Pianifica la distribuzione

Distribuire questa architettura utilizzando i passi di base riportati di seguito.

  • Mappa gli elementi costitutivi dell'architettura ai servizi di Oracle Cloud Infrastructure
  • Pianifica l'implementazione iniziale con particolare attenzione all'orchestrazione degli agenti
  • Migliora l'implementazione iniziale aggiungendo agenti e integrando il ragionamento LLM avanzato
  • Raccogli il feedback degli utenti per guidare il tuo processo di miglioramento continuo

Mappa servizi OCI

Come primo passo per pianificare la distribuzione, mappare i livelli e le funzionalità nell'architettura ai prodotti e servizi OCI specifici di cui hai bisogno.

Oracle Cloud Infrastructure fornisce elementi di base per l'implementazione di sidecar, mentre gli adattatori Oracle Integration forniscono connettività predefinita a sistemi come SAP. I servizi di integrazione OCI richiamano esplicitamente la connettività SAP insieme ad altre origini SaaS e on-premise.

Livello/capacità Responsabilità a Sidecar Prodotti e servizi OCI principali Note e collegamento tra SAP e Fusion Applications
Implementazione Orchestrator Ospita l'orchestratore sidecar; espone le API; facoltativamente modella flussi di lavoro low-code
  • OCI Kubernetes Engine (OKE)
  • Computazione OCI
  • OCI API Gateway
  • Oracle Integration (automazione dei processi)
Orchestrator coordina le chiamate agli strumenti SAP/Fusion e AI prodotti di dati di AI Data Platform tramite endpoint API ben definiti.
Agenti come funzioni serverless Esegui agenti leggeri basati sugli eventi (arricchisci, convalida, classifica, notifica)
  • Funzioni OCI
  • Oracle Integration (SAP, Fusion Applications e altri adattatori)
Le funzioni OCI chiamano SAP/Fusion Applications utilizzando gli adattatori delle funzioni OCI anziché le chiamate dirette, preservando il core pulito.
Conservazione ed elaborazione dei dati I dati grezzi di terra, curano gli strati del medaglione, persistono prodotti di dati "d'oro" governati; dati di flusso
  • AI Data Platform storage degli oggetti (OCI Object Storage)
  • Oracle Autonomous AI Database
  • OCI Streaming (compatibile con Kafka)
I dati SAP e Fusion Applications vengono acquisiti, standardizzati e pubblicati come prodotti di dati governati per analytics e AI.
Servizi AI e Machine Learning Fornire endpoint LLM, integrazioni, RAG e insight analitici; ragionamento dell'agente di alimentazione
  • Servizio di AI generativa OCI
  • Piattaforma dati AI/livello Oracle Analytics
I LLM utilizzano prodotti di dati governati di AI Data Platform per rispondere a domande, spiegare le eccezioni e proporre piani di correzione.
Networking e integrazione Connettività, routing e identità sicure; connetti SAP, Fusion Applications e altri componenti SaaS/on-premise
  • Rete Cloud virtuale (VCN) OCI
  • Endpoint privati
  • OCI Identity and Access Management/criteri
  • Oracle Integration (adattatore cloud SAP e S/4HANA, adattatore Fusion ERP Cloud)
Fornisce percorsi sicuri per il traffico dell'adattatore REST/ERP SAP BAPI/RFC/IDoc, S/4HANA OData e Fusion Applications.
Interfaccia client Offri un'esperienza utente finale: app Web, chatbot, barre laterali dell'assistente AI
  • App Web ospitate su OKE/OCI Compute gestite da OCI API Gateway/OCI Load Balancer
  • Integrazioni di chatbot o portali (ad esempio, utilizzando Oracle Integration / AI Data Platform UX)
Gli utenti interagiscono tramite un'interfaccia utente "assistente" in grado di eseguire query su SAP o Fusion Applications, spiegare lo stato ed eseguire azioni approvate.
Osservabilità e audit Registrare, monitorare, impostare avvisi, analizzare prestazioni e gestione dei costi
  • Servizi di Oracle Cloud Observability and Management Platform
  • Log OCI e Oracle Log Analytics
  • Audit OCI
 I servizi di osservabilità, registrazione e analisi OCI completano le funzionalità di registrazione e audit integrate con SAP e Fusion Applications.

Di seguito sono riportati alcuni dettagli e opzioni aggiuntivi per i livelli e le funzionalità.

  • Implementazione dell'orchestrator:
    • Microservizio containerizzato (OKE) o servizio basato sulla computazione, gestito dal gateway API OCI.
    • Facoltativamente, l'automazione dei processi scorre in Oracle Integration, dove l'orchestrazione low-code è sufficiente.
  • Agenti come funzioni serverless:
    • Agenti leggeri implementati come funzioni OCI in cui è auspicabile una scalabilità basata sugli eventi (arricchire, convalidare, classificare, notificare).
    • Gli agenti richiamano gli adattatori SAP e Fusion Applications tramite il livello di integrazione, non direttamente.
  • Storage ed elaborazione dei dati:
    • Oracle AI Data Platform utilizza OCI Object Storage per le zone e gli artifact raw/landing.
    • Oracle Autonomous AI Database per prodotti di dati "d'oro" gestiti.
    • Backbone di streaming/eventi opzionali che utilizzano lo streaming di eventi compatibile con Kafka di OCI quando sono necessari pattern quasi in tempo reale.
  • Servizi di intelligenza artificiale e machine learning:
    • Il servizio OCI Generative AI di AI Data Platform fornisce endpoint LLM gestiti per riepiloghi, integrazioni, RAG e esperienze degli agenti che utilizzano strumenti basate su dati governati.
    • Livello di analytics per la distribuzione degli insight "last mile" e il feedback sulle operations.
  • Networking e integrazione:
    • VCN, endpoint privati ove applicabile e controlli di identità/criteri.
    • Adattatori Oracle Integration per la connettività SAP (BAPI/RFC/IDoc) e SAP S/4HANA Cloud OData.
  • Interfaccia client:
    • Interfaccia utente Web, chatbot o esperienza integrata all'interno di un portale interno.
    • Modello UX comune: barra laterale "assistente" che può rispondere, spiegare ed eseguire azioni con l'approvazione.
  • Osservabilità e audit:
    • Il monitoraggio OCI per Oracle Cloud Observability and Management Platform viene utilizzato per tenere traccia delle prestazioni delle risorse nella tua tenancy. Oracle Log Analytics fornisce raccolta, indicizzazione, arricchimento, query, visualizzazione e avvisi per i log di qualsiasi componente, incluse le origini OCI e SAP e Fusion Applications.
    • Sfrutta gli insight delle funzioni di osservabilità e audit per controllare i costi, informare le decisioni di progettazione del sistema e promuovere un miglioramento continuo.

Implementare Process Automation e Agent Orchestration

La prima fase di implementazione si concentra sulla produzione di una spina dorsale di sidecar: contratti di strumenti coerenti, connettività affidabile e flussi di lavoro ripetibili, prima di attivare un ragionamento autonomo completo.

Questi sono gli output pianificati e implementati nella prima fase:

  • Registro degli strumenti per le azioni SAP/Fusion Applications/AIDP (lettura/scrittura/curata).
  • Script di orchestrazione deterministica (sequenze note per i primi casi d'uso).
  • Osservabilità end-to-end e log di audit.

Ecco alcune definizioni degli strumenti di esempio.

Strumenti SAP:

  • sap.getPurchaseOrder(poNumber)
  • sap.getInvoiceStatus(invoiceId)
  • sap.createOrUpdateVendor(vendorPayload)
  • sap.postIdoc(idocType, payload)
  • sap.callBapi(bapiName, params) (lista di inclusione governata)

Strumenti Fusion Applications:

  • fusion.getSupplier(supplierId)
  • fusion.createInvoice(invoicePayload)
  • fusion.submitFBDI(jobName, fileRef) (ove applicabile tramite modelli di adattatore ERP)
  • fusion.queryRest(resource, params)

Strumenti AIDP:

  • aidp.publishDataProduct(name, version)
  • aidp.runPipeline(pipelineId)
  • aidp.searchCatalog(term)
  • aidp.ragAnswer(question, dataProductRefs)

In questa fase, l'orchestratore mantiene il contesto tra sistemi:

  • Oggetti SAP recuperati tramite chiamate adattatore (BAPI/RFC/IDoc o S/4HANA Cloud OData).
  • Oggetti Fusion Applications recuperati tramite REST/API/adattatori.
  • Prodotti di dati controllati dal livello oro di AIDP.

Implementare l'osservabilità e la registrazione. In questo modello si considera il sidecar come un prodotto di integrazione della produzione, utilizzando:

  • Log di richiamo degli strumenti (input/output protetti in base alle esigenze).
  • Tracciamento end-to-end dall'orchestrator agli adattatori alla piattaforma dati.
  • Identificativi aziendali per il debug "follow the transaction".
  • Lignaggio di dati per prodotti di dati curati (in particolare quelli utilizzati dagli agenti AI).

Implementa un comportamento agente autonomo

Nella seconda fase si implementa una maggiore autonomia.

Il LLM può:

  • Pianificare flussi di lavoro in più fasi ("cosa devo controllare in seguito?")
  • Strumenti di chiamata
  • Genera narrazioni pronte per il business basate su dati aziendali gestiti tramite AIDP

Quando implementi il ragionamento degli agenti basato su LLM, invece di sequenze fisse, l'agente può decidere dinamicamente:

  • Indica se eseguire prima una query su SAP o su Fusion Applications
  • Quali prodotti di dati recuperare
  • Indica se aprire un caso di eccezione o proporre un piano misure correttive
  • Azione di reinserimento appropriata (spesso controllata dall'approvazione)

AIDP posiziona esplicitamente la propria piattaforma per esperienze autentiche basate su dati governati e servizi AI integrati. Ad esempio, il LLM può:

  1. Recupera lo stato di una fattura da SAP
  2. Controllare i dati dei fornitori in Fusion Applications
  3. Proponi misura correttiva utilizzando la pipeline AIDP RAG

Sono possibili i seguenti agenti e strumenti aggiuntivi (ad esempio casi d'uso indicati):

  • Close Assistant Agent (SAP più Fusion EPM): spiega le varianze, identifica le contabilizzazioni mancanti e suggerisce adeguamenti delle scritture contabili.
  • Agente formazione iniziale fornitore: armonizza i dati dei fornitori, controlla i duplicati e crea i record dei fornitori nei sistemi di destinazione.
  • Agente Order Promising: esegue il pull dei segnali di domanda/offerta, identifica i vincoli e consiglia la riallocazione o la velocizzazione.

Raccogliere feedback per il miglioramento continuo

I risultati dovrebbero rientrare nel sistema:

  • "La raccomandazione è stata accettata?"
  • "Il rimedio ha risolto l'eccezione?"
  • "Le regole di mapping hanno ridotto gli errori futuri?"

Questi risultati diventano segnali etichettati per migliorare la logica di corrispondenza, i playbook delle eccezioni e (ove appropriato) i modelli e i prompt ML, chiudendo il ciclo sia sulla qualità dell'automazione che sulla fiducia del business.