Machine Learning in Oracle AI Database

Oracle AI Databaseの機械学習機能は、SQL、R、Python、REST、AutoML、コード不要のインターフェイスを使用して、スケーラブルなデータ探索、準備、MLモデリングを実現します。また、アプリケーションですぐに利用できる30種類を超える高パフォーマンスのデータベース内アルゴリズムと、自然言語によるデータサイエンスワークフローを支えるAIエージェントを提供します

ニュースを読む

OML4PyクライアントがWindowsに対応

Oracle Machine Learning for Python（OML4Py）2.1クライアントがWindowsユーザー向けに利用可能になりました。これにより、データ・サイエンティストや開発者は、Windowsのノートパソコンやワークステーションから直接、機械学習モデルの構築、学習、デプロイを行えるようになるため、ローカルのLinuxクライアントや仮想マシンが不要になります

導入方法をご覧ください
OMLノートブックのバージョン管理、同期、共有を強化するGitHub統合が利用可能に

Oracle Machine Learning（OML）ノートブックがGitHubリポジトリに直接接続できるようになり、OML、Jupyter、Zeppelinノートブックのシームレスなインポートや変更の同期が可能になりました

使用方法を確認する
OML4PyおよびOML4SQLによる埋込みモデル導入オプションの強化

Oracle Machine Learning for Python（OML4Py）バージョン2.1.1およびOML4SQLでは、Oracle AI Database 23.26.1において、外部データおよびインメモリ共有を介した大規模なONNX埋込みモデルがサポートされるようになりました。これに伴い、モデル・サイズ制限の拡大と同時環境でのメモリ使用量の最適化によってスケーラビリティが向上します

より強力な埋込みモデルの使用

Machine Learning in Oracle AI Databaseが選ばれる理由

すべての機能や特徴を見る

Oracle AI Databaseに組み込まれた自動化、データベース内実行のパフォーマンス、スケーラビリティにより生産性を高めるとともに、潜在的なデータ・バイアスを特定し、予測要因を把握します

データサイエンス・エージェント

任意のAIプロバイダーとLLMを利用してデータベース内で動作する最新のチャットベースのエクスペリエンスを、データサイエンスのライフサイクル全体で実現します

データベース内の操作

Oracle Exadata内でスケールアウト・アーキテクチャとSmart Scanテクノロジーを活用して、大規模なモデル構築とデータ・スコアリングを直接高速化し、より迅速に結果を得られます。

多言語対応のAPI

データベース内のデータの調査と準備、機械学習のモデリング、ソリューションの導入には、SQL、Python、Rのインターフェイスから選択できます。さらに、SQLとRESTを使用してPythonとRのソリューションを導入することもできます。

データ移動作業が不要

Oracle AI Databaseでデータを直接処理することで、調査、準備、モデル構築、デプロイメントを効率化し、開発時間と複雑さを軽減するとともに、データ・セキュリティを強化します

コード不要のモデル構築

コード不要のAutoMLインターフェイスを通じて、データ・サイエンティストの生産性を向上させ、専門知識のないユーザーでも、分類や回帰に対応する堅牢なデータベース内アルゴリズムを活用できるようにします

データおよびモデルの監視

RESTエンドポイントとコード不要のインターフェイスを使用して、データと機械学習モデルの進化に関するインサイトを獲得し、迅速な是正措置を講じることで、企業における重大な問題を防止します

迅速なエンタープライズ導入

SQLおよびRESTインターフェイスを使用した簡単な導入オプションにより、機械学習モデルの即時可用性を実現します。

自社モデルの持ち込み

Open Neural Network Exchange（ONNX）形式のテキスト変換、分類、回帰、およびクラスタリング・モデルをインポートし、データベース内ONNXランタイムを使用してSQL環境で実行できます。ONNX形式のモデルをOracle Machine Learning Servicesに導入して、リアルタイムの推論ユースケースに使用できます。

組み込みのセキュリティ

Oracle AI Databaseの統合セキュリティと暗号化、ロールベースのデータ・アクセス、データベース内モデルとサードパーティ・モデルのサポート、RおよびPythonのオブジェクトとスクリプトを活用できます

2026年2月

OML4PyおよびOML4SQLによる埋込みモデル導入オプションの強化

オラクル、AIおよびML製品管理担当コンサルティングMTS、Sherry LaMonica

Oracle Machine Learning for Python（OML4Py）バージョン2.1.1およびOML4SQLでは、Oracle AI Database 23.26.1において、外部データおよびインメモリ共有を使用する大規模なONNX埋込みモデルがサポートされるようになりました。これに伴い、モデル・サイズの制限の拡大と同時ユーザーのメモリ使用量の最適化によってスケーラビリティが向上します

全文を読む

注目のブログ

2026年2月OML4Py 2.1.1でのデータストアのエクスポートとインポートの概要
2026年3月PythonおよびR向けEmbedded ExecutionのRESTとSQL APIの新バージョンを提供開始
2024年10月柔軟な「独自のモデルの持ち込み」オプションによりAI/MLアプリケーションを強化
2024年9月Oracle Machine Learning Services Data Bias Detectorの発表

リソース

リファレンス・アーキテクチャ

Autonomous Data Warehouse上の機械学習プラットフォーム

Oracle Autonomous AI Databaseには、データのロードと準備、機械学習モデルのトレーニング、導入、管理に必要なツールがすべて組み込まれています。これらのサービスはAutonomous AI Databaseに含まれていますが、組織のニーズに合わせて他のツールを柔軟に組み合わせることも可能です。
リファレンス・アーキテクチャ

データ・プラットフォーム - 複雑な統合を伴うデータウェアハウス

フレームワークを使用してエンタープライズ・アプリケーション・データを他のソースからの生データで強化し、機械学習モデルによりインテリジェンスと予測インサイトをビジネス・プロセスに取り入れます。
リファレンス・アーキテクチャ

小売の在庫分析のためのデータレイクハウスを設計する

OCI上にデータレイク・ハウスを実装することで、大量のデータを収集、管理、集約し、在庫情報をリアルタイムで可視化できるようになります。実装を成功させるためのプラットフォーム・トポロジやコンポーネント概要、推奨されるベストプラクティスを紹介します。
リファレンス・アーキテクチャ

Oracle Architecture Centerのコンテンツの詳細

Oracle Architecture Centerは、クラウド、マルチクラウド、分散クラウド、オンプレミスのソリューションの実装を支援するために、検証済みの設計パターン、アーキテクチャ例、ソリューション・プレイブック、デプロイメント・コードを提供します。投資を最大限に活用するためのガイドとして、この情報をご利用ください。