Oracle 23ai の SQLLoader は CSV ファイルから VECTOR データをロードする機能をサポートしており、ベクトルはテキスト形式でフォーマットする必要があります。重要な考慮事項は、コンポーネントを中括弧 (A) で囲むことです。例: {1.2, 3.4, 5.6}。これは、VECTOR 型の想定される構文 (FLOAT32 などに解析されます) に一致させるためです。FVEC (B) はバイナリ形式であり、CSV テキスト入力とは互換性がありません。SQLLoader は固定オフセットではなく、読み取り可能なテキストを想定しています。スパース形式 (C) は VECTOR 列ではサポートされておらず、密な配列が必要です。SQLLoader はベクトルを自動的に正規化しません (D)。フォーマットは明示的に指定する必要があります。Oracle のドキュメントでは、CSV からロードされるベクトルには中括弧を使用するように指定されています。

Oracle Database 23ai の Exadata は、AI およびベクトル検索機能を強化します。GoldenGate を使用したベクトルレプリケーション (B) は、リアルタイムのベクトルデータ配信をサポートします。SQL*Loader (C) は、ベクトルデータを VECTOR 列にロードします。AI Smart Scan (D) は、Exadata のストレージ最適化を使用して AI ワークロードを高速化します。ただし、「データベース サーバー内でのみベクトル検索をネイティブにサポートする」(A) は機能ではありません。ベクトル検索は、Exadata のアーキテクチャ全体でネイティブにサポートされており、データベース層とストレージ層の両方 (Smart Scan など) を活用し、サーバーのみに限定されません。このオプションは Exadata の分散機能を誤って表現しているため、正解は「NOT」です。

Oracle Database 23ai では、次元数が定義された VECTOR 列 (例: VECTOR(4, FLOAT32)) は、類似性検索とインデックス作成の一貫性を確保するために、厳密な次元整合性を強制します。次元数が一致しないベクトル (例: TO_VECTOR('[1.2, 3.4, 5.6]') (3D)) を VECTOR(4) に挿入しようとすると、ORA-13199: "ベクトルの次元が一致しません" などのエラー (D) が発生して挿入操作が失敗します。この厳格さにより、下流の AI 操作が保護されます。4D 列に 3D ベクトルがあると、インデックス付きデータ (例: HNSW グラフ) と位置がずれてしまい、均一な次元を必要とするコサイン距離などの類似性計算が壊れてしまいます。
オプション A（切り捨て）は魅力的ですが、正しくありません。Oracle は [1.2, 3.4, 5.6] を [1.2, 3.4] に暗黙的に切り捨てることはありません。これはデータを恣意的に破棄し、意味の損失（例えば、切り捨てられた文の埋め込みが意味を失う）のリスクを伴います。オプション B（ゼロによるパディング）はもっともらしく見えます。例えば、[1.2, 3.4, 5.6] が [1.2, 3.4, 5.6, 0] になるなどです。しかし、Oracle は意図しない意味のずれ（ゼロパディングによって距離が変わる可能性がある）を防ぐために、暗黙的なパディングを避けています。オプション C（次元の無視）は、固定された VECTOR 列ではなく、未定義の VECTOR 列（例えば、サイズが指定されていない VECTOR）にのみ適用されます。ここでは、制約が適用されます。失敗（D）により、開発者はデータを明示的に整列（例えば、埋め込みを再生成）する必要があり、信頼性が確保されます。これは、Oracle の AI フレームワークにおける厳格ではあるものの、必要な設計上の選択です。実際には、このエラーは上流のデータパイプラインのデバッグを促し、本番環境のAIシステムを悩ませる可能性のある、目に見えない障害を回避するのに役立ちます。

Oracle 23ai の RAG フレームワークでは、ベクトル類似性検索 (A) は、ユーザーの質問とデータベースのチャンクをベクトルにエンコードし (例えば、VECTOR_EMBEDDING を使用)、類似度を計算し (例えば、VECTOR_DISTANCE によるコサイン類似度)、最も関連性の高いチャンクを取得します。これらは LLM プロンプトに含まれ、コンテキストによって応答が拡張されます。別の LLM (B) をトレーニングすることは RAG ではありません。RAG は既存のモデルを使用します。キーワード検索 (C) は従来の方法で、ベクトルベースではなく、意味論的ではありません。クラスタリングとランダム選択 (D) は精度が低く、RAG のアプローチではありません。Oracle のドキュメントでは、このエンコード - 検索 - 拡張のプロセスが RAG の中核メカニズムであると説明されています。

Oracle Database 23ai では、OCI Generative AI などの生成型 AI サービスと連携するための主要な PL/SQL パッケージとして DBMS_AI が導入され、自然言語クエリ処理 (Select AI など) や AI 駆動型インサイトなどの機能が利用可能になります。DBMS_ML (B) は機械学習モデルのトレーニングと管理に重点を置いており、生成型 AI には対応していません。DBMS_VECTOR_CHAIN (C) はベクトル処理ワークフロー (ドキュメントのチャンキング、埋め込みなど) をサポートしますが、生成型 AI サービスの主要なインターフェースではありません。DBMS_GENAI (D) は 23ai のドキュメントでは認識されているパッケージではありません。DBMS_AI の役割は、Oracle の 23ai 向け AI 統合機能で強調されています。