Questa architettura dimostra le capacità di un data lake cloud utilizzando i servizi Oracle Data e AI per elaborare i dati da una vasta gamma di risorse di dati aziendali. Utilizza questa architettura per sfruttare i dati per l'analisi aziendale e il machine learning. I dati possono essere trovati da varie origini, sia all'interno che all'esterno di Oracle, e poi inclusi per la trasformazione. La trasformazione dei dati grezzi in dati misurabili e utilizzabili richiede l'elaborazione dei dati attraverso varie fasi:

1. Trova
2. Inserimento
3. Trasformazione
4. Curato
5. Analizza, impara e prevedi
6. Misura & atto

Le funzioni riportate di seguito riguardano l'intera area Oracle Cloud Infrastructure (OCI).

• Gestione controllo
• Security, Identity, & Access Management
• FastConnect on premise consente il trasferimento dei dati online con funzionalità di computazione flessibile e storage flessibile di OCI
• La partnership di Oracle con Azure Interconnect consente la migrazione al cloud e la creazione di applicazioni cloud native.

La regione è suddivisa in strati funzionali che ospitano componenti fisici o funzionali:

• Fase di individuazione: è possibile trovare dati da un'ampia gamma di origini, ad esempio Enterprise Applications, Azure e altri database, Oracle Data Cloud, Webclic, Flussi di eventi, Sensori e Media o File Object Store.
• Livello di Data Refinery: i dati passano attraverso la fase Inclusione in questo layer.

  • I servizi di inclusione batch (integrazione dati OCI, ODI e strumenti DB) utilizzano i dati dell'applicazione. Oracle Autonomous Data Warehouse utilizza dati applicativi raffinati. Lo storage cloud nel livello Data Persistence Platform utilizza dati grezzi.
  • Change Data Capture (GoldenGate and ODI) e Bulk Transfer (Trasferimento dati FastConnect, MFT, CLI) consentono lo spostamento dei dati di tipo RAW da tutti i percorsi di raffineria dei dati allo storage cloud nel livello di elaborazione Persistence eamp;.
  • Il servizio di inclusione (servizio di streaming, servizio Big Data) utilizza i dati del flusso di eventi. Il servizio Streaming Processing (GoldenGate Stream Analytics) utilizza i dati del flusso e li trasferisce allo storage cloud nel livello Data Persistence & Processing.

• Livello di elaborazione Data Persistence &: i dati passano attraverso le fasi Transform and Curates. Questo livello facilita la navigazione dei dati per visualizzare la vista aziendale corrente.

  Il livello Data Persistence & Processing crea i dati in base al fatto che la tecnologia del database in uso sia relazionale o non relazionale. La governance (Data Catalog) si applica ai dati dell'applicazione e ai dati raw quando passano attraverso questo layer.

• Livello di accesso a & Interpretazione: i dati passano attraverso lo stadio di analisi, apprendimento e previsione. Questo layer consente di preparare i dati ad accedere e interpretare utilizzando Analytics, Machine Learning e i servizi AI come il rilevamento delle anomalie. Puoi visualizzare dati applicativi raffinati utilizzando il servizio Oracle Analytics Cloud. I data scientist possono utilizzare i servizi di apprendimento automatico (Data Science, notebook OML, OML) per creare e formare i modelli con un'interfaccia utente ben nota. Il machine learning utilizza dati grezzi che possono essere utilizzati per i modelli di formazione. I servizi di analitica streaming (GoldenGate Streaming Analytics) forniscono visualizzazioni di dati per rendere disponibili i dati per l'accesso e l'interpretazione.

  Le API disponibili tramite un gateway API e le funzioni possono essere utilizzate dagli sviluppatori per creare le proprie applicazioni e sfruttare i dati grezzi utilizzando il machine learning e i servizi AI.

• Misura & Fase effettiva: Oracle Applications Data Warehouse può sfruttare i dati analizzati, usarli, apprenderli e prevedere i risultati. Augumented Analytics, report di Dashboard eamp;, modelli di apprendimento automatico, applicazioni basate sui dati, servizi abilitati per l'AI e tutti i vantaggi utilizzando le misure e agendo sulle previsioni. Le organizzazioni possono monetizzare i dati prendendo decisioni aziendali basate sui dati utilizzando app basate sui dati. Possono formare modelli di machine learning, creare dashboard e report e analisi prospettive.