Oracle treibt KI in Unternehmensdatenbanken voran: Mit Oracle AI Database 26ai, dem Nachfolger von Version 23ai, und der neuen AI Data Platform will Oracle KI nativ in den gesamten Datenbankstack integrieren, darunter Vektorsuche, SQL-Generierung und Anwendungsentwicklung (Quelle: Heise). Für Unternehmen bedeutet das: Bestehende relationale Datenbanken werden zu KI-fähigen Plattformen, ohne Systemwechsel. RAG-Anwendungen lassen sich direkt auf Oracle AI Vector Search und OCI GenAI aufbauen, wie Open-Source-Projekte auf GitHub zeigen. SQL-Abfragen können per natürlicher Sprache generiert werden, was Entwicklungsaufwand und Fehlerquoten im Datenbankbetrieb senkt.

Oracle Database 23ai: Generative KI und RAG direkt in der Unternehmensdatenbank

Oracle hat mit der Datenbankversion 23ai (Nachfolger von 23c) und dem angekündigten Nachfolger 26ai eine klare strategische Richtung eingeschlagen: KI-Funktionen sollen nicht als externe Schicht über Unternehmensdaten gelegt werden, sondern direkt im Datenbankkern verankert sein. Auf der umbenannten Hausmesse Oracle AI World stellte Oracle die neue Oracle AI Database 26ai sowie eine AI Data Platform vor, die laut Unternehmensangaben einen Meilenstein in der Entwicklung autonomer Datenbanksysteme markieren soll.

KI-Vektorsuche und RAG als Kerntechnologie

Das technische Fundament dieser Integration ist Oracle AI Vector Search, das semantische Suche direkt auf Datenbankebene ermöglicht. Entwickler können damit Retrieval-Augmented-Generation-Anwendungen (RAG) bauen, bei denen alle Dokumente in Oracle-Datenbanken gespeichert bleiben und Vektorähnlichkeitssuchen über dieselbe Datenbankinfrastruktur laufen.

In der Praxis wird dies bereits über Open-Source-Integrationen umgesetzt: Ein öffentlich zugängliches Entwicklungs-Repository kombiniert Oracle AI Vector Search, den Oracle OCI GenAI Service, OCI-Embeddings sowie Cohere Reranking mit den Frameworks LlamaIndex und LangChain. Das Ergebnis ist ein konfigurierbarer Knowledge Assistant, der Dokumente aus einer Oracle-Datenbank abruft, per Vektorsuche nach semantischer Relevanz filtert, anschließend durch ein Reranking-Modell priorisiert und abschließend über ein Large Language Model beantwortet.

SQL-Generierung über natürliche Sprache

Ein weiterer Anwendungsfall betrifft die direkte Verbindung von generativer KI und SQL. Ein auf Oracle Autonomous Data Warehouse (ADW) ausgerichtetes Open-Source-Projekt nutzt RAG, um natürlichsprachliche Anfragen in präzise SQL-Abfragen zu übersetzen. Der Ansatz: Schemadaten werden mit Marqo AI vektorisiert, per Vektorsuche werden die jeweils relevanten Tabellenstrukturen ermittelt, und das LLM (in diesem Fall Llama 3 70B via OCI Generative AI) erhält diese Strukturinformationen als Kontext. Dadurch können Abfragen kontextgenau generiert werden, ohne dass das Modell das gesamte Datenbankschema kennen muss.

Praktische Implikationen für Unternehmen

1. Daten verlassen die eigene Infrastruktur nicht zwingend. Da Vektorsuche und Dokumentenspeicherung in Oracle-Datenbanken selbst stattfinden können, entfällt die Notwendigkeit, Unternehmensdaten in externe Vektordatenbanken zu transferieren. Das verringert potenzielle Compliance-Risiken.

2. Bestehende Datenbankteams können RAG-Stacks mitverantworten. Die Integration über Standard-SQL-Schnittstellen und vertraute Oracle-Infrastruktur senkt die Einstiegshürde für Teams, die bereits Oracle-Datenbanken betreiben, ohne zwingend neue Infrastrukturkomponenten einführen zu müssen.

3. SQL-Generierung via LLM setzt saubere Schemadokumentation voraus. Die Qualität natürlichsprachlich generierter SQL-Abfragen hängt laut dem RAG-SQL-Ansatz direkt von der Qualität der DDL-Kommentare und Schemabeschreibungen ab. Unternehmen, die diese Funktionen nutzen wollen, müssen in die Pflege ihrer Datenbankdokumentation investieren.

4. Die Roadmap reicht über 23ai hinaus. Oracle positioniert 26ai als nächste Stufe einer “AI-nativen Datenbank”, bei der KI im gesamten Daten- und Entwicklungsstack eingesetzt werden soll: von der Vektorsuche über das Datenbankmanagement bis hin zu Analysen. Entscheider sollten Lizenz- und Migrationsszenarien frühzeitig bewerten.

Quellen

• Oracle AI Database 26ai: KI-Integration in Unternehmensdatenbanken – heise online
• GitHub – luigisaetta/llamaindex_oracle: RAG-Anwendung mit Oracle DB Vector Store, LlamaIndex, LangChain und Oracle GenAI
• GitHub – ValyrianDev/RAG-SQL-Generator: SQL-Generierung mit OCI Gen AI und Marqo für Oracle Autonomous Data Warehouse

Häufige Fragen

Was ist Oracle AI Vector Search und wofür wird es in RAG-Anwendungen eingesetzt?

Oracle AI Vector Search ist eine Funktion der Oracle-Datenbank, die semantische Suche direkt in der Datenbankschicht ermöglicht. In RAG-Anwendungen (Retrieval Augmented Generation) wird sie genutzt, um relevante Dokumentfragmente per Vektorähnlichkeit zu identifizieren und als Kontext an ein Sprachmodell zu übergeben. Entwicklerprojekte auf GitHub kombinieren Oracle AI Vector Search mit LlamaIndex und LangChain, um Knowledge-Assistenten zu bauen, bei denen alle Dokumente zentral in der Oracle DB gespeichert bleiben.

Wie verbessert Reranking die Qualität von Enterprise-RAG-Systemen auf Oracle-Basis?

Nach der initialen Vektorsuche liefert ein Reranker-Modell eine zweite Bewertungsebene: Es sortiert die abgerufenen Dokumente nach ihrer tatsächlichen inhaltlichen Relevanz zur Anfrage neu. In Oracle-basierten RAG-Implementierungen lässt sich dafür Cohere Reranking oder ein eigenes Modell nutzen, das als OCI Model Deployment bereitgestellt wird. Das reduziert irrelevante Treffer und erhöht die Präzision der generierten Antworten.

Wie funktioniert die RAG-gestützte SQL-Generierung mit Oracle Autonomous Data Warehouse?

Dabei werden Schemainformationen wie DDL-Definitionen und Kommentare vektorisiert und in einem Vektorspeicher indexiert. Bei einer Nutzeranfrage in natürlicher Sprache sucht das System per Vektorsuche die relevanten Schemateile heraus und übergibt sie als Kontext an ein großes Sprachmodell, etwa Llama 3 70B über OCI Generative AI. Das Modell erzeugt daraufhin präzise SQL-Abfragen, die auf das tatsächliche Datenbankschema abgestimmt sind.

Was unterscheidet Oracle AI Database 26ai von der Vorgängerversion 23ai?

Oracle AI Database 26ai ersetzt die Version 23ai und wurde auf der Hausmesse Oracle AI World vorgestellt. Sie ist laut Oracle auf eine KI-native Architektur ausgerichtet, bei der KI im gesamten Daten- und Entwicklungsstack zum Einsatz kommt: bei der Vektorsuche, beim Datenbankmanagement, der Anwendungsentwicklung und bei Analysen. Oracle bezeichnet sie als Schritt in Richtung autonomer Datenbanksysteme der nächsten Generation.

Welche Komponenten braucht ein Entwickler für eine Oracle-basierte RAG-Anwendung mit LlamaIndex?

Benötigt werden: Oracle Database 23c oder höher mit aktiviertem AI Vector Search, der OCI GenAI Service für Sprachmodell und Embeddings, sowie die Python-Bibliotheken LlamaIndex und LangChain. Optional lässt sich ein Reranker als OCI Model Deployment einbinden. Für Nachvollziehbarkeit empfiehlt sich Phoenix Traces zur Observability. Alle Dokumente verbleiben dabei in der Oracle DB.