[Oracle TechNight#99] 生成AI時代のAI/ML入門 ~ AIとオラクルデータベースの関係 (後半)

2026年4月30日に実施した Oracle Database Technology Night#99 「生成AI時代のAI/ML入門 ~ AIとオラクルデータベースの関係」の後半「AIとオラクルデータベースの関係」のスライドになります。

Transcript

1. 1 AIとオラクルデータベースの関係 中井亮矢 日本オラクル株式会社 Autonomous & Analytics ソリューション部 2026/04/30 Copyright © 2026, Oracle and/or its affiliates
2. 企業が将来的にAIに期待すること 2 業務の自動化と効率化 意思決定の高度化（データドリブン経営） 顧客体験（CX）の向上 新規ビジネス・サービスの創出 人材不足の補完・スキル支援 改善案の自動提案 Copyright © 2026, Oracle and/or its affiliates
3. 3 自律的、自動的な処理が期待される AI/ AI Agentが これらの期待に応えるためには データが重要 Copyright © 2026, Oracle and/or its affiliates
4. AIにとってもデータは非常に重要 • 人工知能の歴史から見てもデータが進歩を左右する重要な要素 • 機械学習の構造的にもデータから学ぶことが前提となっている • 生成AIのスケール則の３要素（モデルサイズ、データ量、計算資源）の１つ • 「Scaling Laws for Neural Language Models」（OpenAI, 2020） • 最近のスケール則研究ではデータがより重要であることが示されている • 「Chinchilla Scaling Laws 」(DeepMind, 2022) • ほとんどの場合、データの品質が結果の品質に直結している • Garbage in, Garbage out 4 Copyright © 2026, Oracle and/or its affiliates
5. 5 とはいえ、、、 データがあれば全て解決 とはいかない Copyright © 2026, Oracle and/or its affiliates
6. データとは？ 個々のデータは、対象となる情報や状況を特定の視点で切り取った写像にすぎません。 6 Copyright © 2026, Oracle and/or its affiliates
7. 7 データは どう使われるの？ Copyright © 2026, Oracle and/or its affiliates
8. データをAIが活用するためには 様々な視点の写像(データ)を組み合わせることで、状況を認識し、 判断することが可能になります 8 顧客像 Copyright © 2026, Oracle and/or its affiliates
9. 9 人間の場合、、、 Copyright © 2026, Oracle and/or its affiliates
10. 人間の五感統合 五感 統合 目 （視覚） 耳 （聴覚） 鼻 （嗅覚） 舌 （味覚） 皮膚 （触覚） 人間は五感の情報を統合し 状況認識を形成します 視覚：とても眩しい 皮膚：肌がジリジリ熱い 聴覚：蝉の鳴き声が大音量で聞こえる 嗅覚：夏の匂い 味覚：塩辛い汗の味 夏の炎天下に立っている ←状況認識 個々の五感の情報は感覚器に投影された写像に過ぎません。 それらを統合することで状況認識を得ることができます。
11. 認知プロセス（状況認識モデル含む)の流れ • 知覚 • 外界からの感覚情報 • 状況認識(Endsleyモデル) • Level1:要素の把握：知覚された情報の中から状況を構成する要素を認識する • Level2:状況の理解：要素を統合し現在の状況の意味を理解する • Level3:未来の予測：現在の状況に基づき、将来を予測する • 意思決定 • 状況認識に基づいてとるべき行動を選択する • 行動 • 意思決定に基づいて実際に外界へ働きかける
12. 認知プロセス（状況認識モデル含む)の流れ • 知覚 • 外界からの感覚情報 • 状況認識(Endsleyモデル) • Level1:要素の把握：知覚された情報の中から状況を構成する要素を認識する • Level2:状況の理解：要素を統合し現在の状況の意味を理解する • Level3:未来の予測：現在の状況に基づき、将来を予測する • 意思決定 • 状況認識に基づいてとるべき行動を選択する • 行動 • 意思決定に基づいて実際に外界へ働きかける =データ あるべきデータ処理の流れ
13. 認知プロセスの流れ 状況認識の中身を紐解いていくと必要なデータ処理の流れが見えてきます 13 処理の流れ 実施内容 ① 目的の認識 目的を設定する ② 状況認識 Level1:要素の把握 注意 何をみるか決める ③ 探索 どう取得するかを決める ④ 事実の収集 実際に情報を取得する ⑤ 事実の統合 集めた事実を統合する ⑥ Level2 状況の理解 要素を統合し現在の状況の意味を理解する ⑦ Level3 未来の予測 現在の状況に基づき、将来を予測する ⑧ 意思決定 状況認識に基づいてとるべき行動を選択する ⑨ 行動 意思決定に基づいて実際に外界へ働きかける ※暗黙的な目的だけでなく特定のタスクを実行することを想定し①を加えています Copyright © 2026, Oracle and/or its affiliates
14. 認知プロセスの流れ（夏の炎天下） 人間は知覚から得られた出力を直接処理して判断する機構が備わっています 14 処理の流れ 実施内容 ① 目的の認識 生存・体調維持 ② 状況認識 Level1:要素の把握 注意 暑さ、体調、周囲の環境 ③ 探索 日差し（眩しさ）、汗の量、体温、音、 ④ 事実の収集 強い日差し、高い気温、大量の汗、蝉の声 ⑤ 事実の統合 夏の炎天下にいて体温上昇中 ⑥ Level2 状況の理解 暑さによって体に負担、 ⑦ Level3 未来の予測 このままでは熱中症リスクあり ⑧ 意思決定 日陰に入る、水分補給する ⑨ 行動 日陰に移動して水分補給 Copyright © 2026, Oracle and/or its affiliates
15. 15 企業の場合、、、 Copyright © 2026, Oracle and/or its affiliates
16. 認知プロセスの流れ ビジネス版 AI/AI Agentを自動化して活用する方向であれば、見るべき知覚（データ）も人間と同 様の認知プロセスが求められることになると考えられます 16 処理の流れ 実施内容 ① 目的の認識 ビジネスゴールの理解 ② 状況認識 Level1:要素の把握 注意 どのデータを見るかを決める ③ 探索 データ取得設計 ④ 事実の収集 データの取得 ⑤ 事実の統合 データの統合 ⑥ Level2 状況の理解 ビジネスコンテキストとの照合 ⑦ Level3 未来の予測 予測処理 ⑧ 意思決定 ビジネスゴールと照合し施策決定 ⑨ 行動 施策の実行 Copyright © 2026, Oracle and/or its affiliates
17. 認知プロセスの流れ 雨の日のお店にて 17 処理の流れ 実施内容 ① 目的の認識 売上を落とさない ② 状況認識 Level1:要素の把握 注意 天気、来店数、売れ筋商品 ③ 探索 天気予報、売上データを見る ④ 事実の収集 今日は雨、来店客が少ない、傘、レインコートが少し売れている ⑤ 事実の統合 雨の日＋来店減少＋雨関連商品は売れている ⑥ Level2 状況の理解 「雨で来店は減っているが、特定の商品は需要が上がる」 ⑦ Level3 未来の予測 「このまま雨が続くと、傘やレインコートの需要はさらに伸びる」 ⑧ 意思決定 入口に傘を置く 雨関連商品の陳列を増やす ⑨ 行動 売り場を変更する 経験則的な判断も同様の構造の認知プロセスに基づいていると見ることができます Copyright © 2026, Oracle and/or its affiliates
18. 18 データから認知プロセスを回し 状況認識を構築 Copyright © 2026, Oracle and/or its affiliates
19. 認知プロセスの流れ（VIP会員の離脱抑止） データに基づく施策も同じ構造の認知プロセスで処理を記述できます 19 処理の流れ 実施内容 ① 目的の認識 VIP顧客の離脱を防ぎ、売上を維持・向上する ② 状況認識 Level1:要素の把握 注意 顧客ランク(VIPかどうか)、購入状況(最終購入日)、行動(閲 覧・カート投入) ③ 探索 VIPランクの顧客の最終購入日の取得、行動ログの(閲覧,カー ト投入)履歴の取得 ④ 事実の収集 顧客マスタ：VIP, Aは1月以降購入なし、行動ログ：最近閲 覧あり, カート投入あり ⑤ 事実の統合JOIN結果：VIP顧客,購入無し,閲覧有り,カート投入有り ⑥ Level2 状況の理解 「VIP顧客が購入していないが、購買意欲を示している状態」 ⑦ Level3 未来の予測 「このままだと離脱する可能性があるが、適切な施策で購入に戻 る可能性が高い」 ⑧ 意思決定 クーポンを配布する、通知メールを送る ⑨ 行動 クーポンメール送信、マーケティング施策の実行 Copyright © 2026, Oracle and/or its affiliates
20. 20 Oracle AI Databaseの場合 などの機能が認知プロセスの構築を支援 ・異種データを統合する Converged Database ・データコンテキストを与える Annotations ・データ取得を汎化する SELECT AI ・データの今と未来を構築する Oracle Machine Learning ・DBとAIを連動させる. SELECT AI Agent Copyright © 2026, Oracle and/or its affiliates
21. 認知プロセスの流れ（VIP会員の離脱抑止） Oracle AI Databaseの場合（1/2) ① AI Agentはその目的とプロンプトのビジネスコンテキストから、「最近購入していないVIP顧客を特定し、その行動から有効 な打ち手を探す」という方針を立てる ② 上記方針を実現するために注目すべき対象をAgent自身のプロンプトなどから得られるビジネスコンテキストから顧客ランク や半年以上の購入なしの顧客と判断し、データコンテキスト(Annotations)から取得するべきデータとして以下を選定する ・顧客マスタの顧客ランク、購入状況、 ・顧客行動ログから最近の行動（閲覧、カート投入) ③ 「VIP会員で半年以上購入していないが、購買の可能性のある行動のある会員」を特定するSQLをSELECT AIを用いて 作成、実行し、結果を取得する。この際、データコンテキスト（Annotations）を参照することで、 ・顧客ランクが「顧客ランク列の 'VIP'」であること ・最終購入日がどの列で表現されているか を正しく解釈したSQLが生成できる 21 Copyright © 2026, Oracle and/or its affiliates
22. 認知プロセスの流れ（VIP会員の離脱抑止） Oracle AI Databaseの場合(2/2) ④,⑤ データはConverged Databaseとして統合済みのため顧客マスタと行動ログを個別に取得・結合することなく、 宣言的なSQL1本で事実が統合された状態として取得される。また実行計画はDB内のオプティマイザで最適化される。 ⑥ AI AgentのPromptなどに記載されたビジネスコンテキストなどから、「半年以上購入してないVIP会員が、商品を閲 覧し、カートに入れている」という事実はまだ「購買のチャンスがある」と解釈する ⑦半年以上購入していないがカートに商品があるVIP会員で似た顧客属性の顧客がこのあとどうなるのかをOracle Machine Learningのモデルを用いて予測したところ、離脱の可能性が高いことがわかる。さらに、同様の状態から再度 購入に至った施策を分類モデルで予測すると、カート商品のクーポン配布が有効な可能性が示唆される ⑧Agentはその費用などをプロンプトや他の外部情報などから判断し、有効になるであろうカート商品のクーポン配布する ことに決定する ⑨クーポンを配布し顧客に通知メールを送信する 22 Copyright © 2026, Oracle and/or its affiliates
23. 23 Oracle AI Databaseは 状況認識を構築し 認知プロセスを支援する データプラットフォームに進化 Copyright © 2026, Oracle and/or its affiliates
24. 認知プロセスと製品機能のマッピングまとめ 24 処理の流れ 実施内容 Oracle AI Database ① 目的の認識 ビジネスゴールの理解 SELECT AI AGENT ② 状況 認識 Level1:要 素の把握 注意 どのデータを見るかを決める Annotations ③ 探索 データ取得設計 SELECT AI, Annotations ④ 事実の収 集 データの取得 Converged Database ⑤ 事実の統 合 データの統合 ⑥ Level2 状況の理解 ビジネスコンテキストとの照合Annotations ⑦ Level3 未来の予測 予測処理 Oracle Machine Learning ⑧ 意思決定 ビジネスゴールと照合し施策 決定 ⑨ 行動 施策の実行 Copyright © 2026, Oracle and/or its affiliates
25. 認知プロセスから見たオラクルデータベース データプラットフォームの 認知プロセス化を支えるDB機能群 ・Converged Database ・Oracle Machine Learning ・Annotations, SELECT AI ・SELECT AI Agent 25 Copyright © 2026, Oracle and/or its affiliates
26. 26 知覚を統合する状況認識基盤 Converged Database Copyright © 2026, Oracle and/or its affiliates
27. Converged Database Converged Database Converged Database とは ・Relational データ ・JSONデータ ・TEXTデータ ・VECTORデータ ・空間データ ・グラフデータ.... 単純に様々なデータモデルを蓄積でき、 検索できる仕組みだと思っていませんか？
28. Converged Database Converged Database もちろん、蓄積できるし、検索もできます。 ただ、これらが統合されていることに 本当の価値があります SQL１本で様々なデータを繋ぎ合わせて 状況認識のためのデータを取得可能にします
29. 人間の五感統合 五感 統合 目 （視覚） 耳 （聴覚） 鼻 （嗅覚） 舌 （味覚） 皮膚 （触覚） 人間は五感の情報を統合し 状況認識を形成します 視覚：とても眩しい 皮膚：肌がジリジリ熱い 聴覚：蝉の鳴き声が大音量で聞こえる 嗅覚：夏の匂い 味覚：塩辛い汗の味 夏の炎天下に立っている ←状況認識 個々の五感の情報は感覚器に投影された写像に過ぎません。 それらを統合することで状況認識を得ることができます。 再掲
30. データからの状況認識の獲得 データも様々なデータモデルを統合すること で状況認識が可能になります 統合 WEBアクセス ログ （JSON） 顧客マスタ （Relational） 購買履歴 （Relational) 顧客-商品 購 買グラフ （Graph） 顧客問い合わ せ （Vector+Text) WEBアクセスログ(JSON): 同一商品のカート追加、削除の繰り返し 顧客マスタ(Relational): 購買額上位20%優良顧客 顧客・購買商品(Graph Embedding/Clustering） →高価格帯嗜好クラスタ →カート追加商品は低価格帯クラスタ 顧客問い合わせ(Vector): 「異音がして動作が安定しない」 →半年以内に品質問題問い合わせあり 購買履歴(Relational): 過去平均月2回購入、直近3ヶ月購入なし 優良顧客が品質不信から 普段より低価格帯商品を検討するも購入を躊躇している状況 ←状況認識
31. データからの状況認識の獲得 統合 車両配送ログ （JSON） 店舗マスタ （Relational） 雨量予想デー タ （GeoRaster) 在庫情報 （Relational） 店舗/倉庫配 送関係グラフ （Graph) 需要予測 (ML) 店舗マスタ(Relation+Spatial):店舗の在庫上限,位置情報 雨量予想データ(GeoRaster): 一部店舗で6-8時間後に激しい雨(45mm/h)の予想 雨天時需要予測(ML): 雨天時需要予測結果 在庫情報(Relational): 各店舗の在庫が雨天時需要予測結果に対して不足 近隣倉庫/店舗に在庫あり 店舗、倉庫間配送関係グラフ(Graph): 各店舗間と倉庫の輸送は3-4時間程度 車両配送ログ(JSON):倉庫、店舗に車両あり 一部の店舗周辺でこれから強雨が続き、雨関連商品の在庫不足が 発生する公算が高いが、今なら倉庫や他店舗からの輸送が間に合う状況 ←状況認識
32. データモデル分散型との違い 車両配送ログ （JSON） 店舗マスタ （Relational） 雨量予想デー タ （GeoRaster) 在庫情報 （Relational） 店舗/倉庫配送 関係グラフ （Graph) 需要予測 (ML) 統合 車両配送ログ （JSON） 店舗マスタ （Relational） 雨量予想デー タ （GeoRaster) 在庫情報 （Relational） 店舗/倉庫配 送関係グラフ （Graph) 需要予測 (ML) データタイプごとに別なデータ取得方式 アクセス順、フィルター順などはコードやフローで手動制御 汎用的、かつ、効率的なデータ取得は高難度 SQLという宣言的言語で記述すれば データのアクセスパスや絞り込みなどは 内部のオプティマイザが自動最適化
33. 状況認識は「間に合う」ことが重要 状況認識は打ち手が間に合って初めて意味を持ちます。 そのため、データから状況認識の構築までのスピードは、企業内のAIの活用が進むほど 重要となります。 Converged Databaseのコンセプトを持つOracle AI Databaseでは、状況認識 の処理をDB内で完結させることで、そのスピードを大幅に向上させることが可能です • データ統合コストの最小化 (Converged Database) • データの移動が不要(In Database) • 実行計画の自動最適化(オプティマイザ） データの読み出し データのスキャン範囲の最小化 結合処理の最適化 アクセスパスの最適化
34. AI Agent/データストアの役割分担（AIによる自動化が進んでいった場合） データストアの統合レベルが高いほど、AI Agentの負担は小さくなる 処理ステップ Converged Database Single Datatype Store併用 ビジネスゴールの理解 Agent Agent どのデータを見るかを決める SQLで表現 データ種別ごとに分解 データ取得設計 DB内で処理 Agentが選択 データの取得 単一クエリ ＋ 複数ストア取得 データの統合 DB内処理 ＋ 統合処理 ビジネスコンテキストとの照合 Agent Agent 予測処理 ＋ DB内実行 or 外部処理 ビジネスゴールと照合し施策決定 Agent Agent 施策の実行 → クエリ実行 →外部システム 34 認知プロセスをどこまで受け持てるか、データストア側の統合レベルによって、 AI Agent側の負担には大きな差が生まれてくると考えられます データが分断されている限り、統合の負担はAIが背負うことになります Copyright © 2026, Oracle and/or its affiliates
35. Oracle Databaseで利用できる結合の鍵 リレーショナルデータベースのキー結合だけでなく 様々なデータをキーとしてデータを繋ぎ、一貫性を持って統合できます ・時間 ・空間情報(2D/3D/ラスター/測地系/単位形) ・グラフデータ(関係) ・Knowledge Graph(RDF) ・テキスト検索 ・JSON属性 ・ベクトル(類似性), ・Hybrid検索 ・ユビキタス検索 ・機械学習の結果 ・・・・ 任意の組み合わせでデータを統合し 状況認識を形成することができる
36. 36 知覚の今と未来を形成する Oracle Machine Learning Copyright © 2026, Oracle and/or its affiliates
37. Oracle Machine Learning データの移動が不要なデータベースカーネル組み込みの機械学習エンジンです。 学習済みモデルもデータベース内に保管され、データベーストランザクション単位での リアルタイム予測処理も可能になります。 予測結果はSQL関数で即時取得可能なので、現状認識の「未来の予測」結果も 含めて、一気に統合された状態で結果を得ることも可能になります 予測結果を取得するPREDICTION関数 SELECT PREDICTION (MODEL_NAME USING *) FROM customers where cust_id = 102001;
38. 38 事実を立ち上げ状況認識を取り出す Annotations SELECT AI Copyright © 2026, Oracle and/or its affiliates
39. Annotations Table,View,Materialized View,Index,Domainに対して注釈情報を付与する機能 KV形式(アノテーション名 値) の形式で複数設定可 アノテーション名は1024バイトまで、値は4000バイトまで入力可 アノテーション名は必須、値は未指定でも可 CREATE TABLE employees ( id NUMBER(5) ANNOTATIONS (Identity, Display 'Employee ID', "Group" 'Emp_Info'), name VARCHAR2(50) ANNOTATIONS (Display 'Employee Name', "Group" 'Emp_Info'), salary NUMBER ANNOTATIONS (Display 'Employee Salary', UI_Hidden) ) ANNOTATIONS (Display 'Employee Table');
40. データとコンテキストの位置づけ • データ • データコンテキスト • ビジネスコンテキスト データコンテキストを格納するAnnotations データコンテキストとはデータが何を表しているのか、どう いった由来のものであるのかなどデータから事実を立ち上 げるのに必要となる付帯情報を指します。 Annotaionsによって、データコンテキストをデータと一緒 に管理することができ、これまでアプリケーション側に暗黙 的に依存していたデータを解釈するために必要な付帯 情報をデータとともに渡すことが可能になります。 データコンテキストとデータは1:1対応になるのが通常で すが、ビジネスコンテキストは、データと n:n対応となるこ とも多いためビジネスコンテキストをAnnotationsに記 載するかどうかは注意が必要になります Temperature ３5 気温を表しており、単位は摂氏 飲料販売部門：販売数が伸びる可能性がある 工場部門：機器類の故障の可能性が増大 イメージ的には データ＋データコンテキスト＝事実 事実＋ビジネスコンテキスト＝ビジネス上の意味
41. ビジネスコンテキストはどこに置くべきか ビジネスコンテキスト問題 どこが最適なのかは現状答えがないように見える • Agentのプロンプトに記載しているケースが多い(本当にこれが正解かは疑問） • コンテキストの分散による再利用性やコンテキスト肥大に課題 • データと1:1対応するようなビジネスコンテキストであれば、データコンテキストと一緒に Annotationに記載でも可 データとn:nになるようなケースなど肥大化したり難解な場合が問題 • ワークフローとして記述 • ビジネスコンテキストをRAG化(DB内などに保管して参照する構造をとる) • 判定まで含めたプログラムコード化による内在化(Expertシステム的) • 人間判断 現状はケースバイケースで組み合わせ含めて、どうするかを設計する必要が、、 41 Copyright © 2026, Oracle and/or its affiliates
42. SELECT AI 概要 • Databaseに対して、自然言語で問い合わせを行い結果を得る機能 • 生成AIにメタデータなどを渡すことで、SQLを生成させて、それを実行することで結果を得る仕組み（NL2SQL) • 多様な動作モードを持つ 42 Select AIアクション 説明 DBMS_CLOUD_AIの場合 runsql SQLの結果セットを返す（デフォルト） GENERATEファンクション showsql 生成されたSQLを返す GENERATEファンクション explainsql 生成されたSQLの説明を自然言語で返す GENERATEファンクション chat 一般的なAIチャット(DBデータは利用しない） GENERATEファンクション narrate 会話形式で結果を返す GENERATEファンクション showprompt LLMに送信されるプロンプトを表示する GENERATEファンクション feedback 自然言語でフィードバックを提供 FEEDBACKファンクション summarize 長文テキストの要約を返す SUMMARIZEファンクション translate テキストを他の言語に翻訳する TRANSLATEファンクション agent エージェント型ワークフロー構築フレームワーク AGENTファンクション Copyright © 2026, Oracle and/or its affiliates
43. AI Profileの設定内容(一部抜粋) SELECT AI runsql時の動作 AI Profileに設定が集約 43 SELECT AI .. AI Profile (DB接続に付与) AIの設定をパッケージン グしたオブジェクト DBメタデータ設定 object_list: 対象となるDB表などのオブジェクト名のリスト annnotations: true/false (annotationを参照するかしないか) comments: true/false (commentを参照するかしないか) constraints: true/false (制約を参照するかしないか) AI(LLM)接続設定 provider:利用するAIプロバイダ(OpenAI,Anthropicなど) model: 利用するAIモデル その他AIプロバイダへの接続に関連するパラメータ (credential等) 会話履歴設定 conversation: true/false (会話履歴を有効化) conversation_length: 含める会話履歴の量(default 10) LLM 回答制御「のための LLMのパラメータ（AIモデルによって対応可否は異なる） temperature:回答の揺らぎを制御するパラメータ seed: 回答の変動を抑制する目的で固定されることがあるパ ラメータ max_tokens: 生成するトークン数 stop_tokens:生成プロセスを強制終了させるトークンの指定 ① ユーザーからSELECT AIの問い合わせ 内容(ユーザークエリ）が送信される ② 設定されているAI Profileを参照し、必要 な情報を取得する ③ ユーザークエリに加えて、object_list などのAI Profileの設定に従って、必要 なコンテキスト情報等を付与し、LLMに SQLの生成をさせる ④ ③で取得したSQLを実行して 結果を取得する ⑤ SQL実行結果を返す ※ AI ProfileはDB内に複数保持でき、 セッション内でAI Profileを切り替え て利用することもできます Copyright © 2026, Oracle and/or its affiliates
44. 44 Database内AI Agent SELECT AI Agent Copyright © 2026, Oracle and/or its affiliates
45. Select AI Agent A simple framework to build, deploy, and manage AI agents データベース内で稼働するAI Agentフレームワークで、 PL/SQL,PythonでAI Agentをデータベース内に構築 • Tool –AI Agentが特定の機能を実行したり、外部システムと連 携したりするための機能。 • Task –自動化されたワークフローの一部としてAI Agentに割り当 てられる具体的な作業 • Agent –AI Agent本体。明確な役割を持ち、ワークフロー内でタ スクを実行する主体 • Agent Team –ワークフロー内のタスクを完了するために連携する 1つ以上のエージェントを含むチーム。ユーザーはこのチームに対して 指示を出す形となる。 45 Tool Task Agent Agent Team SQL/RAG Websearch Email/Slack MCP Agent Custom PL/SQL Fetch logs Analyze data Classify issue Generate email Validate data Summarize Data Analyst Cloud Engineer Translator Sales Rep Researcher Data Scientist Customer Support Agent Data Science Agent Employee Onboarding Agent Copyright © 2026, Oracle and/or its affiliates
46. 認知プロセス上の役割 状況認識、判断、実行を統合する認知プロセスの主体 • 認知プロセス全体を回す (ReAct) • ビジネスコンテキストの保持 • 認知プロセスの制御（注意・探索） • 状況の解釈と意思決定 • 処理のオーケストレーション • 外界への実行（Act） 46 Copyright © 2026, Oracle and/or its affiliates
47. まとめ • データ活用の本質は「状況認識」を得ることにあります データは統合されることで状況を立ち上げることができるようになります • AI/AI Agentは人間と同じ認知プロセスで意思決定することになると考えられます 注意 → 統合 → 理解 → 予測 → 判断 → 行動 • Oracle AI Databaseはこのデータによる認知プロセスを実現する基盤です • Converged DB・Annotations・SELECT AI・OML などの機能により、AIに大きな負担をかけるこ となく、高速に状況認識を立ち上げることが可能です • 企業のAI利用の将来に必要となる機能を見越した機能実装がなされています
48. ありがとうございました 48 Copyright © 2026, Oracle and/or its affiliates