Nel contesto dei moderni data lakehouse, la capacità di descrivere, costruire e interrogare pipeline di dati con il linguaggio naturale è diventata un fattore critico di differenziazione. Oracle Autonomous AI Lakehouse offre una suite integrata di strumenti – annotazioni, assistente AI conversazionale e vettorizzazione di immagini e testi – che consentono di realizzare pipeline auto‑documentate, facilmente modificabili e capaci di gestire contenuti non strutturati. Questo articolo approfondisce ciascuna funzionalità, ne spiega il funzionamento tecnico e dimostra il valore aggiunto attraverso un esempio pratico di analisi dei resi di un negozio online.

Metadata: il nuovo collo di bottiglia

La generazione di query SQL in linguaggio naturale è diventata semplice grazie alla generative AI, ma la qualità dei risultati dipende ancora dalla corretta comprensione del significato dei dati. Un modello che visualizza una tabella SLSFCT con le colonne AMT, QTY e STATCD deve indovinare il loro contenuto; un errore di interpretazione genera query che restituiscono numeri tecnicamente corretti ma semanticamente errati. Lo stesso vale per la generazione automatica di pipeline di dati: join, filtri e aggregazioni sono accurati solo se il modello conosce il contesto semantico di ogni campo.

Oracle Data Transforms, il costruttore di pipeline integrato in Autonomous AI Lakehouse, affronta questo problema con tre capacità AI interconnesse:

    • Annotazioni: aggiungono significato business a tabelle e colonne e propagano queste informazioni lungo l’intera pipeline.
    • Assistente AI: consente di creare, modificare e avviare flussi di dati e workflow a partire da descrizioni conversazionali.
    • Embedding vettoriali per immagini e testo: trasformano contenuti non strutturati in dati ricercabili per similarità all’interno delle stesse pipeline.

Le annotazioni costituiscono il fondamento di queste funzionalità; perciò il resto dell’articolo approfondirà prima di tutto questo strumento.

1. Annotazioni: dati che si spiegano da soli

Cosa sono le annotazioni

Le annotazioni sono introdotte a partire da Oracle AI Database 26ai e dalla release 19c 19.28. Si tratta di coppie nome‑valore associate a tabelle, colonne, view, materialized view o indici. A differenza di un semplice commento libero, un oggetto può contenere più annotazioni, ad esempio:

ALTER TABLE order_lines MODIFY (

amt ANNOTATIONS (


ADD display     'Net sales amount',


ADD description 'Line amount after discounts, before tax, in USD'


)


);

Le annotazioni risiedono nel catalogo del database, rendendole disponibili a qualsiasi strumento che interroghi i metadata.

Annotazioni in Data Transforms

Data Transforms sfrutta le annotazioni in tutti i passaggi della pipeline:

    • Importazione: durante l’importazione di entità, è possibile trasferire le definizioni di annotazioni dalla sorgente al lakehouse.
    • Modifica: è possibile creare, modificare o eliminare annotazioni direttamente dall’interfaccia, senza scrivere DDL.
    • Propagazione: quando un flusso mappa una colonna sorgente su una colonna destinazione, le annotazioni viaggiano insieme, ad esempio la descrizione di AMT diventa quella di NET_SALES.
    • Generazione automatica: l’AI può produrre annotazioni per le tabelle di destinazione, basandosi sullo schema del flusso.

Questa capacità è illustrata nella figura 1, che mostra l’interfaccia di visualizzazione e modifica delle annotazioni su un’entità dati.

Perché le annotazioni generate dall’AI sono importanti per le tabelle di destinazione

Le tabelle di destinazione spesso contengono colonne create ex novo, come RETURNRATE, RETURNEDUNITS o TOPREASON in un report sui resi. Queste colonne non hanno una corrispondenza diretta nella sorgente, quindi i metadata tendono a scomparire. Le annotazioni generate dall’AI catturano, al momento della creazione, la logica di calcolo di ciascuna colonna, evitando la necessità di retro‑ingegnerizzare la pipeline mesi dopo. La figura 2 dimostra come le annotazioni AI descrivono la formula di RETURNRATE (unità restituite / unità vendute, raggruppate per categoria in un periodo di 12 mesi) e il significato di TOP_REASON (motivo più frequente).

2. Assistente AI: descrivi la pipeline, rivedi il design

Funzionalità principali

L’Assistente AI, parte di Oracle AI Database Assistant, fornisce un’interfaccia conversazionale per la costruzione e l’esecuzione di integrazioni dati. L’utente descrive il risultato desiderato in linguaggio naturale; l’assistente genera automaticamente gli oggetti di design (flussi di dati, workflow), li visualizza sul canvas e attende conferma prima di applicare le modifiche. L’Assistente utilizza un “AI Profile” configurabile nelle impostazioni del database, che definisce il servizio AI da impiegare.

Costruzione della pipeline di resi tramite conversazione

Nel caso del retailer online, la conversazione potrebbe evolversi così:

“Crea un flusso di dati che unisca ORDERLINES e RETURNS sul campo orderlineid, mantenga solo gli ultimi 12 mesi, calcoli il tasso di reso e le unità restituite per categoria prodotto. Carica il risultato in RETURNSBY_CATEGORY.”

L’assistente genera un flusso con join, filtro, aggregazione e destinazione, visualizzandolo sul canvas. L’utente può quindi affinare la definizione:

“Aggiungi il motivo di reso più comune per ciascuna categoria e escludi gli ordini annullati prima della spedizione.”

e successivamente:

“Inserisci questo flusso in un workflow che venga eseguito ogni notte dopo il caricamento degli ordini.”

Il risultato è un oggetto Data Transforms standard – editabile, versionabile e schedulabile – ma creato in pochi minuti grazie al dialogo naturale.

Integrazione con la funzionalità di parsing SQL

Data Transforms permette già di incollare una query SQL e di trasformarla automaticamente in un flusso grafico. L’Assistente AI estende lo stesso concetto, ma partendo da descrizioni in lingua comune anziché da codice, rendendo l’esperienza più accessibile a stakeholder non tecnici.

3. Interazione sinergica: annotazioni che migliorano ogni passo AI

Le annotazioni e l’Assistente AI sono utili singolarmente, ma la loro combinazione crea un ciclo virtuoso. Quando l’Assistente genera un flusso, le annotazioni esistenti sui campi di input guidano la corretta interpretazione semantica, riducendo gli errori di traduzione in SQL. Allo stesso tempo, le annotazioni generate per le nuove tabelle di output arricchiscono il catalogo metadata, fornendo al modello AI informazioni più precise per le richieste successive di NL2SQL (natural language to SQL).

Questo effetto di “feedback” rende progressivamente più accurate le query in linguaggio naturale, perché il modello apprende dal contesto semantico aggiunto ad ogni nuova pipeline.

4. Embedding vettoriali: portare le immagini nella pipeline

Da contenuti non strutturati a dati ricercabili

Oracle Autonomous AI Lakehouse supporta la vettorizzazione di immagini e testi tramite embedding. Un’immagine di prodotto, ad esempio, viene trasformata in un vettore numerico che cattura le sue caratteristiche visive. Questi vettori vengono poi memorizzati come colonne in tabelle e indicizzati per la ricerca di similarità.

Nel caso dei resi, è possibile:

    • Estrarre le immagini dei prodotti dal catalogo.
    • Generare embedding per ciascuna immagine.
    • Associare gli embedding alle righe della tabella RETURNSBYCATEGORY.
    • Eseguire query di similarità per identificare prodotti visualmente simili che presentano tassi di reso elevati.

Esempio pratico di query vettoriale

Una tipica query potrebbe essere:

SELECT productid, similarity(embedding, :targetvector) AS sim_score

FROM product_embeddings


WHERE similarity(embedding, :target_vector) > 0.85


ORDER BY sim_score DESC;

Questa istruzione restituisce i prodotti più simili, in termini di aspetto, al prodotto di riferimento :target_vector. Integrandola nel flusso di Data Transforms, è possibile arricchire il report sui resi con un’indicazione di “prodotti visivamente affini” e valutare se il difetto è legato al design.

5. Caso di studio completo: analisi dei resi per un retailer online

Riassumendo il percorso completo, la soluzione per il retailer si articola in cinque fasi:

    • Importazione dei dati: catalogo prodotti (con immagini), tabella ORDER_LINES e tabella RETURNS vengono caricati in Autonomous AI Lakehouse, importando le annotazioni esistenti.
    • Arricchimento delle annotazioni: si aggiungono o si modificano annotazioni per chiarire unità di misura, descrizioni di campi e sinonimi, tramite l’interfaccia Data Transforms.
    • Costruzione del flusso con l’Assistente AI: tramite conversazione si crea il flusso che unisce ordini e resi, filtra gli ultimi 12 mesi, calcola RETURNRATE, RETURNEDUNITS e TOPREASON, e aggiunge la colonna IMAGEEMBEDDING derivata dalle immagini dei prodotti.
    • Generazione automatica di annotazioni: l’AI aggiunge descrizioni alle nuove colonne, indicando la formula di calcolo e i riferimenti ai campi di origine.
    • Query di analisi avanzata: gli analisti utilizzano NL2SQL per chiedere “Quali categorie hanno avuto un tasso di reso superiore al 15% negli ultimi tre mesi e presentano immagini simili a quelle del prodotto X?” Il modello sfrutta sia le annotazioni semantiche sia gli embedding per rispondere con una tabella di risultati accurata.

Il risultato è una pipeline completamente documentata, automatizzata e capace di integrare dati testuali e visivi, riducendo il tempo di sviluppo da giorni a poche ore e migliorando la fiducia nei risultati grazie alla tracciabilità delle annotazioni.

6. Vantaggi operativi e strategici

Implementare Data Transforms con annotazioni, Assistente AI e embedding offre diversi benefici:

    • Riduzione della complessità: un unico strumento copre l’intero ciclo di vita della pipeline (ingest, trasformazione, orchestrazione, monitoraggio).
    • Coerenza dei metadata: le annotazioni garantiscono che il significato business sia preservato e propagato, evitando “data silos” di informazioni non documentate.
    • Velocità di sviluppo: l’interfaccia conversazionale permette a business analyst e data engineer di collaborare rapidamente senza dover scrivere codice SQL complesso.
    • Capacità di analisi multimodale: gli embedding integrano dati non strutturati (immagini, documenti) nella stessa pipeline dei dati transazionali.
    • Governance e audit: tutte le modifiche sono versionate e tracciate, facilitando la compliance normativa.

7. Prossimi sviluppi e conclusioni

Oracle continua a potenziare il lakehouse con nuove funzionalità AI, tra cui il supporto a modelli di linguaggio più avanzati per NL2SQL, l’automazione della generazione di diagrammi di lineage e l’integrazione di ulteriori formati di dati non strutturati (audio, video). L’obiettivo è trasformare il data lakehouse in un “cervello cognitivo” aziendale, capace di comprendere e rispondere alle domande di business in tempo reale.

In sintesi, le annotazioni forniscono il fondamento semantico, l’Assistente AI accelera la creazione e la revisione delle pipeline, mentre gli embedding ampliano il perimetro d’azione includendo contenuti visivi. La combinazione di queste tre capacità rende Autonomous AI Lakehouse una piattaforma unica per la costruzione di pipeline di dati intelligenti, auto‑documentate e pronte a supportare le decisioni strategiche di qualsiasi organizzazione.