Oracle 23ai の VECTOR_DIMENSION_COUNT() 関数は、VECTOR 型の値に含まれる次元数を返します (例: VECTOR(512, FLOAT32) の場合は 512)。これはメタデータユーティリティであり、型の互換性以外の内容や構造の検証を行うものではありません。オプション B (サポートされていないデータ型のベクトルを使用する) は、関数が VECTOR 型の引数を期待しているため、エラーになります。例えば、VARCHAR2 や NUMBER (例: '1,2,3' または 42) を渡すと、ORA エラー (例: ORA-00932: データ型が一致しません) が発生します。Oracle では、ベクトル関数に対して厳密な型指定が適用されます。
オプション A (指定された次元を超えている) は誤解を招く表現です。この関数は、列に定義された制限ではなく、ベクトルの実際の次元数を報告します。たとえば、VECTOR_DIMENSION_COUNT(TO_VECTOR('[1,2,3]')) は、列が VECTOR(2) であっても 3 を返します。これは、エラーが挿入時に発生し、挿入時に発生していないためです。オプション C ([1,1,2] のような重複値) は有効です。この関数は、内容を無視して次元 (3) をカウントします。オプション D (TO_VECTOR() の使用) は明示的にサポートされています。VECTOR_DIMENSION_COUNT(TO_VECTOR('[1.2, 3.4]')) は問題なく 2 を返します。これを誤解すると、開発者が時期尚早にデータを過度に制約してしまう可能性があります。B の型の不一致は、Oracle のベクトル型システムに起因する明確なエラーケースです。

Oracle 23ai では、VECTOR 列を持つテーブルは、標準的な DML 操作をサポートしています。SELECT (A) はデータを取得し、UPDATE (B) は行を変更し、DELETE (C) は行を削除します。ただし、VECTOR は等価比較のためのリレーショナル型ではなく、類似性検索 (VECTOR_DISTANCE など) のための型であるため、VECTOR 列での JOIN (D) は許可されていません。結合には、VECTOR 以外の列を使用する必要があります。Oracle の SQL リファレンスでは、VECTOR は特定の操作に限定されており、直接結合は除外されています。

Oracle Database 23ai では、TO_VECTOR 関数 (A) は、ベクトルの文字列表現 (例: '[1.2, 3.4]') を、指定された形式 (例: FLOAT32) と次元 (ここでは 2) を持つ VECTOR データ型に変換します。これは、テキスト入力からベクトルを作成するように設計されており、要件に合致しています。VECTOR_DISTANCE (B) は、ベクトル間の距離を計算しますが、ベクトルを生成するわけではありません。FROM_VECTOR (C) はドキュメント化されていない関数です。シリアライゼーションや抽出と混同される可能性がありますが、標準ではありません。VECTOR_SERIALIZE (D) は、ベクトルを文字列に変換しますが、これは必要なこととは逆です。Oracle の SQL リファレンスでは、この目的のために TO_VECTOR が使用され、文字列を 2D FLOAT32 ベクトルに解析することが確認されています。

Oracle Database 23ai では、VECTOR 列は特定のサイズ (例: VECTOR(512, FLOAT32)) で定義することも、指定せずに (例: VECTOR) 定義することもできます。サイズ (D) を定義しないことで、開発中の柔軟性が高まります。これは、異なる埋め込みモデル (例: BERT、SentenceTransformer) が、さまざまな次元 (例: 768、384) とデータ型 (例: FLOAT32、INT8) のベクトルを生成するためです。これにより、スキーマが 1 つのモデルに固定されることを回避し、実験が可能になります。精度 (A) は、サイズ定義によって直接影響を受けることはありません。精度はモデルとメトリックに依存します。固定サイズは、データベースを 1 つのモデル (B) に制限しませんが、次元の一致が必要です。テキストの長さ (C) はトークン化に影響し、ベクトルの次元には影響しません。Oracle のドキュメントでは、AI ワークフローの柔軟性を高めるために、未定義の VECTOR 列をサポートしています。

Oracle Database 23aiなどで使用されているようなベクトル検索における埋め込みモデルは、基本的に機械学習の構成要素（BERT、SentenceTransformer、ONNXモデルなど）であり、生データ（通常はテキストだが、画像やその他のモダリティも含む）を数値ベクトル表現（C）に変換するように設計されています。これらのベクトルはVECTORデータ型に格納され、近接性が類似性を反映する高次元空間で意味をカプセル化します。たとえば、「cat」という単語は[0.12, -0.34, ...]のような512次元ベクトルにマッピングされ、「dog」との相対的な位置が関連性を示します。この変換はベクトル検索の要であり、コサイン距離などの数学演算によって類似アイテムを見つけることを可能にします。
オプションA（スキーマの定義）は、データベース設計の役割をモデルに誤って割り当てています。スキーマはDDL（例えば、VECTORを使用したCREATE TABLE）によって設定されます。オプションB（検索の実行）は、モデルとVECTOR_DISTANCEなどのデータベース関数を混同しています。これらの関数は埋め込みを作成するのではなく、埋め込みを使用します。オプションD（ベクトルの格納）は、データベースのストレージエンジンに関するものであり、モデルの関数に関するものではありません。ストレージはOracleのVECTOR型とインデックス（例えば、HNSW）によって処理されます。埋め込みモデルの役割は純粋に生成的なものであり、操作的または構造的なものではありません。実際には、Oracle 23aiはVECTOR_EMBEDDINGを介してこれを統合し、モデルを呼び出してベクトルを生成することで、その変換目的を強調しています。これを誤解すると、データ準備とクエリ実行を混同してしまう可能性があり、これは初心者によくある落とし穴です。