AI Data Platform

בנו בית אגם נתונים מלא על בסיס נתונים מובנים, מובנים למחצה ולא מובנים. נתונים גולמיים מגיעים לאחסון אובייקטים כשכבת הברונזה, ונקלטים במקום שבו הם נמצאים או מוזרמים ישירות ללא שכפול מיותר. אוטוסקיילינג למחשוב באמצעות Apache Spark מנוהל ממקד ומחדד אותו לכדי יצירת מערכי נתונים נקיים בבקרת גישה בשכבת הכסף. Oracle Autonomous AI Database מספק את שכבת הזהב של נתונים שנאספו ומוכנים לבינה מלאכותית, הממוטבת לניתוח נתונים, למידת מכונה וסוכני בינה מלאכותית. בית אגם נתונים אחד. סביבה אחת. המשמעות היא שכל משתמש, ממהנדס נתונים ועד משתמש עסקי, עובד עם אותם נתונים מהימנים.

• כל מקור, כל יעד, כל שפה, בכל מקום
  קטלגו והתחברו ליותר מ-100 מקורות ויעדים, כולל מסדי נתונים יחסיים, יישומי SaaS, זרמי נתונים וספקי נתונים של צד שלישי. לדוגמה, מהנדס נתונים יכול לשלב רשומות ERP, אירועי לקוחות ונתוני זרימת קליקים בטרנספורמציות Apache Spark, ולהכניס אותם לטבלת זהב מהימנה.
• בנייה ויזואלית של צינורות נתונים
  תכננו תהליכי ETL ו-ELT בגישת No-Code או Pro-Code, המתאמים בין תהליכי קליטה, טרנספורמציה והעשרה משכבת הארד לשכבת הזהב בתהליך עבודה אחד.
• גמישות מלאה וחיבור לכל מערכת באמצעות פורמטים פתוחים
  אחסנו נתונים ובצעו עליהם שאילתות בפורמטים פתוחים, כולל Apache Iceberg ו-Delta Lake, ישירות ב-Oracle Cloud Infrastructure (OCI) Object Storage, עם עקביות טרנזקציונית, שאילתות time-travel והתפתחות סכמה. השתלבו עם Apache Spark, ‏Apache Flink וכל מנוע התואם ל-Iceberg או ל-Delta Lake. ללא תלות קניינית וללא צורך בשכתוב כאשר הכלים משתנים.
• מנועים מובילים להכנת נתונים ולביצוע שאילתות
  מהנדסי נתונים יכולים להריץ טרנספורמציות נתונים בקנה מידה גדול ב-Apache Spark. מדעני נתונים יכולים לבנות מודלי למידת מכונה. משתמשים עסקיים יכולים לבצע חקירה אד-הוק באמצעות SQL ו-Oracle AI Database על אותם נתונים. כל משתמש יכול לבחור את המנוע המתאים לעומס העבודה שלו, בלי להעתיק או לשנות את מבנה הנתונים.
• ניתוח נתונים לכל מאגרי המידע הארגוניים
  בצעו שאילתות על טבלאות מובנות, JSON מובנה למחצה, נתונים גאו-מרחביים והטמעות וקטוריות של בינה מלאכותית באחסון אובייקטים ובמסדי נתונים מחוברים, הכול תחת מודל יחיד של בקרת גישה מבוססת תפקידים. לדוגמה, משתמש עסקי יכול לאמת תחזית הכנסות חדשה באמצעות צירוף זרמי הפעילות של בית אגם הנתונים לרשומות הלקוחות המוסמכות ב-Oracle AI Database בשאילתת SQL אחת.
• שכבת זהב מוכנה לבינה מלאכותית
  צינורות עיבוד של למידת מכונה, בסיסי ידע של יצירה מועצמת ע"י שליפה (RAG) וסוכני בינה מלאכותית צורכים נתונים מאומתים עסקית שנאספו. מהנדסי בינה מלאכותית מבססים מודלים על אותן עובדות מוסמכות שמניעות את הדיווח התפעולי, ולא על עותקים גולמיים או עותקי ביניים.
• תפעול אוטונומי של שכבת הזהב
  יכולות אוטונומיות של כוונון, הרחבה ותיקון עצמי, המבוססות על יצירת אינדקסים אוטומטית, מיטוב שאילתות וניהול עומסי עבודה. ספקו ביצועים עקביים בתוך פחות משנייה במיליארדי שורות בשעות השיא, ללא כוונון ידני. שנו את גודל משאבי המחשוב באופן בלתי תלוי באחסון כדי לתת שירות למאות משתמשים במקביל.
• שילוב מובנה מביתOracle
  הזרמה ישירה של נתוני Oracle Fusion Applications (כולל ERP, HCM, שרשרת אספקה ו-CX) אל בית אגם הנתונים. הכינו נתוני Fusion במחברות המופעלות באמצעות Apache Spark, לביסוס סוכני בינה מלאכותית, לדיווח היסטורי ולניתוח חיזוי במערכת הרשומות התפעולית.
• שיתוף נתונים
  שתפו נתונים חיים של בית אגם נתונים עם צוותים פנימיים, שותפים ויישומי Oracle מבלי להעתיק או להעביר אותם. שיתוף נתונים מסייע להבטיח שכל משתמש בנתונים עובד עם הגרסה העדכנית והמוסמכת ביותר.

Oracle AI Data Platform מספקת למדעני נתונים ולמהנדסי למידת מכונה סביבה מנוהלת במלואה, המסייעת לבנות, לאמן, לעקוב ולהפעיל מודלים של למידת מכונה ישירות על גבי נתוני בית אגם נתונים. מחזור החיים המלא של MLOps - אימון Spark מבוזר, מעקב אחר ניסויים, רישום מודלים ופריסה המתפרסמת בקטלוג - פועל בסביבת עבודה המנוהלת ונשלטת על ידי הלקוח, ללא תשתית לניהול.

• צינורות ותהליכי עבודה של למידת מכונה: המערכת מתאמת בין תהליכי למידת מכונה מקצה לקצה באמצעות רכיבים לשימוש חוזר – כולל הכנת נתונים, הנדסת תכונות (Feature Engineering), אימון והערכת מודלים – על גבי תשתית תהליך העבודה של AI Data Platform. בנו פעם אחת, הריצו לפי לוח זמנים או על בסיס גורם מפעיל, עם מדיניות בקרת גישה מבוססת תפקידים שאתם מגדירים ושולטים בה.
• ניסויים ורישום מודלים: עקבו אחר כל הרצות אימון המודלים באמצעות רישום מדדים אוטומטי, קליטת היפר-פרמטרים וניהול גרסאות של ארטיפקטים. השוו בין ניסויים, רשמו מודלי ייצור ונהלו תהליכי עבודה לאורך מחזור החיים.
• פרסום מודלים ורישום בקטלוג: פרסמו מודלים מאומנים בקטלוג נתוני הבינה המלאכותית, כדי שניתן יהיה לאתר אותם, לנהל את גרסאותיהם ולהשתמש בהם בין סוכנים, יישומים ותהליכי עבודה. מעקב אחר שושלת נתונים ומדיניות בקרת גישה מוחלים בעת הרישום.
• Apache Spark עם GPU: הרחיבו תהליכי הנדסת תכונות ואימון מודלים באשכולות Spark מבוזרים, והאיצו עומסי עבודה באמצעות ETL ולמידת מכונה מובילים בשוק של NVIDIA המופעלים על ידי מעבדי GPU.
• סוכני מדע נתונים: סוכני בינה מלאכותית שחוקרים מערכי נתונים באופן אוטונומי, מייצרים השערות, כותבים ומבצעים קוד, וחוזרים על אימון מודלים תוך כדי קיצור דרמטי של הזמן מנתונים גולמיים למודל ייצור.

בנו סוכני בינה מלאכותית ויישומים המבוססים על הנתונים של הארגון שלכם, ולא על יכולות גנריות של מודלי שפה גדולים. הסוכנים והיישומים שלכם נמצאים בבקרת גישה של המדיניות שלכם ומועשרים בסמנטיקה העסקית ובידע הרלוונטי לתחום שלכם. סוכני בינה מלאכותית מחוברים לקטלוג נתוני הבינה המלאכותית, לאונטולוגיות עסקיות ולמערכות הארגוניות, כך שיוכלו להסיק מסקנות בהקשר שבו החברה שלכם פועלת בפועל. הרכיבו מערכות מרובות סוכנים באמצעות כל מודל יסוד - מבוני יישומים חזותיים ללא קוד ועד פיתוח מקצועי בקוד מלא - ופרסו אותן למחשוב בינה מלאכותית מנוהל עם יכולת תצפית מובנית.

• בונה זרימות חזותי ללא קוד: תכננו והרכיבו סוכנים באופן חזותי באמצעות ממשק גרירה ושחרור. חברו כלי SQL, בסיסי ידע של RAG, צומתי פרומפט של מודל שפה גדול ונתבו את הזרימה למספר כלים, הכול בלי לכתוב אפילו שורת קוד אחת. החליפו בין מודלי יסוד מתפריט נפתח, בלי לבנות מחדש את הזרימה.
• פיתוח בקוד מלא: כתבו סוכנים ב-Python באמצעות AI Data Platform SDK עם גישה מלאה ל-LangChain, ל-OCI Generative AI ולכל ספריית קוד פתוח. כל היכולות של הזרימה החזותית זמינות במלואן בקוד. תוכלו לייבא את scikit-learn, LangChain או כל מסגרת עבודה אחרת לצד ה-SDK של הסוכן.
• מערכות מרובות סוכנים: תכננו ונהלו מערכות של סוכני בינה מלאכותית המשתפים פעולה, כגון סוכני ניהול, תתי-סוכנים מומחים וסוכנים המשתמשים בכלים כדי לסייע בהתמודדות אוטונומית עם תהליכי עבודה ארגוניים מורכבים ורבי-שלבים באמצעות פרוטוקול A2A.
• כל מודל יסוד: השתמשו בכל מודל זמין ב-OCI, כגון Llama, Cohere, Mistral, Grok ועוד, או הביאו מודלים משלכם שעברו כוונון עדין. החליפו בין מודלים מתפריט ה-Oracle Cloud Infrastructure (OCI) Compute, בלי לבנות מחדש את לוגיקת היישום.
• AIOps ויכולת תצפית: יכולת תצפית מלאה לאורך כל מחזור החיים של הסוכן, מהפיתוח ועד הייצור. בדקו סוכנים באופן אינטראקטיבי ב-playground של הפלטפורמה, תוך בחינת קריאות לכלים, תהליך ההסקה של מודל השפה והפלטים לפני הפריסה. הסשנים מתעדים שביל ביקורת הכולל סטטוס, משך,קלטים/פלטים ופירוט אירועים לכל שלב בסביבות הפיתוח, הבדיקה והייצור. נטרו זמן השהיה, שימוש בטוקנים, שיעורי שגיאות ו-KPI עסקיים מותאמים אישית בזמן אמת.

סביבת פיתוח אחת ומשולבת למהנדסי נתונים, מדעני נתונים ומפתחי בינה מלאכותית, המאפשרת שיתוף פעולה בפרויקטי נתונים ובינה מלאכותית מקצה לקצה, עם בקרת גישה מבוססת תפקידים (RBAC) ברמה ארגונית, CI/CD, ניהול גרסאות ויכולת ביקורת מובנים. חברו את כל האנשים באמצעות כלים, מחברות וצינורות עיבוד משותפים - כולם נתמכים בגישה משולבת לשירותים ולקטלוג שבבסיס הפלטפורמה.

• סביבות עבודה: סביבות המוגדרות ברמת פרויקט, שבהן צוותים משתפים פעולה במחברות, בצינורות עיבוד, בסוכנים ובניסויים. כל הארטיפקטים מנוהלים בגרסאות, משותפים ומוגנים באמצעות בקרת גישה בתוך גבולות סביבת העבודה, עם בקרת גישה מלאה מבוססת תפקידים לכל פרויקט.
• מחברות, תהליכי עבודה וסוכנים: כל הארטיפקטים של הפיתוח מנוהלים במקום אחד, כולל מחברות תואמות ל-Jupyter, גרפי DAG של תהליכי עבודה בצינורות נתונים, סוכני בינה מלאכותית וניסויי למידת מכונה. שתפו, נהלו גרסאות ושתפו פעולה ברחבי הצוות, בלי לעבור בין הקשרים או סביבות.
• כלי SQL וניהול משאבי מחשוב: הריצו שאילתות SQL אד-הוק ישירות מול טבלאות בקטלוג, עם בקרות מובנות לניהול מחזור החיים של משאבי המחשוב. חברו, נתקו או הפעילו משאבי מחשוב מבוססי בינה מלאכותית חדשים מתוך ה-IDE, ללא צורך בקונסולה נפרדת.
• שילוב CI/CD ו-Git: שילוב Git מובנה לניהול גרסאות של מחברות, צינורות עיבוד, הגדרות סוכנים ותצורות מודלים. התחברו ל-GitHub, ל-GitLab או ל-Bitbucket לצורך שילוב רציף ופריסה אוטומטית של ארטיפקטי פרויקטים מנתונים לבינה מלאכותית.
• RBAC, ביקורת ובידוד רשת: בקרת גישה מפורטת ומבוססת תפקידים על פני סביבות עבודה, ארטיפקטים ומשאבי מחשוב. יומני ביקורת מקיפים עבור כל פעולת משתמש. בידוד רשת באמצעות נקודות קצה פרטיות מסייע להבטיח שעומסי עבודה רגישים לעולם אינם עוברים דרך האינטרנט הציבורי.

גלו, הבינו ונהלו גישה לכל נכסי הנתונים והבינה המלאכותית שלכם בקטלוג מאוחד אחד, הכולל ארכיטקטורת מדליון מלאה המחולקת לשכבות: ארד - קליטה, כסף - איסוף, וזהב - מוצרי נתונים מוכנים לבינה מלאכותית. קטלוג נתוני הבינה המלאכותית של Oracle AI Data Platform מתחבר ל-Autonomous AI Database, ל-OCI Object Storage ולמקורות של צד שלישי באמצעות קטלוגים חיצוניים, ומציג משמעות עסקית עשירה באמצעות הקשר סמנטי ואונטולוגיות. כל צוות מגלה לא רק אילו נתונים קיימים, אלא גם מה משמעותם עבור העסק. כל סוכן בינה מלאכותית יורש באופן אוטומטי את ההבנה הזו.

• קטלוג מאוחד של נכסי נתונים ובינה מלאכותית: קטלוג יחיד לכל נכסי הנתונים והבינה המלאכותית, כולל טבלאות מובנות, קבצים לא מובנים, בסיסי ידע, מודלי למידת מכונה, מאגרי תכונות והגדרות סוכנים. הגישה לקטלוג מנוהלת באמצעות מדיניות עקבית החלה על נתונים ועל הבינה המלאכותית. היא מכסה את ארכיטקטורת המדליון המלאה ומאפשרת קליטה, אוצרות ואספקה מהירות של מוצרי נתונים ויישומי בינה מלאכותית בכל שכבה.
• קטלוגים חיצוניים וגילוי נכסים: התחברו למקורות נתונים חיצוניים, Autonomous AI Database, OCI Object Storage ומערכות של צד שלישי, בלי להעביר או לשכפל נתונים שלא לצורך. גלו וקטלגו באופן אוטומטי נכסים מובנים ולא מובנים, עם העשרת מטאדטה בסיוע בינה מלאכותית ומעקב אחר שושלת הנתונים החל מנקודת החיבור.
• אונטולוגיות עסקיות ושכבה סמנטית: הגדירו אונטולוגיות תחום וקשרים סמנטיים בין מושגים עסקיים. מילוני מונחים עסקיים, אונטולוגיות סמנטיות, טקסונומיות תחומיות ומילים נרדפות שנוצרו באמצעות בינה מלאכותית מאפשרים למשתמשים למצוא נתונים לפי משמעות, ולא לפי שמות טבלאות. סוכני בינה מלאכותית יורשים באופן אוטומטי את ההבנה הסמנטית הזו.
• אפס העתקה: בצעו שאילתות על הנתונים במקום שבו הם נמצאים. גשו לנתונים ובצעו עליהם שאילתות, בלי להעביר או להעתיק אותם. התחברו ישירות ל-Oracle Database, ל-Autonomous AI Database ול-Exadata הקיימים, ובצעו שאילתות על הנתונים במקומם באמצעות SQL. הנתונים נשארים במקור המוסמך שלהם, בעוד שהקטלוג מאחד את הגישה, מחיל בקרת גישה מבוססת תפקידים ומנגיש את הנתונים, ובכך מצמצם כפילויות ומפחית עלויות.
• אפס ETL: צמצמו את הצורך ב- ETL באמצעות Oracle Golden Gate לשכפול מבוסס יומן, בזמן אמת ומבוסס בינה מלאכותית, מכל מסד נתונים מקור, לצורך קליטת נתונים בתפוקה גבוהה ישירות לבית אגם הנתונים. הנתונים מקוטלגים ומוכנים לבינה מלאכותית מרגע שהם נוחתים.
• נפחים: נפחים מאחסנים נתונים לא מובנים לצד נכסי נתונים בקטלוג. התחברו למאגרי ידע כדי לסייע לסוכנים וליישומים לאחזר באופן מאובטח תוכן לא מובנה, כגון מסמכים, קובצי PDF ותמונות.
• שושלת נתונים: הציגו באופן חזותי את שושלת הנתונים מקצה לקצה, כולל קליטת נתונים גולמיים דרך טרנספורמציות, הנדסת תכונות ללמידת מכונה, אימון מודלים והגשת יישומי בינה מלאכותית. הבינו מייד את ההשפעה של שינויים במעלה הזרם בכל צינור הנתונים והבינה המלאכותית.

בינה מלאכותית ארגונית בקנה מידה גדול דורשת אבטחה ברמה ארגונית, ניהול גישה ויכולת ביקורת, החלים באופן עקבי על כל נכס נתונים, מודל וסוכן. Oracle AI Data Platform אוכפת מודל אבטחה דו-שכבתי: Oracle Cloud Infrastructure Identity and Access Management (IAM) לניהול זהויות ולאימות, בשילוב עם AI Data Platform לבקרת גישה מפורטת בכל נכס בקטלוג, סביבת עבודה ומשאב בינה מלאכותית, עם יומני ביקורת מקיפים למעקב מלא. נהלו את כל מערך הנתונים והבינה המלאכותית שלכם בלי להוסיף את האבטחה בשלב מאוחר יותר.

• מודל אבטחה דו-שכבתי: האבטחה פועלת בשתי רמות: OCI IAM מטפל בזהות, באימות ובגישה ברמת הענן; AI Data Platform קובעת מי יכול לגלות, לקרוא, לשנות ולהשתמש בכל נכס נתונים ובינה מלאכותית בתוך הפלטפורמה. שני קווי המדיניות מוגדרים ומנוהלים על ידי הלקוח. Oracle מתחזקת את המסגרת שאוכפת אותם. אתם נהנים מהיתרונות של ארכיטקטורת הגנה לעומק, מבלי לוותר על השליטה.
• סביבת העבודה של AI Data Platform: בקרת גישה מפורטת ומבוססת תפקידים על פני סביבות עבודה, נכסי קטלוג, משאבי מחשוב, סוכנים ופונקציות ניהול. תפקידים מיושמים באופן עקבי בכל הנתונים והבינה המלאכותית ללא פערים בין מה שמשתמשים יכולים לראות בקטלוג לבין הפעולות שהם יכולים לבצע בפלטפורמה.
• רישום ביקורת ומעקב: יומני ביקורת מקיפים לכל פעולת משתמש, גישה לנתונים, אינטראקציה עם סוכן ושינוי אדמיניסטרטיבי מספקים יכולת מעקב מלאה בפלטפורמה, לתמיכה בתאימות, בחקירה ובדיווח על היסטוריית גישה.
• בידוד רשת ונקודות קצה פרטיות: פרסו סביבות עבודה, משאבי מחשוב וחיבורי נתונים בתוך רשתות משנה פרטיות של VCN, עם נקודות קצה פרטיות. עומסי עבודה רגישים לעולם אינם עוברים דרך האינטרנט הציבורי. בידוד הרשת נאכף בשכבת התשתית.
• OCI Identity and Access Management ושילוב אבטחה: OCI IAM מטפל באיחוד הזהויות ובאימות בכל רחבי הפלטפורמה. שילובים עמוקים עם OCI Vault לניהול סודות, OCI Certificates עבור TLS ו-OCI Security Advisor להמלצות על מצב האבטחה מספקים מישור בקרת אבטחה מאוחד לכל הנתונים, הבינה מלאכותית והתשתית.

מאגר מרכזי לגילוי ולניהול סוכני בינה מלאכותית בקנה מידה ארגוני, כולל סוכנים שנבנו באמצעות AI Data Platform וסוכני צדדים שלישיים, וכן שרתי MCP וכלים. מאגר הבינה המלאכותית עוקב אחר הזהות, היכולות, ההרשאות, הגרסאות ויומני האינטראקציות של כל סוכן, ומעניק למנהלי הפלטפורמה נראות ושליטה במערך ההולך וגדל של סוכני בינה מלאכותית הפועלים ברחבי הארגון.

• מאגר סוכנים מרכזי: מאגר מאוחד שמאפשרת לרשום, לנהל גרסאות ולנהל את כל הסוכנים שלכם, בין שנבנו באמצעות AI Data Platform ובין שנבנו באמצעות כלים של צד שלישי. עקבו אחר זהותו של כל סוכן, היכולות המוצהרות שלו, היקף ההרשאות שלו, היסטוריית הגרסאות שלו ויומני האינטראקציות שלו. גלו סוכנים לפי יכולת, תחום או צוות, עם מטאדטה עשירים לניהול, בקרת גישה ושימוש חוזר בקנה מידה ארגוני.
• פרוטוקול סוכן לסוכן (A2A): אפשרו תקשורת מובנית וסטנדרטית בין סוכני AI Data Platform לסוכני צד שלישי באמצעות פרוטוקול A2A הפתוח. הרכיבו תהליכי עבודה מורכבים שבהם סוכנים מומחים משתפים פעולה עם סוכני תזמור, עם זהות ברורה, הצהרת יכולות וגבולות הרשאה הנאכפים בכל אינטראקציה.
• שרתים וכלים של Model Context Protocol‏ (MCP): רשמו וחשפו שרתים וכלים של MCP. סוכנים מגלים ומפעילים כלים באופן דינמי בזמן ריצה, כולל שאילתות מסדי נתונים, ממשקי REST API ופונקציות עסקיות מותאמות אישית, ללא קישורים שקודדו מראש. הרשאות הכלים מנוהלות באמצעות מדיניות הרישום שאתם מגדירים, בהתאם לאופן שבו נשלטת גישת הסוכנים.

העניקו למשתמשים שאינם טכניים גישה למלוא העוצמה של נתוני הארגון שלכם באמצעות ניתוח נתונים בשירות עצמי, סוכני בינה מלאכותית מנוהלים ותובנות מבוססות בינה מלאכותית. יכולות בינה מלאכותית מוטמעות ישירות בתהליכי העבודה העסקיים שבהם מתקבלות החלטות. לא נדרשים כישורים טכניים. זו בינה מלאכותית ארגונית שזמינה לכולם.

• ניתוח נתונים בתהליכי עבודה עסקיים: Oracle Analytics Cloud משלבת ניתוח נתונים ברמה עולמית ישירות ביישומים שבהם הצוותים שלכם משתמשים מדי יום, כולל Oracle Fusion ERP, HCM, SCM ו-CX. שאלו שאלות בשפה טבעית, הציגו נרטיבים שנוצרו באמצעות בינה מלאכותית ושתפו לוחות מחוונים המנוהלים באופן מרכזי בתוך תהליך העבודה.
• ממשק שיחתי מאוחד: ממשק מרכזי אחד לגילוי, לביצוע שאילתות ולשיתוף פעולה עם סוכני הבינה המלאכותית של הארגון שלכם. Agent Hub מפרש בקשות של משתמשים עסקיים, מאתר ומפעיל את הסוכן המתאים ומציג תוצאות בהקשר, הכול באמצעות שפה טבעית. לא נדרשים כישורים טכניים.
• ספריית סוכני בינה מלאכותית מאושרים: עיינו בספרייה מאושרת של סוכנים,כולל סוכנים פנימיים שנבנו על ידי צוותי הנתונים שלכם וסוכני צד שלישי שנבדקו ואושרו, עם תיאורים, דוגמאות ל-prompts והנחיות שימוש למשימות עסקיות נפוצות.
• גישה ואבטחה מנוהלות: משתמשים יכולים לנהל כל אינטראקציה עם סוכן וכל שאילתת ניתוח נתונים באמצעות אותם קווי מדיניות של RBAC שחולשים על הנתונים הבסיסיים. המשתמשים רואים רק את הסוכנים והנתונים שיש להם הרשאה לגשת אליהם. זו אבטחה ארגונית, ללא צורך בתצורה נוספת.