Oracle AI Database 26ai
Nuove funzionalita' AI

Oracle e' il piu' noto e diffuso database relazionale commerciale. Negli ultimi anni e' stato arricchito con diverse tecnologie di Artificial Intelligence (AI) ed in questa paginetta cerchiamo di descriverle.

Nel seguito sono riportate alcune informazioni di interesse sulle funzionalita' AI (Artificial Intelligence) della versione 26ai... gli argomenti sono organizzati in semplici paragrafi: Nuove funzionalita', Utilizzo, ... Varie ed Eventuali,

Nuove funzionalita'

Per una volta iniziamo con la tabella delle versioni e dei rilasci perche' sono stati gestiti in maniera differente rispetto al passato.

La versione Oracle Database 23c e' stata rinominata (2024-05) Oracle Database 23ai per sottolineare le nuove funzionalita' introdotte per l'Artificial Intelligence (AI). Tra le nuove funzionalita' vi e' l'AI Vector Search che permette di realizzare il processo di retrieval-augmented generation (RAG).
La versione Oracle Database 23ai e' stata rinominata (2025-10) Oracle AI Database 26ai introducendo un nuovo meccanismo di numerazione con aggiornamenti ogni tre mesi.

(Sources: Oracle Database 26ai Release Updates, New features in 26ai)

Trattandosi di funzionalita' innovative e' fortemente consigliabile utilizzare l'ultima Release Update disponibile. Il livello di compatibilita' minimo per sfruttare le funzionalita' AI della 26ai e' 23.6: a tutti gli effetti con la versione 23.6 [NdA 2024-10] vengono introdotte/completate le principali funzionalita' necessarie per gli sviluppi AI.

Oracle AI Vector Search e' progettata per l'Artificial Intelligence (AI) e consente di interrogare i dati con ricerche basate sulla semantica piuttosto che con chiavi e valori come avviene generalmente su una base dati relazionale.
Il datatype VECTOR consente di memorizzare il significato di un testo o di un immagine. Oracle fornisce funzioni ed indici specifici per ottimizzare le ricerche sui VECTOR.
I package DBMS_VECTOR, DBMS_VECTOR_CHAIN, DBMS_HYBRID_VECTOR forniscono le funzionalita' principali per trattare i dati semantici.
E' possibile caricare nella base dati modelli LLM se disponibili in formato ONNX. Spesso pero' si preferisce accedere a servizi esterni (eg. OpenAI, Anthropic, Cohere, Mistral AI, Google AI e, naturalmente, Oracle Cloud Infrastructure Generative AI) che e' possibile richiamare direttamente dal PL/SQL.

Un semplice esempio SQL

Useremo come esempio un semplice RAG (Retrieval Augmented Generation), che e' uno dei casi piu' significativi in AI di l'utilizzo di una base dati, riportando in dettaglio la parte relativa al database. In pratica anziche' interrogare un LLM in modo generico prima ricerchiamo in una base dati interna quali ulteriori informazioni possono essere fornite e quindi le utilizziamo per aumentare il contesto della richiesta. La ricerca sulla base dati si puo' eseguire con normali condizioni ma anche, e questa e' la parte innovativa, per significato. Per fare questo ogni documento viene valutato ottenendo un vettore che ne descrive il significato: l'embedding. Quindi la ricerca avviene con una normale query SQL che confronta la richiesta iniziale con gli embedding dei documenti disponibili.

Il primo passo e' quello di definire la tabella aidba_rag_kb che contiene i documenti utili ad arricchire la conoscenza di un LLM generico. Oracle 26ai supporta il datatype vector che puo' essere utilizzato per memorizzare gli embedding.

-- DDL for Oracle AI Vector Search on Oracle

-- 1. Define the table for the knowledge base
-- Vector support is built-in, so no extension is needed.
-- The embedding dimension MUST match the output of the `embedding_model`
--  (e.g., `qllama/bge-large-en-v1.5` which has a dimension of 1024).
CREATE TABLE aidba_rag_kb (
    id          NUMBER GENERATED BY DEFAULT AS IDENTITY PRIMARY KEY,
    title       VARCHAR2(1024),
    content     CLOB,
    doc_type    VARCHAR2(255) DEFAULT 'generic',
    priority    NUMBER(5) DEFAULT 3,
    tags        JSON, -- Oracle recommends JSON for storing array-like data
    embedding   VECTOR(1024, FLOAT32), -- Dimension for `qllama/bge-large-en-v1.5`
    CONSTRAINT ensure_tags_is_json CHECK (tags IS JSON)
);

-- 2. Create a search index on the JSON tags for fast filtering
-- This allows efficient searching for documents with specific tags
--  (e.g., WHERE json_exists(tags, '$?(@ == "indexing" || @ == "performance")'))
CREATE SEARCH INDEX idx_rag_kb_tags ON aidba_rag_kb (tags) FOR JSON;

-- 3. Create a vector index for fast similarity search
-- The index creation is a separate step and specifies the distance metric.
-- The index type (e.g., HNSW) is chosen automatically by default.
CREATE VECTOR INDEX idx_embedding ON aidba_rag_kb (embedding) 
  ORGANIZATION INMEMORY NEIGHBOR GRAPH
  DISTANCE COSINE;

La base dati va quindi caricata con le informazioni della RAG e per ciascun documento deve essere catturato il significato, che praticamente si traduce nella valorizzazione del vettore di embedding. La scelta dei documenti, la loro trasformazione in testo, la separazione in chunk, la generazione degli embedding e la memorizzazione sulla base dati sono ovviamente molto importanti... ma li consideriamo tecnicismi!

Terminata questa fase e' possibile estrarre i documenti utili in SQL come negli esempi seguenti.

Per estrarre i 5 documenti piu' simili alla richiesta dell'utente:

Per estrarre i 10 documenti con argomento simile e con i tag previsti ordinati per priorita' e per similarita':

Dovrebbe essere chiaro che le possibilita' di interrogazione sono molteplici e dipendono in larga misura dalle scelte progettuali...
L'aspetto importante e' che le ricerche non sono svolte confrontando il testo o parole chiave ma comprendendo il significato della richiesta utente, confrontandolo con quello dei documenti presenti nella base dati e scegliendo quelli piu' vicini [NdA KNN: algoritmo k-nearest neighbors che e' un classificatore di apprendimento supervisionato non parametrico utilizzato sia per la classificazione che per la regressione... in parole povere: i risultati piu' vicini].

Il risultato ottenuto dalle query viene poi inserito nel contesto ed inviato all'LLM per ottenere la risposta finale.

Quello presentato e' una implementazione classica di un RAG per la parte di database; gli altri componenti possono essere realizzati con Python che e' il piu' diffuso linguaggio utilizzato in questo contesto, tuttavia non e' l'unica possibilita'...
Con Oracle 26ai e' possibile utilizzare il PL/SQL e sfruttare funzionalita' presenti all'interno della base dati o su OCI in architetture piu' complesse che utilizzano in modo piu' pervasivo la base dati Oracle... ma questo lo vedremo in un altra paginetta sfruttando package specifici come DBMS_VECTOR_CHAIN.

Varie ed eventuali

Sicuramente e' interessante il confronto delle funzionalita' vettoriali di Oracle rispetto all'extension pgvector di PostgreSQL che era disponibile gia' dal 2021.

Titolo: Oracle Database 26ai - Nuove funzionalita' AI
Livello: Medio (2/5)
Data: 31 Ottobre 2024 🎃
Versione: 1.1.2 - 1 Aprile 2026 🐟
Autore: mail [AT] meo.bogliolo.name