تهدف التحديثات، التي تشمل أيضاً التخطيط متعدد الأبعاد ودعم Iceberg الموسع، إلى مساعدة الشركات على تحسين موثوقية الذكاء الاصطناعي، وتسريع اتخاذ القرارات، وتقليل حركة البيانات.
توسع أوراكل بحيرة بيانات الذكاء الاصطناعي المستقلة (Autonomous AI Lakehouse) بطبقة دلالية للأعمال (Business Semantic Layer) مصممة لمنح وكلاء الذكاء الاصطناعي فهماً متسقاً لبيانات المؤسسة، وهي خطوة تهدف إلى تحسين دقة الرؤى الناتجة عن الذكاء الاصطناعي ومساعدة المؤسسات على توسيع نطاق التطبيقات الوكيلية عبر وظائف الأعمال.
كيف تعزز أوراكل فهم وكلاء الذكاء الاصطناعي؟
لتأسيس وكلاء الذكاء الاصطناعي في سياق الأعمال، تستخدم طبقة الدلالات التجارية تعليقات الكتالوج، وتعليقات SQL المستوردة من قاعدة بيانات أوراكل للذكاء الاصطناعي (Oracle AI Database)، وعروض التحليلات المقترحة من الذكاء الاصطناعي لإنشاء نماذج قابلة لإعادة الاستخدام لبيانات المؤسسة التي تلتقط الأبعاد والمقاييس والتسلسلات الهرمية والحسابات ومؤشرات الأداء الرئيسية (KPIs)، حسبما ذكرت أوراكل في بيان. يمكن بعد ذلك استخدام هذه النماذج عبر قدرات أوراكل للاستعلام باللغة الطبيعية واسترجاع البيانات والتحليلات، بما في ذلك Select AI، للمساعدة في ضمان أن الاستعلامات والرؤى تستند إلى تعريفات أعمال متسقة. وقالت أوراكل إن القدرات الجديدة ستكون متاحة خلال الـ 12 شهراً القادمة.
إلى جانب الطبقة الجديدة، أطلقت أوراكل أيضاً، في مؤتمرها السنوي AI World، محرك محاكاة الأعمال (Business Simulation Engine) لمساعدة الشركات على تقييم سيناريوهات الأعمال واتخاذ قرارات تخطيط أكثر استنارة من خلال دمج Oracle Essbase في بحيرة بيانات الذكاء الاصطناعي المستقلة. يدعم المحرك، بالإضافة إلى التنبؤ وتحليل "ماذا لو"، الكتابة الخلفية، والتجميعات الهرمية الديناميكية، والحسابات المتقدمة، والتخصيصات، حسبما ذكرت الشركة. يمكن لمستخدمي المؤسسات أيضاً طرح الأسئلة باللغة الطبيعية، وإنشاء تقارير المحاكاة، وإجراء تحليلات قائمة على Excel على البيانات المخزنة في قواعد بيانات أوراكل أو في تخزين الكائنات عبر المحرك الجديد، حسبما أضافت.
بالإضافة إلى ذلك، توسع أوراكل دعم Apache Iceberg في بحيرة البيانات للسماح للعملاء بإنشاء وتعبئة وتحديث وحذف جداول Iceberg باستخدام SQL، مع تحسين الأداء والوظائف عند الوصول إلى بيانات Iceberg من خلال الكتالوجات الخارجية أو كتالوج بيانات الذكاء الاصطناعي الخاص بها.
يمكن أن يؤدي سياق الأعمال إلى تحسين موثوقية الذكاء الاصطناعي ودعم التوسع. وقال أميت كومار جينا، رئيس تطوير الذكاء الاصطناعي في شركة الاستشارات Kanerika: "إن القدرة على تأسيس وكلاء الذكاء الاصطناعي في سياق الأعمال ستساعد المتخصصين في البيانات والمطورين على بناء تحليلات وتطبيقات مدعومة بالذكاء الاصطناعي أكثر موثوقية باستخدام مقاييس وتعريفات الأعمال المعتمدة، مما يقلل الوقت المستغرق في التحقيق والتوفيق بين النتائج غير المتسقة". وأضاف جينا: "لقد قمنا في Kanerika بشيء مماثل لشركة أدوية عالمية على Fabric، وهو عرض منافس من مايكروسوفت، حيث قمنا بنمذجة أكثر من 40 كياناً وتوحيد أكثر من 85 مؤشر أداء رئيسي قبل بدء عمل الوكلاء. انخفض وقت التحقيق والتوفيق بنحو 70%".
وقال مانوج شاندرا جها، المحلل الرئيسي في Nord-IQ Research: "إن هذه التحسينات في الموثوقية ستساعد، بدورها، كبار مسؤولي المعلومات على توسيع نطاق التطبيقات الوكيلية عبر وظائف الأعمال والاعتماد على اتخاذ القرارات المدعومة بالذكاء الاصطناعي بثقة أكبر".
وبالمثل، فإن إضافة محرك محاكاة الأعمال لديها أيضاً القدرة على مساعدة الشركات على تسريع اتخاذ القرارات من خلال الجمع بين قدرات التحليل والتخطيط داخل بحيرة البيانات. وقال باريخ جاين، المحلل الرئيسي في Pareekh Consulting: "من خلال تقريب التحليلات والتخطيط، يمكن للمحرك مساعدة فرق التمويل ومخططي الأعمال على تشغيل سيناريوهات ماذا لو باستخدام بيانات المؤسسة دون نقلها بشكل متكرر بين أنظمة منفصلة". وأضاف جاين أن ذلك يمكن أن يبسط بنية البيانات لكبار مسؤولي المعلومات ويسرع القرارات، بينما يمكن للمطورين قضاء وقت أقل في بناء التكاملات بين أدوات التحليل والتخطيط والمزيد من الوقت في تطوير التطبيقات التي تحول رؤى الأعمال إلى سير عمل قابل للتنفيذ.
وأشار جها إلى أن دعم Apache Iceberg الموسع يمكن أن يزيد من تبسيط إدارة البيانات للمطورين والمتخصصين في البيانات من خلال السماح لهم بإنشاء وتعديل جداول Iceberg باستخدام SQL المألوف، بدلاً من الاعتماد على أدوات أو سير عمل منفصلة. وأضاف أن هذا يعني، بالنسبة لمهندسي البيانات على وجه التحديد، القدرة على العمل بنسخة واحدة من البيانات باستخدام SQL مع الاحتفاظ بالمرونة لاستخدام أوراكل جنباً إلى جنب مع منصات مثل Apache Spark أو Snowflake أو Databricks على نفس الجداول. وردد جاين أن تقليل تكرار البيانات هذا، بدوره، يمكن أن يقلل من تكاليف التخزين والمعالجة المرتبطة به لكبار مسؤولي المعلومات، مع توفير مرونة أكبر للعمل عبر منصات بيانات مختلفة.
ما هي التحديات المرتبطة بالقدرات الجديدة؟
ومع ذلك، فإن كل قدرة جديدة تضاف إلى بحيرة بيانات الذكاء الاصطناعي المستقلة تأتي مع مجموعة من التحديات الخاصة بها. وقال جينا إن طبقة الدلالات التجارية، في البداية، ستتطلب من الشركات تحديد وصيانة مقاييس وعلاقات وقواعد الأعمال لضمان تفسير وكلاء الذكاء الاصطناعي للبيانات بشكل متسق. وأضاف جينا أن هذا يخلق مسؤولية حوكمة إضافية لكبار مسؤولي المعلومات لأنه إذا كانت النماذج غير مكتملة أو قديمة، فقد تظل الرؤى الناتجة عن الذكاء الاصطناعي غير متسقة أو مضللة، بينما قد يتطلب توسيع الطبقة عبر وظائف الأعمال عملاً مستمراً من فرق البيانات لنمذجة والتحقق من صحة المقاييس والعلاقات الجديدة.
وأشار جاين إلى أنه بالنسبة لمحرك محاكاة الأعمال، في غضون ذلك، سيكمن التحدي في مدى ملاءمته لسير عمل المؤسسة الحالي، ودعمه لعمليات التخطيط المعمول بها، وتكامله مع الأنظمة المستخدمة بالفعل، خاصة وأن أوراكل تنافس منصات التخطيط المخصصة مثل Anaplan و OneStream و SAP Analytics Cloud.
ويأتي دعم Iceberg الموسع أيضاً مع تحذيرات حول قابلية نقل البيانات والارتباط بالبائع. وقال جها إنه بينما يمكن لتنسيقات الجداول المفتوحة أن تجعل الوصول إلى البيانات أسهل عبر المنصات، قد تظل الشركات تعتمد على كتالوجات وطبقات دلالية خاصة لإدارتها وتفسيرها.
لم تحدد أوراكل متى سيصبح محرك محاكاة الأعمال أو قدرات Apache Iceberg الموسعة متاحة للعملاء.
