Oracle Autonomous AI Lakehouse เพิ่ม Business Semantic Layer และ Iceberg เต็มรูปแบบ

Business Semantic Layer และ AI Data Catalog ให้ AI Agent เข้าใจบริบทธุรกิจ

หัวใจของประกาศคือการทำให้ AI Agent ไม่เห็นแค่ตารางและคอลัมน์ แต่เห็นความหมายทางธุรกิจ Business Semantic Layer เก็บมิติ ตัวชี้วัด ลำดับชั้น การคำนวณ และ KPI ไว้ใน analytic view ที่ใช้ซ้ำได้ เพื่อยกความแม่นยำของ Select AI, NL2SQL, AI retrieval และการวิเคราะห์ ส่วน AI Data Catalog ให้ mount แหล่งข้อมูลโดยไม่ต้องทำสำเนา แล้วใช้ความสามารถแบบ agentic เติม metadata ต่อเนื่อง ทั้งความหมายทางธุรกิจ lineage รูปแบบ workload ความสัมพันธ์ และ retrieval signal

หน้าผลิตภัณฑ์ของ Oracle Autonomous AI Lakehouse ขยายความว่า AI Data Catalog สร้างบนแกน Apache Polaris และ federate กับแค็ตตาล็อกที่องค์กรใช้อยู่ ได้แก่ Iceberg REST catalog, AWS Glue, Databricks Unity Catalog, Snowflake Horizon, Microsoft Purview และ Oracle AI Data Platform โดยลงทะเบียนแค็ตตาล็อกภายนอกด้วยคำสั่งเดียวแล้วคิวรีตารางได้ทันที หน้าเดียวกันอธิบายกลไก "agentic pruning" ที่จำกัดคำขอแต่ละครั้งให้เหลือเฉพาะ schema และตารางที่เกี่ยวข้องและผู้ใช้มีสิทธิ์ ซึ่ง Oracle อ้างว่าลดบริบทที่ Agent ต้องประมวลผลลงมากกว่าหนึ่งอันดับขนาด ช่วยให้ตอบเร็วขึ้น ค่าโทเคนต่ำลง และ hallucination น้อยลง

Apache Iceberg เต็มรูปแบบและ Data Lake Accelerator เร็วขึ้น 3 เท่า

ฝั่งข้อมูลเปิด Oracle Autonomous AI Lakehouse ขยายการรองรับ Apache Iceberg ให้สร้าง เติม แก้ไข และลบตาราง Iceberg ด้วย SQL ที่ผู้ใช้ Oracle คุ้นเคย ใช้โมเดลวิเคราะห์เดียวกันทั้งข้อมูล Oracle และ Iceberg และสร้าง data product แบบ Iceberg ที่มี time travel สำหรับตรวจสอบย้อนหลังและกู้คืน หน้าผลิตภัณฑ์ระบุว่าตาราง Iceberg ทำงานเหมือนตาราง Oracle เชื่อมผ่าน Iceberg REST Catalog API กับ object storage บนคลาวด์ใดก็ได้ ตาราง Delta Lake ทำงานแบบเดียวกัน และแชร์ตารางข้าม tenancy หรือกับพาร์ตเนอร์ภายนอกผ่านโปรโตคอล Delta Sharing โดยไม่คัดลอกข้อมูล

Data Lake Accelerator ที่เร่งคิวรีบน object storage ได้รับการปรับปรุงให้รันคิวรีบนชุดข้อมูล TPC-DS ขนาด 100 TB เร็วขึ้นสูงสุด 3 เท่าในการทดสอบ benchmark ของ Oracle และเพิ่มขนาดคลัสเตอร์สูงสุดเป็น 3 เท่า ตัวเลขนี้มาจาก Oracle เอง ยังไม่มีผลทดสอบอิสระ

Business Simulation Engine จาก Essbase และ Data Studio ที่ไม่ต้องสร้างฐานข้อมูลก่อน

ความสามารถที่ต่างจากคู่แข่งชัดคือ Business Simulation Engine ซึ่ง Oracle สร้างด้วยการรวม Oracle Essbase เข้าไปใน Oracle Autonomous AI Lakehouse โดยตรง ทีมวางแผนจึงทำการจำลองหลายมิติและวิเคราะห์ what-if บนข้อมูลใน Lakehouse ได้ รองรับ write-back, rollup ลำดับชั้นแบบไดนามิก การคำนวณขั้นสูง และการปันส่วน ถามเป็นภาษาธรรมชาติ สร้างรายงานการจำลอง และวิเคราะห์ผ่าน Excel ได้ทั้งข้อมูลในฐานข้อมูล Oracle และไฟล์ใน object store

ส่วน Data Studio เป็นพื้นที่ทำงานรวมที่มี AI ช่วย ให้ทีมค้นหา เข้าถึง เตรียม วิเคราะห์ และจัดการข้อมูล สร้าง pipeline แปลงข้อมูล และเข้าถึงได้โดยไม่ต้องสร้างฐานข้อมูลก่อน เชื่อมแหล่งข้อมูลได้มากกว่า 100 แหล่ง และทำงานด้วยภาษาธรรมชาติ SQL หรือ Python

ทำไมเรื่องนี้สำคัญ

Oracle Autonomous AI Lakehouse ให้บริการบน OCI, AWS, Microsoft Azure, Google Cloud, Oracle Exadata Cloud@Customer และ OCI Dedicated Region ประกาศยกตัวอย่าง Liberty Energy บริษัทบริการพลังงานในอเมริกาเหนือ ซึ่ง Rhett Rowan รองประธานฝ่ายไอทีระบุว่าใช้รวมตาราง Iceberg กับข้อมูลจาก Amazon S3 ฐานข้อมูลบน Amazon, Microsoft SQL Server บน Azure, MongoDB และ PostgreSQL เพื่อดูรายได้ภาคสนาม สินค้าคงคลัง ต้นทุน และกำไรแบบเรียลไทม์

ทิศทางของ Oracle Autonomous AI Lakehouse สอดคล้องกับคู่แข่งที่ต่างใช้ Iceberg เป็นภาษากลางของ Lakehouse เช่น Databricks ที่เปิด Transactions ข้ามตารางบน Delta Lake และ Iceberg และ Amazon Redshift ที่สร้าง materialized view เป็นตาราง Iceberg จุดที่ Oracle ชูต่างออกไปคือ semantic layer ที่ผูกกับ Essbase และเอนจินเดียวที่ทำทั้ง analytics และ transaction ซึ่งการประกาศครั้งนี้เป็นส่วนหนึ่งของชุดข่าวจาก Oracle AI World ต่อเนื่องจากแผนลงทุนพาร์ตเนอร์ 1 พันล้านดอลลาร์

สิ่งที่องค์กรควรทำ

• องค์กรที่ใช้ Oracle AI Database หรือ Autonomous AI Database อยู่แล้ว ให้ตรวจว่าข้อมูลใน object store และตาราง Iceberg ที่มีอยู่เข้าเงื่อนไขการ mount ผ่าน AI Data Catalog หรือไม่ และรอกรอบเวลา 12 เดือนของ Semantic Layer ก่อนวางแผนย้าย BI
• ทีมที่ใช้ Databricks, Snowflake หรือ AWS Glue เป็นแค็ตตาล็อกหลัก ประเมินว่าการ federate จาก Oracle Autonomous AI Lakehouse ช่วยลดการคัดลอกข้อมูลได้จริงในสภาพแวดล้อมของตน และตรวจค่า egress ระหว่างคลาวด์
• ทีมวางแผนการเงินที่ใช้ Essbase ติดตาม Business Simulation Engine เพราะย้ายการจำลองมาอยู่บนข้อมูล Lakehouse โดยตรง
• อย่าตัดสินใจจัดซื้อจากตัวเลข 3 เท่า ขอให้ Oracle รันงานจริงขององค์กรบน Data Lake Accelerator ก่อน เพราะเป็น benchmark ของผู้ขายเอง
• ตรวจข้อกำหนดการเก็บข้อมูลในประเทศ ก่อนเลือกภูมิภาคคลาวด์ที่จะรัน Lakehouse โดยเฉพาะเมื่อ federate ข้อมูลข้ามคลาวด์

ติดตามข่าวฐานข้อมูลและแพลตฟอร์มข้อมูลได้ที่หมวดข้อมูล