Oracle מוסיפה שכבה סמנטית למניעת טעויות AI

דמיינו שסוכן AI מייעץ להנהלה לקצץ בתקציב השיווק כי הוא חושב שהמכירות יורדות — אבל בפועל, ההגדרה של ״מכירות״ במערכת ה-CRM לא תואמת את זו שבמערכת הכספים. במציאות הישראלית, שבה מחלקות מנהלות משא ומתן על כל שקל, טעויות כאלה יכולות לעלות ביוקר. Oracle יצאה השבוע עם פתרון: שורה של שדרוגים ל-Autonomous AI Lakehouse שלה, כדי שסוכני AI יבינו באמת את הנתונים שהם עובדים איתם.

על מה Oracle הכריזה?

בכנס Oracle AI World בלאס וגאס, החברה פרסמה עדכונים משמעותיים שמתמקדים בבעיה אחת מרכזית: איך גורמים ל-AI ולעובדים אנושיים לעבוד עם אותם ערכים, באותן הגדרות?

שכבת סמנטיקה עסקית (Business Semantic Layer) — התוספת הגדולה ביותר. הרעיון הוא לאפשר לחברות להגדיר מונחים עסקיים, מדדים וחישובים במקום אחד, כך שכל יישום וסוכן AI יעבדו עם אותן הגדרות. לדוגמה, אם מחלקת המכירות ומחלקת החשבונאות מגדירות ״הכנסה״ בצורה שונה, ה-AI עלול לשלוף מספרים סותרים בלי להבין למה. השכבה החדשה אמורה למנוע את הבלגן הזה. Oracle צופה שהכלי יהיה זמין בשנה הקרובה.

קטלוג נתונים מבוסס AI (AI Data Catalog) — כלי לחיפוש ולהבנת נתונים בפלטפורמות Oracle וגם במקורות אחרים. הוא מספק מטא-דאטה על מערכי נתונים — מאיפה הם הגיעו, איך משתמשים בהם ואיך הם מתחברים למידע אחר. ה-Data Catalog ייתן הקשר גם לסוכני AI וגם למשתמשים אנושיים.

תמיכה מורחבת ב-Apache Iceberg — פורמט טבלה פתוח לניהול נתונים ענקיים. Oracle מוסיפה יכולת ליצור טבלאות Iceberg באמצעות SQL ולגשת לגרסאות קודמות של המידע. היתרון לחברות: לעבוד עם נתונים מפוזרים בעננים שונים ובמקורות שונים, כמו AWS, Azure ו-PostgreSQL, בלי להעתיק אותם. Iceberg נותן גמישות — אבל חשוב לזכור שעדיין מדובר בפלטפורמה של Oracle, ולא בפתרון vendor-agnostic לחלוטין.

כלי סימולציה עסקית (Business Simulation) — דרך Essbase, טכנולוגיית אנליטיקה רב-ממדית של Oracle. חברות יכולות להשתמש בנתוני הכספים והתפעול כדי לחזות איך שינויים במחירים או בביקוש ישפיעו על הרווחים, לפני שמחליטים.

למה זה חשוב עכשיו?

כי סוכני AI הופכים מצרכנים פסיביים של מידע למקבלי החלטות פעילים. הם לא רק עונים על שאלות — הם ממליצים לאן להשקיע, מה לחתוך ואיפה להתמקד במכירות. אם הם מתחילים עם הגדרה שגויה, כל ההחלטות שנבנות עליה פגומות.

Niipun Agarwal, סגן נשיא בכיר ב-Oracle Database, הסביר בראיון ש״Lakehouses הפכו לעמוד השדרה של קבלת החלטות מבוססת AI״. לדבריו, הצורך בגישה בזמן אמת גדל, כי סוכנים דורשים נתונים on-demand ולא בריענונים מתוזמנים.

ציטוטים מהשטח

Rhett Rowan, סגן נשיא IT ב-Liberty Energy, לקוח של Oracle: ״ה-Autonomous AI Lakehouse נותן למקבלי ההחלטות שקיפות בזמן אמת לגבי הכנסות בשטח, שימוש במלאי, עלויות ורווחיות. הוא משלב טבלאות Iceberg עם נתונים מ-Amazon S3, בסיסי נתונים של Amazon, SQL Server ב-Azure, MongoDB ו-PostgreSQL — כך שקל להוסיף מקורות חדשים לכוח AI, לאנליטיקה ולסימולציות עסקיות.״

Agarwal הוסיף: ״אנחנו מאמינים שלכל ארגון תהיה בחירה — הוא ישתמש במקורות נתונים מרובים וב-Lakehouses מרובים. הגישה שלנו היא שכבת-על פתוחה שיושבת על הנכסים הקיימים של הארגון, בלי להחליף אותם.״

תגובות ותחרות

Oracle מתמודדת כאן עם שחקניות כמו Databricks ו-Google, שגם עובדות על בעיית ה״הבנה״ של נתוני ארגונים. ההדגשה של Oracle על פתיחות — תמיכה ב-Iceberg והיכולת להתחבר ל-Unity Catalog של Databricks — היא צעד טקטי. אבל לקוחות צריכים לשאול: כמה קל להעביר הגדרות עסקיות בין פלטפורמות? האם הכלים החדשים יקרים יותר? ועד כמה עבודת ה-data team תגדל כדי לשמור על דיוק ההגדרות?

ההצהרות של Oracle מסויגות: מנוע Data Lake Accelerator שלה מתיימר לבצע שאילתות עד פי שלושה מהר יותר על מערכי 100 TB TPC-DS — אבל אלו תוצאות בבדיקה פנימית, וייתכן שללקוחות יהיו ביצועים אחרים.

מה הלאה?

רוב הכלים יהיו זמינים בשנה הקרובה. שכבת ה-Business Semantic Layer וקטלוג ה-AI Data Catalog צפויים להגיע במהלך 12 החודשים הבאים.

בסופו של דבר, מדובר בניסיון להפוך את ה-AI מ״אוסף סטטיסטי״ ל״שותף עסקי״ — כזה שמבין את שפת החברה מבפנים. הטעות הפוטנציאלית כבר לא תהיה טעות של בורות, אלא של חוסר התאמה עסקית. Oracle מציעה את המדריך שאמור למנוע את זה.

כמה שאלות פתוחות:

• דיוק: גם שכבת הסמנטיקה הטובה ביותר לא מבטיחה שה-AI ישתמש בה נכון — צריך בדיקות בעולם האמיתי.
• עלות: העלויות הנוספות של הכלים החדשים עדיין לא פורסמו.
• עבודה: צוותי Data יצטרכו להשקיע בתחזוקה שוטפת של ההגדרות והקשרים.

בסופו של יום, Oracle בנתה כיוון שאפתני. השאלה היא אם זה יהפוך את החיים של צוותי Data לקלים יותר וישפר את אמינות תוצאות ה-AI.

ויאללה, נקווה שה-AI לא יפרש את ״רבעון״ כמו ה-DevOps אצלנו, שמחשבים ״שנת עבודה״ — אחרת, כל הדוחות יהיו על הנייר.