Cas d'utilisation des services d'IA

Oracle GoldenGate utilise les fonctionnalités d'IA dans divers aspects de la gestion des données vectorielles dans différentes bases de données et topologies.

Vous pouvez utiliser Oracle GoldenGate dans différents scénarios, par exemple :

Découvrez quelques scénarios de ce type dans cette section.

Migration de données vectorielles dans des bases de données Oracle

La migration de données vectorielles vers Oracle AI Database 26ai nécessite une approche soigneusement orchestrée pour garantir à la fois l'intégrité des données et la cohérence sémantique.

Les entreprises commencent généralement par utiliser les fonctionnalités de chargement initial d'Oracle GoldenGate pour transférer les incorporations historiques à partir de systèmes externes tels que PostgreSQL pgvector, MySQL Heatwave ou les banques de vecteurs personnalisées, puis par la capture continue des données de modification (CDC) de synchronisation pour maintenir les ensembles de données à jour. Avant l'assimilation, les données vectorielles doivent être normalisées dans un format cohérent, tel que les tableaux float32, pour s'aligner sur le type de données VECTOR natif d'Oracle, qui peut souvent fournir un stockage optimisé avec des performances de requête améliorées.

Il est également essentiel de maintenir la cohérence du modèle d'intégration utilisé lors de la migration pour éviter la dérive sémantique, ce qui peut dégrader la précision de la recherche et les résultats de l'IA. Pour les ensembles de données à grande échelle, la mise en parallèle de la charge initiale d'extraction GoldenGate (SOURCEISTABLE ou Redimensionnement des extractions de charge initiale SOURCEISTABLE GoldenGate) et des processus de réplication améliore considérablement le débit et réduit le temps de migration.

Un modèle d'implémentation commun implique la migration des intégrations générées dans les pipelines de machine learning Python en amont dans les tables Oracle, où elles sont stockées en tant que colonnes VECTOR et mises à disposition pour la recherche de similarité en temps réel et les applications basées sur l'IA.

Réplication ou consolidation des données de vecteur

Oracle GoldenGate fournit une structure robuste pour la réplication et la consolidation de données vectorielles à partir de sources distribuées dans une base de données Oracle AI centralisée, permettant une base unifiée pour la recherche sémantique et les charges de travail basées sur l'IA. Dans les architectures modernes, les intégrations sont souvent générées dans plusieurs régions ou microservices, ce qui rend essentiel la synchronisation et l'agrégation efficaces de ces données. Les cas d'utilisation courants incluent la réplication multi-région pour prendre en charge les applications d'IA distribuées dans le monde entier avec un accès à faible latence, ainsi que la consolidation des intégrations produites par des services indépendants dans un système d'extraction unique pour une précision et une gouvernance améliorées des requêtes. Si les schémas source et cible ne sont pas identiques, les règles de transformation doivent être implémentées dans GoldenGate pour rapprocher les différences de schéma entre les systèmes source, afin de garantir la compatibilité avec le modèle de données cible. Si la source de données contient des données brutes ou tabulaires qui doivent être intégrées dans le hub vectoriel cible, utilisez l'intégration du service AI GoldenGate intégré ou les fonctionnalités d'intégration de base de données natives pour effectuer l'intégration en temps réel.

Transmission de données vectorielles aux moteurs de recherche IA

Oracle GoldenGate permet la transmission en temps réel des modifications de données vectorielles vers les moteurs de recherche d'IA en aval et les pipelines de traitement, formant un pont essentiel entre les systèmes transactionnels et les applications basées sur l'IA. Au fur et à mesure que les intégrations sont créées ou mises à jour dans les systèmes source, GoldenGate peut capturer ces modifications et les diffuser vers des cibles telles que des bases de données vectorielles telles que Pinecone, Milvus, des plates-formes de recherche telles que OpenSearch avec des fonctionnalités k-NN ou des pipelines d'IA basés sur des événements basés sur des technologies telles qu'Apache Kafka. Cette architecture prend en charge la recherche sémantique à faible latence, les systèmes de recommandation et les cas d'utilisation de l'inférence en temps réel. Pour une implémentation efficace, les entreprises doivent tirer parti de GoldenGate pour les applications distribuées et les analyses, ou tirer parti d'OCI GoldenGate pour une intégration transparente avec Kafka et ces autres plates-formes de diffusion en continu. Sérialisation efficace des données vectorielles : l'utilisation de formats tels que les tableaux JSON pour l'interopérabilité ou de formats binaires compacts pour les performances est essentielle pour minimiser la surcharge du réseau et la latence de traitement.

En outre, il est essentiel de garantir la distribution de messages idempotents pour maintenir la cohérence entre les systèmes en aval, en particulier dans les environnements distribués où des tentatives ou des événements en double peuvent se produire.

Pipelines de transmission en continu d'IA

Oracle GoldenGate Stream Analytics (GGSA) 26ai étend les fonctionnalités de déplacement de données en temps réel de GoldenGate avec une puissante couche de traitement des événements basée sur l'IA qui permet une prise de décision intelligente directement dans les pipelines de transmission en continu. En combinant un traitement de flux exact une fois, ordonné et cohérent sur le plan transactionnel avec des intégrations intégrées d'IA, de vecteur et d'apprentissage automatique, GGSA permet aux entreprises d'aller au-delà de la logique basée sur des règles et d'appliquer des informations basées sur des modèles aux données réelles. Les événements capturés via la réplication GoldenGate peuvent être enrichis et traités à l'aide de modèles d'agent d'IA optimisés par de grands modèles de langage, ce qui permet une évaluation en langage naturel, un raisonnement contextuel et une génération augmentée par extraction (RAG) par rapport aux données d'entreprise. En outre, GGSA prend en charge la création et l'interrogation d'intégrations vectorielles dans les pipelines, ce qui permet une recherche de similarité en temps réel et des cas d'utilisation de correspondance sémantique, tels que l'identification des problèmes ou du contenu client associés. L'intégration à Oracle Machine Learning et à AutoML permet également la notation prédictive et la classification des événements de transmission en continu, ce qui permet des cas d'utilisation tels que la détection des fraudes, la détection des anomalies et les prévisions.

GoldenGate Stream Analytics permet aux utilisateurs de choisir le bon niveau d'intelligence pour chaque décision automatisée. Le routage ou les alertes simples peuvent être gérés à l'aide de filtres et d'expressions logiques, telles que le marquage de transactions de grande valeur ou la hiérarchisation des événements de service urgents. Les décisions prédictives peuvent utiliser des modèles de machine learning pour évaluer les événements pour des résultats tels que les risques de fraude, les pannes d'équipement, l'attrition ou les prévisions de demande. Les pipelines peuvent également créer et interroger des incorporations vectorielles, ce qui permet une mise en correspondance sémantique (par exemple, mise en correspondance d'une nouvelle question client avec la réponse, le document ou le ticket d'assistance le plus pertinent). Pour les scénarios plus complexes, les pipelines peuvent appeler des agents d'IA qui utilisent des données d'événement en temps réel, le contexte d'entreprise et la génération augmentée par extraction pour produire une recommandation ou une action motivée.

Ensemble, ces fonctionnalités positionnent GoldenGate Stream Analytics en tant que plate-forme unifiée pour le traitement de flux d'événements à grande vitesse avec une intelligence IA intégrée, une liaison transparente entre les données transactionnelles et les analyses avancées.