HeatWave GenAI

データベース内LLMを使用して、非構造化ドキュメントに基づいてコンテンツを生成または要約できます。ユーザーはアプリケーションを介して自然言語で質問でき、LLMはリクエストを処理してコンテンツを提供します。

あるユーザーが自然言語で「このソリューション概要の要約を生成できますか?」という質問をしています。大規模言語モデル（LLM）はこの入力情報を処理して要約を出力として生成します。

生成AIのパワーを機械学習など、HeatWaveの他の組込み機能と組み合せることで、コストを削減し、より正確な結果を迅速に得ることができます。こちらの例では、製造会社が予知保全のためにそうした取り組みを行っています。エンジニアは、Oracle HeatWave AutoMLを使用して、異常な本番ログのレポートを自動的に生成できます。HeatWave GenAIは、ログを手動で分析するのではなく、自然言語で質問するだけで、問題の根本原因を迅速に判断するのを支援します。

あるユーザーがHeatWave Chatを介して「このログ・コレクションの主な問題は何ですか?2文に要約して教えてください」と質問しています。まずHeatWave AutoMLは、継続的に収集するすべての本番ログに基づいて、異常なログがフィルタされたリストを生成します。次に、HeatWaveベクトル・ストアが、ログ・ナレッジ・ベースに基づいてLLMに追加のコンテキストを提供します。LLMは、その拡張プロンプトを受け取り、レポートを生成して、問題について自然言語で説明する詳細な回答をユーザーに提供します。

たとえばチャットボットはRAGを使用して、社内のポリシーに関する従業員の質問に回答するのを支援できます。ポリシーの詳細を説明する社内ドキュメントは、HeatWaveベクトル・ストアに埋込みとして格納されます。特定のユーザ・クエリに対して、ベクトル・ストアは、格納された埋込みに対して類似検索を実行することで、最も類似したドキュメントを特定します。これらの文書は、正確な回答を提供できるよう、LLMに与えられたプロンプトを補強するために使用されます。

あるユーザーが、HeatWave Chatを介して「どのラップトップを注文できますか。また、その手続きはどのようなものですか」と尋ねます。HeatWaveは、HeatWave Vector Storeにある内部ポリシー・ドキュメントにアクセスして質問を処理します。その後、LLMに拡張プロンプトが提供され、「承認済みベンダーのリストと注文手順は次のとおりです」という応答が生成されます。

開発者は、組込みの機械学習、生成AI、ベクター・ストアの各機能を組み合わせて活用し、パーソナライズされたレコメンデーションを提供するアプリケーションを構築できます。この例では、アプリケーションでHeatWave AutoML推奨システムを使用して、ユーザーの好みや、ユーザーが以前に注文した内容に基づいてレストランを推奨します。HeatWave Vector StoreでレストランのPDF形式のメニューを検索して特定の料理を提案することで、顧客により大きな価値を提供できます。

あるユーザーが、HeatWave Chatを介して「今日のおすすめのヴィーガン料理は何ですか」と尋ねます。まずHeatWave AutoML推奨システムは、ユーザーが以前に注文した内容に基づいてレストランのリストを提案します。次に、HeatWave Vector Storeは、レストランのメニューに基づいてLLMに拡張プロンプトを提供します。これにより、LLMは自然言語でパーソナライズされたおすすめ料理を生成できます。

類似検索は、セマンティクスに基づく関連コンテンツの検索に焦点を合わせています。類似検索は、適用されたタグのみを検索するのではなく、基礎となる意味を考慮することで、単純なキーワード検索では得られない結果を返します。この例では、弁護士が契約で問題となる可能性のある条項を迅速に識別したいと考えています。

弁護士がHeatWave Chatを介して「この条項を含む契約はどれですか」と尋ねます。HeatWave Vector Storeは類似検索を実行し、「この条項は、次の6件の契約で確認できます」という回答を提供します。