico entre los sistemas transaccionales y las aplicaciones basadas en IA. A medida que se crean o actualizan incrustaciones en los sistemas de origen, GoldenGate puede capturar estos cambios y transmitirlos a destinos como bases de datos vectoriales como Pinecone, Milvus, plataformas de búsqueda como OpenSearch con capacidades k-NN o pipelines de IA basados en eventos basados en tecnologías como Apache Kafka. Esta arquitectura admite búsquedas semánticas, sistemas de recomendación y casos de uso de inferencia en tiempo real de baja latencia. Para implementar esto de manera efectiva, las organizaciones deben aprovechar GoldenGate para aplicaciones distribuidas y análisis, o aprovechar OCI GoldenGate para integrarse a la perfección con Kafka y estas otras plataformas de transmisión. La serialización eficiente de los datos vectoriales, utilizando formatos como matrices JSON para la interoperabilidad o formatos binarios compactos para el rendimiento, es esencial para minimizar la sobrecarga de red y la latencia de procesamiento.

Además, garantizar la entrega de mensajes idempotente es fundamental para mantener la coherencia entre los sistemas descendentes, especialmente en entornos distribuidos en los que se pueden producir reintentos o eventos duplicados.

Pipelines de transmisión de IA

Oracle GoldenGate Stream Analytics (GGSA) 26ai amplía las capacidades de movimiento de datos en tiempo real de GoldenGate con una potente capa de procesamiento de eventos basada en IA que permite la toma de decisiones inteligente directamente dentro de los pipelines de transmisión. Al combinar un procesamiento de flujos exacto, ordenado y transaccionalmente consistente con integraciones integradas de IA, vectores y aprendizaje automático, GGSA permite a las organizaciones ir más allá de la lógica basada en reglas y aplicar insights basados en modelos a los datos en vivo. Los eventos capturados mediante la replicación de GoldenGate se pueden enriquecer y procesar mediante patrones de agentes de IA basados en modelos de lenguaje grandes, lo que permite la evaluación basada en lenguaje natural, el razonamiento contextual y la generación aumentada por recuperación (RAG) con respecto a los datos empresariales. Además, GGSA soporta la creación y consulta de incrustaciones vectoriales dentro de pipelines, lo que permite la búsqueda de similitud en tiempo real y casos de uso de coincidencia semántica, como la identificación de problemas o contenido relacionados con los clientes. La integración con Oracle Machine Learning y AutoML permite una puntuación y clasificación predictivas de los eventos de transmisión, lo que permite casos de uso como la detección de fraudes, la detección de anomalías y la previsión.

GoldenGate Stream Analytics permite a los usuarios elegir el nivel de inteligencia adecuado para cada decisión automatizada. El enrutamiento directo o las alertas se pueden gestionar con filtros y expresiones lógicas, como marcar transacciones de alto valor o priorizar eventos de servicio urgentes. Las decisiones predictivas pueden utilizar modelos de aprendizaje automático para puntuar eventos para resultados como riesgo de fraude, fallo de equipos, abandono o previsiones de demanda. Los pipelines también pueden crear y consultar incrustaciones de vectores, lo que permite la coincidencia semántica, por ejemplo, la coincidencia de una nueva pregunta de cliente con la respuesta, el documento o el caso de soporte más relevantes. Para escenarios más complejos, los pipelines pueden llamar a agentes de IA que utilizan datos de eventos en tiempo real, contexto empresarial y generación aumentada de recuperación para producir una recomendación o acción razonada.

Juntas, estas capacidades posicionan a GoldenGate Stream Analytics como una plataforma unificada para procesar flujos de eventos de alta velocidad con inteligencia de IA integrada, uniendo perfectamente los datos transaccionales y los análisis avanzados.