今回は HR スキーマを例に、Oracle Database のスキーマが AI Ready Data としてどの程度整っているかを評価してみます。
👁 AI-ReadyData.png

Oracle Database では、Select AI、RAG、AI Vector Search、AI Agent など、AI 関連の機能が増えてきています。Oracle Autonomous AI DatabaseとOracle AI Databaseの両方において、Select AIは、チャット、自然言語からSQLへの変換（NL2SQL）生成、合成データ生成、AIエージェント、要約、翻訳など、26aiと19cの両方で一貫したコアエクスペリエンスを提供します。
👁 OracleAIDatabaseのAI機能.jpg

• NL2SQL
  Select AIの中核機能の一つが自然言語からSQLへの変換です。これにより、ユーザーは必要なデータ結果を自然言語で記述し、Select AI によって SQL を生成、実行、ナレーション、説明してくれる機能です。

• Feedback
  生成された SQL や結果に対してフィードバックを与え、NL2SQL の精度改善に利用する機能です。

• Auto Object Selection
  ユーザーのプロンプトに関連するオブジェクトを自動的に選択し、LLM に渡すメタデータの範囲を適切に絞り込むための機能です。

• RAG
  embedding の生成、Vector Store からの意味検索、取得した情報によるプロンプト拡張を組み合わせ、回答をデータで grounding するための機能です。

• SDG
  Synthetic Data Generation の略で、機密性の高い本番データを使わずに、スキーマに準拠した合成データを生成するための機能です。

• AI Agents
  Select AI を SQL 実行や RAG などのツール利用を含むアクション指向のワークフローへ拡張するための機能です。

• Summarization
  クエリ結果やテキストを自然言語で要約するための機能です。

• Translation
  自然言語による応答やコンテンツを多言語化するための機能です。

• Chat
  ユーザーのプロンプトを LLM に渡して、通常のチャット形式で応答するための機能です。
  👁 image.png
  

これらの機能を見ると、Oracle Database 側では AI を活用するための仕組みがかなり増えてきていることが分かります。

一方で、AI 機能が用意されているだけでは、対象データをそのまま安全かつ高精度に使えるとは限りません。
AI の「幻覚（ハルシネーション）」や誤動作を防ぐ、または低減するためには、LLM や AI エージェントに渡すデータの意味、構造、関係性、鮮度、権限、機微情報の扱いが明確になっていることが重要です。

AI Ready Data とは、単なる「綺麗なデータ」の枠を超え、大規模言語モデル（LLM）や AI エージェント、機械学習モデルが人間の介入なしに、自律的に読み取り、推論し、アクションを起こせるように最適化されたデータ構造およびプロセスです。

Oracle Database のスキーマで考えると、テーブルやカラムの意味がコメントで説明されていること、主キーや外部キーで関係性が明確になっていること、統計情報や鮮度情報が確認できること、RAG や Vector Search に必要なテキスト列や VECTOR 列の設計があることなどが、AI Ready Data の重要な要素になります。

そのため、これらの AI 機能を使う前に、対象となるスキーマやテーブルが AI から見て扱いやすい状態になっているか、つまり AI Ready な状態か を確認しておきたい場面があります。

たとえば、以下のような観点です。

• テーブルやカラムにコメントが設定されているか
• 主キーや外部キーが定義されているか
• 統計情報が取得されているか
• RAG に使えるテキスト列や VECTOR 列があるか
• Select AI / RAG / Agent などの Oracle AI 機能が DB 側で見えているか

ということで、今回は Oracle Database 向けに作成した oracle-ai-ready-data Skill を使って、Autonomous AI Lakehouse 上の HR スキーマを AI Ready 評価してみてみます。
👁 image.png

今回は、oracle-ai-ready-data Skill を使って、HR スキーマに対して以下の 3 種類の評価を実行します。

今回は第1回として、まずは HR スキーマに対する評価結果を確認します。

次回以降では、Select AI Profile を作成して NL2SQL を試したり、RAG / Vector Search も試してみたいと思います。

• 予定
  • 第1回: Oracle Database の HR スキーマを AI Ready 評価してみた
  • 第2回: BAD_AI_READY スキーマを作って AI Ready 評価で失敗させてみた
  • 第3回: Select AI Profile を作って NL2SQL してみた
  • 第4回: Oracle AI Vector Search / RAG 用の Vector Index を作ってみた
  • 第5回: AI Agent の SQL Tool / RAG Tool を試してみた

■ 検証環境

今回の検証環境は以下です。

Autonomous AI Lakehouse、 HRスキーマの作成と SQLcl 設定は次が参考になります。

• Autonomous AI Lakehouse作成

• HRスキーマの作成

• SQLcl クライアント設定

■ oracle-ai-ready-data とは

oracle-ai-ready-data は、Oracle Database のスキーマや Oracle AI 機能の利用準備状況を確認するために作成した Skill です。

GitHub リポジトリはこちらです。

https://github.com/shirok-tech/oracle-ai-ready-data

この Skill では、SQLcl で Oracle Database のメタデータを収集し、Python スクリプトで Markdown レポートと改善 SQL を生成します。

主な構成は以下です。

■ oracle-ai-ready-data の評価観点

oracle-ai-ready-data では、大きく以下の観点で Oracle Database の AI Ready 度を確認します。

特に今回は、テーブルコメントとカラムコメントを重要視しています。

oracle-ai-ready-data では、テーブルコメントまたはカラムコメントに欠落がある場合、数値スコアに関係なく Mandatory comment gate が fail になります。

⚫︎ SCAN Profile と RAG Profile の違い

scan と rag はどちらも AI Ready 評価ですが、目的が少し違います。

scan は、スキーマ全体の健康診断のようなものです。

主キー、外部キー、コメント、制約、統計情報、鮮度列、権限などを広く確認します。

一方で rag は、RAG や Vector Search の情報源として使いやすいかを重視します。

たとえば、検索対象となるテキスト列があるか、VECTOR 列があるか、根拠行を一意に特定できるか、データの鮮度を説明できるか、などを確認します。

⚫︎ 評価項目一覧

今回の Skill では、以下のようなメトリクスを確認します。

これらの項目を組み合わせて、Clean、Contextual、Consumable、Current、Correlated、Compliant のスコアを算出します。

⚫︎ Oracle AI Feature Readiness とは

Oracle AI Feature Readiness は、スキーマの品質ではなく、Oracle Database 側で AI 機能が利用できる状態かを確認する評価です。

具体的には、以下のようなものを確認します。

今回は Autonomous AI Lakehouse で実行したため、DBMS_CLOUD_AI、DBMS_CLOUD_AI_AGENT、DBMS_VECTOR が確認できました。

ただし、AI Profile や Vector Index はまだ作成していないため、各機能は 対応あり・設定必要 という判定になりました。

■ HR スキーマに oracle-ai-ready-data を実行してみる

ここから実際に HR スキーマへ oracle-ai-ready-data を実行してみます。

⚫︎ oracle-ai-ready-data ダウンロード

GitHub からダウンロードし、Oracle SQLcl を実行するクライアントへ配置します。

git clone コマンド使う場合は次になります。

git clone https://github.com/shirok-tech/oracle-ai-ready-data.git
cd oracle-ai-ready-data

ディレクトリ構成は以下のようになっています。

oracle-ai-ready-data/
├── README.md
├── SKILL.md
├── scripts/
│ ├── oracle_ai_ready_collect.sql
│ ├── oracle_ai_feature_collect.sql
│ ├── score_oracle_ai_ready_scan.py
│ └── score_oracle_ai_feature_readiness.py
├── profiles/
│ ├── scan.yaml
│ ├── rag.yaml
│ └── feature-readiness.yaml
├── references/
└── examples/

⚫︎ SQLcl でメタデータ収集

oracle-ai-ready-data では、まず SQLcl でメタデータを収集します。

1) oracle-ai-ready-data 実行
基本的な実行形式は以下です。

sql -s <user>/<password>@<connect_identifier> @scripts/oracle_ai_ready_collect.sql <schema_owner> <table_like_pattern> <profile>

今回の対象は HR スキーマなので、以下のように実行します。

sql -s admin/<password>@adb_high @scripts/oracle_ai_ready_collect.sql HR % scan

2) メタデータ .outファイル 取得
実行すると、以下のような .out ファイルが生成されます。

oracle_ai_ready_scan_HR_scan.out

rag profile の場合は以下です。

sql -s admin/<password>@adb_high @scripts/oracle_ai_ready_collect.sql HR % rag

こちらは以下のファイルが生成されます。

oracle_ai_ready_scan_HR_rag.out

⚫︎ scan profile 実行

scan profile の .out ファイルから Markdown レポートと改善 SQL を生成します。

python3 scripts/score_oracle_ai_ready_scan.py \
 oracle_ai_ready_scan_HR_scan.out \
 --profile scan \
 --language ja \
 --output hr_scan_report.md \
 --sql-output hr_scan_improvement.sql

生成されるファイルは以下です。

⚫︎ rag profile 実行

次に rag profile のレポートを生成します。

python3 scripts/score_oracle_ai_ready_scan.py \
 oracle_ai_ready_scan_HR_rag.out \
 --profile rag \
 --language ja \
 --output hr_rag_report.md \
 --sql-output hr_rag_improvement.sql

生成されるファイルは以下です。

⚫︎ feature readiness 実行

次に、Oracle AI Feature Readiness を確認します。

1) oracle_ai_feature_collect.sql 実行

sql -s admin/<password>@adb_high @scripts/oracle_ai_feature_collect.sql HR %

2) .out ファイル取得
実行すると、以下の .out ファイルが生成されます。

oracle_ai_feature_readiness_HR.out

3) レポートとセットアップ SQL 生成
この .out から Markdown レポートとセットアップ SQL テンプレートを生成します。

python3 scripts/score_oracle_ai_feature_readiness.py \
 oracle_ai_feature_readiness_HR.out \
 --language ja \
 --output oracle_ai_feature_readiness_HR.md \
 --sql-output oracle_ai_feature_setup_HR.sql

生成されるファイルは以下です。

■ HR スキーマの実行結果

ここから、実際に HR スキーマに対して実行した結果を見ていきます。

⚫︎ scan の結果

scan profile の結果は以下です。

Dimension ごとのスコアは以下です。

HR スキーマでは、テーブルコメントとカラムコメントが 100% で、Mandatory comment gate は pass でした。

一方で、統計情報が未取得だったため、Clean と Current のスコアが下がっています。

主なメトリクスは以下です。

改善 SQL としては、統計情報収集用の DBMS_STATS.GATHER_TABLE_STATS と、鮮度列候補の UPDATED_AT 追加テンプレートが生成されました。

BEGIN
 DBMS_STATS.GATHER_TABLE_STATS(
 ownname => 'HR',
 tabname => 'EMPLOYEES',
 cascade => TRUE,
 method_opt => 'FOR ALL COLUMNS SIZE AUTO'
 );
END;
/

鮮度列については、実際のアプリケーション影響があるため、テンプレートとしてコメントアウトされています。

-- ALTER TABLE "HR"."COUNTRIES" ADD "UPDATED_AT" TIMESTAMP(6);
-- ALTER TABLE "HR"."DEPARTMENTS" ADD "UPDATED_AT" TIMESTAMP(6);
-- ALTER TABLE "HR"."JOBS" ADD "UPDATED_AT" TIMESTAMP(6);
-- ALTER TABLE "HR"."LOCATIONS" ADD "UPDATED_AT" TIMESTAMP(6);
-- ALTER TABLE "HR"."REGIONS" ADD "UPDATED_AT" TIMESTAMP(6);

⚫︎ rag の結果

rag profile の結果は以下です。

Dimension ごとのスコアは以下です。

rag profile では、RAG や Vector Search の観点で、テキスト列や VECTOR 列も確認します。

今回の HR スキーマでは、以下のような結果でした。

HR スキーマは、テーブルコメント、カラムコメント、主キー、外部キーなどの説明性は高いです。

そのため、Select AI / NL2SQL の PoC 対象としては良さそうです。

一方で、RAG 用の長文テキスト列や VECTOR 列はありませんでした。

つまり、HR スキーマそのものは RAG 用の vector store として設計されているわけではなく、RAG を試すには文書データ、chunking、embedding model、vector index などを別途設計する必要がありそうです。

⚫︎ feature readiness の結果

次に、Autonomous AI Lakehouse で Oracle AI Feature Readiness を実行した結果です。

最初にこの結果を見たとき、すぐ利用できそうな機能: なし と表示されたため、AI 機能が無いのかと思いますが、詳細を見るとそうではありません。

パッケージ / プロシージャ証跡では、以下が確認できます。

さらに、DBMS_CLOUD_AI では以下のようなプロシージャも確認できました。

CREATE_PROFILE
CREATE_VECTOR_INDEX
GENERATE
GENERATE_SQL
GENERATE_SYNTHETIC_DATA
FEEDBACK
SET_ATTRIBUTE
SET_ATTRIBUTES

DBMS_CLOUD_AI_AGENT では以下のようなプロシージャも確認できました。

CREATE_AGENT
CREATE_TASK
CREATE_TEAM
CREATE_TOOL
ENABLE_AGENT
ENABLE_TASK
ENABLE_TEAM
ENABLE_TOOL

つまり、今回の Autonomous AI Lakehouse では、Select AI、RAG、AI Agent、SDG など必要機能がありました。

ただし、AI Profile はまだ作成していないため、すぐに使える状態ではありませんでした。

AI profile は検出されませんでした。

そのため、今回の正しい解釈は以下です。

AI 機能がない
 → 誤り

AI 機能はあるが、AI Profile、Credential、Vector Index が未作成
 → 正しい

⚫︎ 確認できた AI 機能

Autonomous AI Lakehouse では以下が確認できました。

Autonomous AI Lakehouse では DBMS_CLOUD_AI、DBMS_CLOUD_AI_AGENT、DBMS_VECTOR / DBMS_VECTOR_CHAIN が確認できました。
そのため、Autonomous AI Lakehouse 側は「AI 機能が無い」のではなく、AI Profile、Credential、Vector Index などがまだ未作成の状態でした。

まずは DBMS_CLOUD_AI.CREATE_PROFILE で AI Profile を作成し、SELECT AI showsql で NL2SQL を試すのが次のステップになりそうです。

■ 結果から分かったこと

今回の HR スキーマ評価と Feature Readiness から分かったことを整理します。

⚫︎ HR スキーマはコメントと制約が強い

HR スキーマは、テーブルコメントとカラムコメントが 100% でした。

特に今回の Skill では、コメント有無を mandatory gate として扱っています。

そのため、テーブルコメントとカラムコメントが 100% である HR スキーマは、AI Ready 評価のベースラインとしてかなり良い対象でした。

Select AI / NL2SQL では、スキーマの意味を LLM に伝えるためにコメントや制約が重要になるため、HR スキーマは PoC 対象として良さそうです。

⚫︎ RAG 用のテキスト列 / VECTOR 列はまだ無い

一方で、RAG の観点では以下が 0% でした。

HR スキーマは、従業員、部署、職種、国、地域などの業務データを持っています。

ただし、RAG でよく使うような長文ドキュメントや、embedding を格納する VECTOR 列はありません。

そのため、HR スキーマは NL2SQL の PoC には向いているが、RAG 用の vector store としては追加設計が必要 という結果になりました。

RAG を試す場合は、以下のような設計が必要そうです。

• 検索対象となる文書データ
• chunking 方針
• embedding model
• vector index
• refresh rate
• 回答根拠として提示する source 情報

⚫︎ Select AI / RAG / Agent は Profile 作成前の状態

Feature Readiness では、以下の機能が見えていました。

今回、未検出の機能はありませんでした。

ただし、AI Profile はまだありません。

そのため、次に必要なのは以下です。

1. AI Provider を決める
2. Credential を作成する
3. DBMS_CLOUD_AI.CREATE_PROFILE で AI Profile を作成する
4. DBMS_CLOUD_AI.SET_PROFILE で Profile をセットする
5. SELECT AI showsql で NL2SQL を試す
6. RAG を使う場合は Vector Index を作成する
7. Agent を使う場合は Agent / Tool / Team を作成する

今回の Skill では、AI Profile 作成用のテンプレート SQL も生成されました。

BEGIN
 DBMS_CLOUD_AI.CREATE_PROFILE(
 profile_name => 'AI_READY_NL2SQL',
 status => 'enabled',
 description => 'AI Ready NL2SQL profile scoped for review',
 attributes => JSON_OBJECT(
 'provider' VALUE 'oci',
 'credential_name' VALUE 'TODO_AI_PROVIDER_CRED',
 'model' VALUE 'TODO_MODEL_NAME',
 'object_list' VALUE JSON_ARRAY(JSON_OBJECT('owner' VALUE 'HR')),
 'comments' VALUE true,
 'constraints' VALUE true,
 'enforce_object_list' VALUE true
 )
 );
END;
/

実際に利用する場合は、provider、credential_name、model、object_list などを環境に合わせて設定する必要があります。

■ まとめ

今回は、Oracle Database 向けに作成した oracle-ai-ready-data Skill を使って、Autonomous AI Lakehouse 上の HR スキーマを AI Ready Data の観点で評価してみました。

実行した評価は以下です。

HRスキーマは、テーブルコメント、カラムコメント、主キー、外部キー、制約などが整っており、Select AI / NL2SQL の検証対象としてはかなり良さそうでした。

一方で、統計情報や鮮度列には改善余地があり、RAG用の長文テキスト列やVECTOR列も無いため、RAG / Vector Search用途では追加のデータ設計が必要そうです。

また、Autonomous AI Lakehouse では DBMS_CLOUD_AI、DBMS_CLOUD_AI_AGENT、DBMS_VECTOR などが確認でき、AI機能の土台は存在していました。

ただし、AI Profile、Credential、Vector Index はまだ未作成だったため、今回の正しい解釈は「AI機能が無い」ではなく、「AI機能はあるが、利用するための設定がこれから必要」という状態でした。

次回は、AI Profile を作成して、Select AI / NL2SQL を実際に試してみてみます。

• 予定
  第1回: Oracle Database の HR スキーマを AI Ready 評価してみてみた
  第2回: BAD_AI_READY スキーマを作って AI Ready 評価で失敗させてみてみた
  第3回: Select AI Profile を作って NL2SQL してみたみてみた
  第4回: Oracle AI Vector Search / RAG 用の Vector Index を作ってみてみた
  第5回: AI Agent の SQL Tool / RAG Tool を試してみてみた

■ 解説

まだあまり理解されていない Database のメタデータ, AI Ready Data について詳しく解説しています。

■ おまけ

今回の内容を、ずんだもん達に紹介してもらう漫画も作ってみました。 技術記事の補足として、少しでも楽しく読んでもらえたらうれしいです。
👁 おまけ.png

※ 本漫画は筆者による非公式の二次創作です。
※ 使用キャラクター：ずんだもん / 四国めたん / 春日部つむぎ
※ キャラクターの権利は各権利元に帰属します。
※ クレジット
　- ずんだもん / 四国めたん：東北ずん子・ずんだもんプロジェクト関連ガイドラインに基づいて利用
　- 春日部つむぎ：公式利用規約に基づいて利用

■ 参考

• GitHub

  • oracle-ai-ready-data

• Documents

  • Select AI by Release: A Quick Guide to 26ai and 19c Capabilities
  • Select AI and Select AI Agent Capability Matrix
  • Use Select AI for Natural Language Interaction with your Database
  • Select your AI Provider and LLMs
  • Profile Attributes
  • DBMS_CLOUD_AI Package
  • DBMS_CLOUD_AI Views
  • Use AI Keyword to Enter Prompts
  • Overview of Oracle AI Vector Search
  • DBMS_VECTOR
  • DBMS_VECTOR_CHAIN
  • Select AI Agent

• LiveLabs

  • Get started with AI Agents using Select AI on Autonomous AI Database
  • Develop AI RAG Apps with Autonomous AI Database Select AI
  • Get Started with Oracle Autonomous AI Database MCP Server