AI 서비스 사용 사례

Oracle GoldenGate는 다양한 데이터베이스 및 토폴로지에 걸쳐 벡터 데이터 관리의 다양한 측면에서 AI 기능을 사용합니다.

다음과 같은 다양한 시나리오에서 Oracle GoldenGate를 사용할 수 있습니다.

이 절에서 이러한 몇 가지 시나리오에 대해 알아봅니다.

벡터 데이터를 Oracle 데이터베이스로 마이그레이션

벡터 데이터를 Oracle AI Database 26ai로 마이그레이션하려면 데이터 무결성과 의미 일관성을 보장하기 위해 신중하게 조정된 접근 방식이 필요합니다.

조직은 일반적으로 Oracle GoldenGate의 초기 로드 기능을 사용하여 외부 시스템(예: PostgreSQL pgvector, MySQL Heatwave 또는 커스텀 벡터 저장소)에서 과거 임베딩을 전송한 다음, 연속 동기화 CDC(변경 데이터 캡처)를 사용하여 데이터 세트를 최신 상태로 유지합니다. 수집 전에 벡터 데이터를 float32 배열과 같은 일관된 형식으로 정규화하여 Oracle의 기본 VECTOR 데이터 유형에 맞춰 조정해야 합니다. 이 데이터 유형은 종종 최적화된 스토리지에 향상된 쿼리 성능을 제공할 수 있습니다.

또한 마이그레이션 중에 사용되는 임베딩 모델의 일관성을 유지하여 의미 드리프트를 방지하고 검색 정확도와 AI 결과를 저하시킬 수 있습니다. 대규모 데이터 집합의 경우 GoldenGate Extract 초기 로드(SOURCEISTABLE 또는 GoldenGate SOURCEISTABLE 초기 로드 추출 스케일링) 및 Replicat 프로세스를 병렬화하면 처리량이 크게 향상되고 마이그레이션 시간이 줄어듭니다.

일반적인 구현 패턴은 업스트림 Python 기반 머신 러닝 파이프라인에서 생성된 임베딩을 Oracle 테이블로 마이그레이션하는 것입니다. 이 테이블은 VECTOR 열로 저장되고 실시간 유사성 검색 및 AI 기반 애플리케이션에 사용할 수 있습니다.

벡터 데이터 복제 또는 통합

Oracle GoldenGate는 분산된 소스의 벡터 데이터를 중앙 집중식 Oracle AI 데이터베이스로 복제 및 통합하기 위한 강력한 프레임워크를 제공하여 의미 검색 및 AI 기반 워크로드를 위한 통합 기반을 제공합니다. 모던 아키텍처에서 임베딩은 종종 여러 리전 또는 마이크로서비스에 걸쳐 생성되므로 이 데이터를 효율적으로 동기화하고 집계하는 것이 필수적입니다. 일반적인 사용 사례로는 대기 시간이 짧은 액세스로 전 세계적으로 분산된 AI 애플리케이션을 지원하는 멀티 리전 복제, 쿼리 정확도 및 거버넌스 개선을 위해 독립 서비스로 생성된 임베딩을 단일 검색 시스템으로 통합하는 등이 있습니다. 소스 스키마와 대상 스키마가 동일하지 않은 경우 소스 시스템 간에 스키마 차이를 조정하여 대상 데이터 모델과의 호환성을 보장하기 위해 GoldenGate 내에서 변환 규칙을 구현해야 합니다. 데이터 소스에 대상 벡터 허브에 내장해야 하는 원시 또는 표 형식 데이터가 포함된 경우 내장된 GoldenGate AI 서비스 통합 또는 네이티브 데이터베이스 내장 기능을 사용하여 실시간으로 임베딩을 수행합니다.

벡터 데이터를 AI 검색 엔진으로 스트리밍

Oracle GoldenGate는 다운스트림 AI 검색 엔진 및 처리 파이프라인에 대한 벡터 데이터 변경 사항을 실시간으로 스트리밍하여 트랜잭션 시스템과 AI 기반 애플리케이션 간의 중요한 브리지를 형성합니다. 소스 시스템에서 임베딩이 생성되거나 업데이트됨에 따라 GoldenGate는 이러한 변경사항을 캡처하여 Pinecone, Milvus, 검색 플랫폼(예: k-NN 기능이 있는 OpenSearch) 또는 Apache Kafka와 같은 기술을 기반으로 구축된 이벤트 기반 AI 파이프라인과 같은 벡터 데이터베이스로 스트리밍할 수 있습니다. 이 아키텍처는 짧은 대기시간의 의미 검색, 추천 시스템, 실시간 추론 사용 사례를 지원합니다. 이를 효과적으로 구현하려면 조직은 GoldenGate for Distributed Applications and Analytics를 활용하거나 OCI GoldenGate를 활용하여 Kafka 및 기타 스트리밍 플랫폼과 원활하게 통합해야 합니다. 상호 운용성을 위해 JSON 배열과 같은 형식을 사용하거나 성능을 위해 컴팩트한 바이너리 형식을 사용하는 벡터 데이터의 효율적인 직렬화는 네트워크 오버헤드와 처리 대기 시간을 최소화하는 데 필수적입니다.

또한 다운스트림 시스템, 특히 재시도 또는 중복 이벤트가 발생할 수 있는 분산된 환경에서 멱등 메시지 전달을 보장하는 것이 중요합니다.

AI 스트리밍 파이프라인

Oracle GoldenGate Stream Analytics(GGSA) 26ai는 스트리밍 파이프라인 내에서 직접 지능적인 의사 결정을 내릴 수 있는 강력한 AI 기반 이벤트 처리 계층을 통해 GoldenGate의 실시간 데이터 이동 기능을 확장합니다. GGSA는 1회, 주문 및 거래상 일관된 스트림 처리와 내장된 AI, 벡터 및 머신 러닝 통합을 결합하여 조직이 규칙 기반 논리를 뛰어넘고 모델 기반 인사이트를 라이브 데이터에 적용할 수 있도록 지원합니다. GoldenGate 복제를 통해 캡처된 이벤트는 대규모 언어 모델을 기반으로 하는 AI 에이전트 패턴을 사용하여 강화 및 처리될 수 있으므로 엔터프라이즈 데이터에 대해 자연어 기반 평가, 상황별 추론 및 검색 증강 생성(RAG)을 수행할 수 있습니다. 또한 GGSA는 파이프라인 내에서 벡터 임베딩의 생성 및 쿼리를 지원하므로 관련 고객 문제 또는 콘텐츠 식별과 같은 실시간 유사성 검색 및 의미 일치 사용 사례가 가능합니다. Oracle Machine Learning 및 AutoML과 통합하면 스트리밍 이벤트의 예측 점수부여 및 분류가 가능해지고 사기 감지, 이상 감지 및 예측과 같은 사용 사례가 강화됩니다.

GoldenGate 스트림 애널리틱스를 통해 사용자는 각 자동화된 의사 결정에 적합한 수준의 인텔리전스를 선택할 수 있습니다. 고부가가치 트랜잭션 플래그 지정 또는 긴급 서비스 이벤트 우선순위 지정과 같은 필터 및 논리 표현식으로 직선 경로 지정 또는 경고를 처리할 수 있습니다. 예측적 의사결정은 머신 러닝 모델을 사용하여 사기 위험, 장비 고장, 이탈 또는 수요 예측과 같은 결과에 대한 이벤트에 점수를 부여할 수 있습니다. 또한 파이프라인은 벡터 임베딩을 생성 및 쿼리하여 의미 일치를 가능하게 합니다(예: 새로운 고객 질문을 가장 관련성 높은 답변, 문서 또는 지원 사례에 매칭). 보다 복잡한 시나리오의 경우 파이프라인은 실시간 이벤트 데이터, 엔터프라이즈 컨텍스트 및 검색 증강 생성을 사용하는 AI 에이전트를 호출하여 추론된 권장 사항 또는 작업을 생성할 수 있습니다.

이 기능들은 GoldenGate Stream Analytics를 내장된 AI 인텔리전스를 통해 고속 이벤트 스트림을 처리하기 위한 통합 플랫폼으로 포지셔닝하여 트랜잭션 데이터와 고급 분석을 원활하게 연결합니다.