Casos de uso de serviços de IA

O Oracle GoldenGate usa os recursos de IA em vários aspectos do gerenciamento de dados vetoriais em diferentes bancos de dados e topologias.

Você pode usar o Oracle GoldenGate em vários cenários, como:

Conheça alguns desses cenários nesta seção.

Migrando Dados Vetoriais para Bancos de Dados Oracle

A migração de dados vetoriais para o Oracle AI Database 26ai requer uma abordagem cuidadosamente orquestrada para garantir a integridade dos dados e a consistência semântica.

As organizações geralmente começam usando os recursos de carga inicial do Oracle GoldenGate para transferir incorporações históricas de sistemas externos, como PostgreSQL pgvector, MySQL Heatwave ou armazenamentos de vetores personalizados, seguidos pela sincronização contínua da Captura de Dados de Alteração (CDC) para manter os conjuntos de dados atualizados. Antes da ingestão, os dados vetoriais devem ser normalizados em um formato consistente, como arrays float32, para se alinhar ao tipo de dados VECTOR nativo da Oracle, que geralmente pode fornecer o armazenamento otimizado com desempenho de consulta aprimorado.

Também é fundamental manter a consistência no modelo de incorporação usado durante a migração para evitar desvios semânticos, o que pode degradar a precisão da pesquisa e os resultados da IA. Para conjuntos de dados em larga escala, a paralelização da carga inicial do Extract GoldenGate (SOURCEISTABLE ou Scaling GoldenGate SOURCEISTABLE Initial Load Extracts) e dos processos Replicat melhora significativamente o throughput e reduz o tempo de migração.

Um padrão de implementação comum envolve a migração de incorporações geradas em pipelines de machine learning baseados em Python upstream para tabelas Oracle, nas quais elas são armazenadas como colunas VECTOR e disponibilizadas para pesquisa de similaridade em tempo real e aplicações orientadas por IA.

Replicando ou Consolidando Dados Vetoriais

O Oracle GoldenGate fornece uma estrutura robusta para replicar e consolidar dados vetoriais de fontes distribuídas em um banco de dados Oracle AI centralizado, permitindo uma base unificada para pesquisa semântica e cargas de trabalho orientadas por IA. Em arquiteturas modernas, as incorporações geralmente são geradas em várias regiões ou microsserviços, tornando essencial sincronizar e agregar esses dados com eficiência. Os casos de uso comuns incluem replicação multirregional para oferecer suporte a aplicações de IA distribuídas globalmente com acesso de baixa latência, bem como consolidar incorporações produzidas por serviços independentes em um único sistema de recuperação para maior precisão e governança de consultas. Se os esquemas de origem e de destino não forem idênticos, as regras de transformação deverão ser implementadas no GoldenGate para reconciliar diferenças de esquema entre os sistemas de origem, garantindo a compatibilidade com o modelo de dados de destino. Se a origem de dados contiver dados brutos ou tabulares que precisam ser incorporados no hub vetorial de destino, use os recursos integrados de integração do AI Service GoldenGate ou de incorporação de banco de dados nativo para executar a incorporação em tempo real.

Streaming de dados vetoriais para mecanismos de pesquisa de IA

O Oracle GoldenGate permite o streaming em tempo real de alterações de dados vetoriais para mecanismos de pesquisa de IA downstream e pipelines de processamento, formando uma ponte crítica entre sistemas transacionais e aplicações orientadas por IA. À medida que as incorporações são criadas ou atualizadas nos sistemas de origem, o GoldenGate pode capturar essas alterações e transmiti-las para destinos como bancos de dados vetoriais, como Pinecone, Milvus, plataformas de pesquisa, como OpenSearch com recursos k-NN, ou pipelines de IA orientados a eventos criados em tecnologias como o Apache Kafka. Essa arquitetura suporta pesquisa semântica de baixa latência, sistemas de recomendação e casos de uso de inferência em tempo real. Para implementar isso de forma eficaz, as organizações devem aproveitar o GoldenGate para Aplicativos e Análises Distribuídas ou aproveitar o OCI GoldenGate para se integrar perfeitamente ao Kafka e a essas outras plataformas de streaming. A serialização eficiente de dados vetoriais, usando formatos como arrays JSON para interoperabilidade ou formatos binários compactos para desempenho, é essencial para minimizar a sobrecarga da rede e a latência de processamento.

Além disso, garantir a entrega de mensagens idempotentes é fundamental para manter a consistência entre os sistemas downstream, particularmente em ambientes distribuídos onde podem ocorrer repetições ou eventos duplicados.

Pipelines de Streaming de IA

O Oracle GoldenGate Stream Analytics (GGSA) 26ai estende os recursos de movimentação de dados em tempo real do GoldenGate com uma poderosa camada de processamento de eventos orientada por IA que permite a tomada de decisões inteligentes diretamente nos pipelines de streaming. Ao combinar o processamento de fluxo exato uma vez, ordenado e transacionalmente consistente com integrações integradas de IA, vetores e machine learning, o GGSA permite que as organizações ultrapassem a lógica baseada em regras e apliquem insights baseados em modelos aos dados ativos. Os eventos capturados por meio da replicação GoldenGate podem ser enriquecidos e processados usando padrões de agentes de IA com tecnologia de grandes modelos de linguagem, permitindo avaliação orientada por linguagem natural, raciocínio contextual e geração aumentada de recuperação (RAG) em relação a dados corporativos. Além disso, o GGSA suporta a criação e consulta de incorporações de vetores em pipelines, permitindo pesquisa de similaridade em tempo real e casos de uso de correspondência semântica, como identificar problemas ou conteúdo relacionados ao cliente. A Integração com o Oracle Machine Learning e o AutoML permite ainda mais a pontuação preditiva e a classificação de eventos de streaming, capacitando casos de uso como detecção de fraude, detecção de anomalias e previsão.

GoldenGate O Stream Analytics permite que os usuários escolham o nível certo de inteligência para cada decisão automatizada. O roteamento ou alerta simples pode ser tratado com filtros e expressões lógicas, como sinalizar transações de alto valor ou priorizar eventos de serviço urgentes. As decisões preditivas podem usar modelos de machine learning para pontuar eventos para resultados como risco de fraude, falha de equipamento, rotatividade ou previsões de demanda. Os pipelines também podem criar e consultar incorporações de vetores, permitindo a correspondência semântica, por exemplo, correspondendo uma nova pergunta do cliente à resposta, ao documento ou ao caso de suporte mais relevante. Para cenários mais complexos, os pipelines podem chamar agentes de IA que usam dados de eventos em tempo real, contexto empresarial e geração aumentada de recuperação para produzir uma recomendação ou ação fundamentada.

Juntos, esses recursos posicionam o GoldenGate Stream Analytics como uma plataforma unificada para processar fluxos de eventos de alta velocidade com inteligência de IA incorporada, combinando perfeitamente dados transacionais e análises avançadas.