Oracle 26ai দিয়ে আপনার ERP ডেটার উপর AI অ্যাসিস্ট্যান্ট কীভাবে তৈরি করবেন — RAG প্যাটার্ন ও Vector Search গাইড

আপনার ERP-তে আছে বছরের পর বছরের জমানো ব্যবসার সবচেয়ে গুরুত্বপূর্ণ ডেটা — purchase order, ইনভেন্টরি চলাচল, প্রোডাকশন ব্যাচ, বিক্রয়ের ইতিহাস, সরবরাহকারীর রেকর্ড, আর্থিক লেনদেন। কিন্তু আজকের দিনে সেখান থেকে উত্তর পেতে হলে একটা SQL রিপোর্ট লিখতে হয়, IT-এর জন্য অপেক্ষা করতে হয়, নয়তো ধীরগতির ম্যানুয়াল query চালাতে হয়। Oracle Database 26ai এই ছবিটা বদলে দেয়। ইন-ডেটাবেজ vector search আর RAG (Retrieval-Augmented Generation) প্যাটার্নের সাহায্যে আপনি এমন একটি AI অ্যাসিস্ট্যান্ট তৈরি করতে পারেন, যেখানে আপনার টিম সাধারণ ভাষায় প্রশ্ন করতে পারবে — "গত ত্রৈমাসিকে ঢাকায় আমাদের সবচেয়ে বেশি বিক্রি হওয়া পণ্য কোনটি ছিল?" — এবং কয়েক সেকেন্ডের মধ্যেই আপনার প্রকৃত ERP ডেটা থেকে সঠিক, সূত্রসহ উত্তর পাবে। কোনো ডেটাই কখনো আপনার Oracle ডেটাবেজ ছেড়ে যায় না।

১. সমস্যা: ERP ডেটা Query-র পেছনে আটকে আছে

আমি যত প্রতিষ্ঠানের সঙ্গে কাজ করি, প্রত্যেকের একই হতাশা। ডেটা সেখানেই আছে — Oracle টেবিলে — কিন্তু তা ব্যবহার করতে এমন কারিগরি দক্ষতা লাগে যা বেশিরভাগ ইউজারের নেই। একজন purchasing manager জানতে চান, গত এক বছরে কোন সরবরাহকারীর সময়মতো ডেলিভারির হার সবচেয়ে ভালো। একজন finance director দেখতে চান, কোন প্রোডাক্ট লাইনগুলো margin কমিয়ে দিচ্ছে। একজন production head জানতে চান, গত ত্রৈমাসিকে প্রতি শিফটে গড় downtime কত ছিল।

এই প্রতিটি প্রশ্নের জন্যই একটি কাস্টম SQL রিপোর্ট দরকার। মানে IT-তে একটি টিকিট, একটি অপেক্ষার সারি, আর এমন একটি রিপোর্ট যা আসতে আসতেই বাসি হয়ে যায়। আর প্রশ্নটা যদি একটুও বদলে যায় — "একই বিশ্লেষণ, কিন্তু শুধু চট্টগ্রাম গুদামের জন্য" — তবে পুরো চক্র আবার শুরু হয়।

বিকল্প পথ — ইউজারদের নিজেদের SQL লেখার অ্যাক্সেস দেওয়া — নিরাপত্তা ও ডেটা অখণ্ডতার এমন ঝুঁকি তৈরি করে যা কোনো প্রতিষ্ঠানই চায় না। আসল সমাধান হলো এমন একটি AI স্তর, যা প্রাকৃতিক ভাষার প্রশ্ন বোঝে এবং সেগুলোকে সঠিক, গভর্নড ডেটাবেজ query-তে অনুবাদ করে — শুধু সেই ডেটা ব্যবহার করে, যা দেখার অনুমতি ওই ইউজারের আছে।

২. RAG (Retrieval-Augmented Generation) কী?

RAG হলো সেই আর্কিটেকচার প্যাটার্ন, যা AI অ্যাসিস্ট্যান্টকে শুধু সাবলীল নয়, সঠিকও করে তোলে। RAG ছাড়া একটি Large Language Model (LLM) তার training data থেকে প্রশ্নের উত্তর দেয় — যা সাধারণ বিশ্বজ্ঞান, আপনার কোম্পানির ERP রেকর্ড নয়। RAG-এর সাহায্যে AI প্রথমে আপনার ডেটাবেজ থেকে প্রাসঙ্গিক ডেটা retrieve করে, তারপর সেই retrieve করা context ব্যবহার করে আপনার প্রকৃত ব্যবসার ডেটার উপর ভিত্তি করে উত্তর তৈরি করে।

ERP ডেটার জন্য RAG প্যাটার্ন তিনটি ধাপে কাজ করে:

1. ইউজার প্রশ্ন করেন সাধারণ ভাষায়: "এ বছর কোন সরবরাহকারীরা ৩ বারের বেশি দেরিতে ডেলিভারি দিয়েছে?"
2. সিস্টেম retrieve করে আপনার ERP টেবিল থেকে প্রাসঙ্গিক row — সেমান্টিকভাবে প্রাসঙ্গিক ডেটা খুঁজতে vector search ব্যবহার করে, অথবা স্ট্রাকচার্ড টেবিল সরাসরি query করতে SQL generation ব্যবহার করে
3. AI উত্তর তৈরি করে retrieve করা ডেটাকে context হিসেবে ব্যবহার করে — সাধারণ জ্ঞান থেকে নয়, আপনার প্রকৃত রেকর্ড থেকে

ফলাফল: এমন উত্তর যা আপনার ডেটায় বাস্তবভিত্তিক, নির্দিষ্ট রেকর্ড পর্যন্ত ট্রেস করা যায়, এবং শুধু সেই ডেটার মধ্যেই সীমাবদ্ধ, যা দেখার অনুমতি ওই ইউজারের আছে।

৩. কেন Oracle 26ai এই কাজের জন্য সঠিক প্ল্যাটফর্ম

আপনি চাইলে বাহ্যিক টুল দিয়ে একটি RAG সিস্টেম বানাতে পারেন — একটি Python অ্যাপ্লিকেশন, Pinecone-এর মতো একটি vector database, একটি বাহ্যিক LLM API। অনেক প্রতিষ্ঠান তা-ই করে। কিন্তু ERP ডেটার ক্ষেত্রে এই পদ্ধতিতে গুরুতর সমস্যা আছে:

• ডেটা আপনার প্রতিষ্ঠান ছেড়ে যায়: একটি বাহ্যিক LLM API ব্যবহার করতে হলে আপনার ডেটাকে ইন্টারনেটের মাধ্যমে একটি তৃতীয় পক্ষের সার্ভারে যেতে হয়। ম্যানুফ্যাকচারিং ডেটা, আর্থিক রেকর্ড বা ফার্মা ব্যাচ ডেটার জন্য এটি একটি নিরাপত্তা ও কমপ্লায়েন্স ঝুঁকি
• ডেটা ডুপ্লিকেশন: আপনার Oracle ERP-এর পাশাপাশি একটি আলাদা vector database রক্ষণাবেক্ষণ করতে হয় — সিঙ্ক্রোনাইজেশন, সামঞ্জস্যতা এবং অতিরিক্ত অবকাঠামো খরচ
• অ্যাক্সেস কন্ট্রোলের জটিলতা: আপনার Oracle row-level security পলিসি একটি বাহ্যিক vector database-এ স্বয়ংক্রিয়ভাবে প্রযোজ্য হয় না

Oracle 26ai AI-কে ডেটাবেজের ভেতরে নিয়ে এসে এই তিনটি সমস্যাই সমাধান করে:

• VECTOR datatype: vector embedding সরাসরি Oracle টেবিলে সংরক্ষণ করুন — একই row-এ, আপনার ERP ডেটার একই টেবিলে
• AI Vector Index: approximate nearest-neighbor vector search-এর জন্য বিশেষভাবে তৈরি index — দ্রুত, স্কেলেবল, ইন-ডেটাবেজ
• DBMS_VECTOR প্যাকেজ: বিল্ট-ইন বা লোকালি-সংযুক্ত মডেল ব্যবহার করে Oracle-এর ভেতরেই embedding তৈরি করুন
• Select AI: Oracle-এ বিল্ট-ইন প্রাকৃতিক ভাষা থেকে SQL অনুবাদ — ইউজাররা প্রশ্ন টাইপ করেন, Oracle SQL তৈরি করে চালিয়ে দেয়
• ইন-ডেটাবেজ LLM inference: ONNX মডেল ব্যবহার করে Oracle-এর ভেতরেই inference চালান — কোনো বাহ্যিক API কল নেই, কোনো ডেটা চলাচল নেই

আপনার Oracle security মডেল — VPD, row-level security, object privilege — সব AI query-তে স্বয়ংক্রিয়ভাবে প্রযোজ্য হয়। ইউজারের AI অ্যাসিস্ট্যান্ট শুধু সেই ডেটাই অ্যাক্সেস করতে পারে, যা তাদের Oracle অ্যাকাউন্ট অ্যাক্সেস করতে পারে।

৪. আর্কিটেকচার: ERP + Oracle 26ai AI অ্যাসিস্ট্যান্ট

এখানে Oracle 26ai-এর উপর নির্মিত একটি ERP AI অ্যাসিস্ট্যান্টের সম্পূর্ণ আর্কিটেকচার দেওয়া হলো। প্রতিটি উপাদান আপনার বিদ্যমান Oracle ডেটাবেজের ভেতরে বা তার পাশে চলে — AI মডেল ফাইল ছাড়া নতুন কোনো অবকাঠামোর প্রয়োজন নেই।

User Question (plain English)
        ↓
[Select AI / NL-to-SQL Layer]  ← Oracle 26ai built-in
        ↓
[Vector Search + SQL Query]    ← AI Vector Index + standard Oracle SQL
        ↓
[ERP Tables in Oracle]         ← Your existing data, never moves
        ↓
[In-Database LLM Inference]    ← ONNX model inside Oracle
        ↓
Answer + Source References     ← Grounded in your actual records

ইউজার একটি সহজ ওয়েব ইন্টারফেসের মাধ্যমে যোগাযোগ করেন — একটি চ্যাট উইন্ডো, যা একটি হালকা অ্যাপ্লিকেশন স্তরের মাধ্যমে Oracle ডেটাবেজের সঙ্গে সংযুক্ত। প্রতিটি query লগ করা হয়। প্রতিটি উত্তর সেই নির্দিষ্ট ERP row পর্যন্ত ট্রেস করা যায়, যা থেকে উত্তরটি তৈরি হয়েছে।

৫. ধাপ ১ — VECTOR Datatype ও AI Vector Index চালু করুন

Oracle 26ai embedding vector সরাসরি Oracle টেবিলে সংরক্ষণের জন্য নেটিভ VECTOR datatype নিয়ে এসেছে। ERP ডেটার জন্য এটি ব্যবহার করতে আপনি আপনার বিদ্যমান টেবিলে একটি vector column যোগ করেন (অথবা ERP schema পরিবর্তন করতে না চাইলে একটি সহযোগী shadow table ব্যবহার করেন)।

-- Add vector embedding column to ERP product table (shadow table approach)
CREATE TABLE erp_product_embeddings (
  product_id     NUMBER         NOT NULL,
  product_text   VARCHAR2(4000),        -- The text that was embedded
  embedding      VECTOR(1536, FLOAT32), -- 1536-dimension OpenAI-compatible vector
  embedded_at    DATE DEFAULT SYSDATE,
  CONSTRAINT fk_product FOREIGN KEY (product_id)
    REFERENCES erp.products(product_id)
);

-- Create AI Vector Index for fast similarity search
CREATE VECTOR INDEX product_vec_idx
  ON erp_product_embeddings(embedding)
  ORGANIZATION NEIGHBOR PARTITIONS
  WITH DISTANCE COSINE
  WITH TARGET ACCURACY 95;

৬. ধাপ ২ — ERP ডেটা থেকে Embedding তৈরি করুন

Embedding হলো টেক্সটের সংখ্যাভিত্তিক উপস্থাপন, যা সেমান্টিক অর্থ ধারণ করে। ERP ডেটাকে শুধু keyword দিয়ে নয়, অর্থ দিয়ে খোঁজার উপযোগী করতে আপনি DBMS_VECTOR ব্যবহার করে প্রতিটি রেকর্ডের মূল field-গুলোকে একটি embedding vector-এ রূপান্তর করেন।

-- Generate embeddings for all products using in-database model
BEGIN
  FOR rec IN (
    SELECT product_id,
           product_name || ' ' || category || ' ' ||
           NVL(description, '') || ' ' ||
           NVL(unit_of_measure, '') AS product_text
    FROM erp.products
    WHERE active_flag = 'Y'
  ) LOOP
    INSERT INTO erp_product_embeddings
      (product_id, product_text, embedding)
    VALUES (
      rec.product_id,
      rec.product_text,
      DBMS_VECTOR.UTL_TO_EMBEDDING(
        rec.product_text,
        JSON('{"provider":"database","model":"my_onnx_model"}')
      )
    );
  END LOOP;
  COMMIT;
END;
/

এই প্রক্রিয়াটি সম্পূর্ণভাবে Oracle-এর ভেতরে চলে — কোনো ডেটা কোনো বাহ্যিক সার্ভিসে পাঠানো হয় না। ONNX embedding মডেলটি সেটআপের সময় একবার Oracle ডেটাবেজে লোড করা হয় এবং আপনার Oracle সার্ভারে লোকালি চলে।

৭. ধাপ ৩ — প্রাকৃতিক ভাষার SQL-এর জন্য Select AI কনফিগার করুন

Select AI হলো Oracle 26ai-এর বিল্ট-ইন প্রাকৃতিক ভাষা থেকে SQL ফিচার। একবার আপনার ERP schema metadata দিয়ে কনফিগার করা হলে, এটি ইউজারের প্রশ্নকে চালানোর উপযোগী SQL-এ অনুবাদ করে — স্বয়ংক্রিয়ভাবে, ডেটাবেজের ভেতরেই।

-- Create a Select AI profile for the ERP schema
BEGIN
  DBMS_CLOUD_AI.CREATE_PROFILE(
    profile_name => 'ERP_AI_PROFILE',
    attributes   => '{
      "provider"    : "database",
      "model"       : "my_local_llm_model",
      "object_list" : [
        {"owner": "ERP", "name": "PRODUCTS"},
        {"owner": "ERP", "name": "ORDERS"},
        {"owner": "ERP", "name": "ORDER_LINES"},
        {"owner": "ERP", "name": "SUPPLIERS"},
        {"owner": "ERP", "name": "INVENTORY"},
        {"owner": "ERP", "name": "PURCHASE_ORDERS"}
      ]
    }'
  );
END;
/

-- Test: ask a natural language question
SELECT DBMS_CLOUD_AI.GENERATE(
  prompt       => 'Which 5 products had the highest sales value last month?',
  profile_name => 'ERP_AI_PROFILE',
  action       => 'narrate'
) AS answer
FROM DUAL;

Oracle প্রশ্নটিকে আপনার ERP টেবিলের বিপরীতে একটি SQL query-তে অনুবাদ করে, তা চালায় এবং প্রাকৃতিক ভাষায় উত্তর ফিরিয়ে দেয় — সব ডেটাবেজ ইঞ্জিনের ভেতরেই।

৮. ধাপ ৪ — আনস্ট্রাকচার্ড ERP কনটেন্টের জন্য Vector Search

সব ERP ডেটা পরিপাটিভাবে column-এ স্ট্রাকচার্ড থাকে না। সরবরাহকারীর নোট, মানসংক্রান্ত পর্যবেক্ষণ, প্রোডাকশন মন্তব্য এবং গ্রাহক অভিযোগের রেকর্ড প্রায়ই ফ্রি টেক্সট হিসেবে সংরক্ষিত থাকে। ইউজারের প্রশ্নে ভিন্ন শব্দ ব্যবহার করা হলেও Vector search প্রাসঙ্গিক টেক্সট অংশ retrieve করে।

-- Find quality observations semantically similar to a user's question
SELECT
  qo.observation_id,
  qo.batch_number,
  qo.observation_text,
  VECTOR_DISTANCE(qoe.embedding, :user_query_vector, COSINE) AS similarity
FROM
  quality_observations qo
  JOIN quality_obs_embeddings qoe ON qo.observation_id = qoe.observation_id
WHERE
  VECTOR_DISTANCE(qoe.embedding, :user_query_vector, COSINE) < 0.3
ORDER BY
  similarity ASC
FETCH FIRST 10 ROWS ONLY;

:user_query_vector প্যারামিটারটি হলো ইউজারের প্রশ্নের embedding — একই মডেল ব্যবহার করে query-র সময় তৈরি করা। এটি সঠিক শব্দচয়ন যা-ই হোক না কেন, সবচেয়ে সেমান্টিকভাবে প্রাসঙ্গিক ১০টি quality observation খুঁজে বের করে।

৯. ধাপ ৫ — গভর্নড অ্যাক্সেস মডেল

নিরাপত্তার জায়গাতেই ইন-ডেটাবেজ AI বাহ্যিক AI টুলের চেয়ে নিশ্চিতভাবে এগিয়ে থাকে। আপনার বিদ্যমান Oracle security মডেল স্বয়ংক্রিয়ভাবে প্রযোজ্য হয়:

৯.১ Row-Level Security (VPD)

একজন গুদাম ব্যবস্থাপক যদি ERP অ্যাপ্লিকেশনে শুধু নিজের গুদামের ইনভেন্টরি query করতে পারেন, তবে তাঁর AI অ্যাসিস্ট্যান্ট query-তেও একই সীমাবদ্ধতা প্রযোজ্য হয়। Oracle-এর Virtual Private Database পলিসি প্রতিটি query-তে WHERE clause যোগ করে দেয় — AI-তৈরি query সহ — স্বচ্ছভাবে ও স্বয়ংক্রিয়ভাবে।

-- VPD policy: restrict inventory queries to user's assigned warehouse
CREATE OR REPLACE FUNCTION inventory_policy(
  schema_name IN VARCHAR2,
  table_name  IN VARCHAR2
) RETURN VARCHAR2 AS
BEGIN
  RETURN 'warehouse_id = SYS_CONTEXT(''USERENV'', ''CLIENT_INFO'')';
END;
/

DBMS_RLS.ADD_POLICY(
  object_schema  => 'ERP',
  object_name    => 'INVENTORY',
  policy_name    => 'WAREHOUSE_FILTER',
  function_schema=> 'ERP',
  policy_function=> 'INVENTORY_POLICY'
);

৯.২ Column-Level Masking

সংবেদনশীল column — কর্মীর বেতন, সরবরাহকারীর মূল্য, গ্রাহকের ক্রেডিট লিমিট — Oracle Data Masking বা column-level privilege ব্যবহার করে নির্দিষ্ট ইউজার রোল থেকে মাস্ক বা লুকানো যায়। AI অ্যাসিস্ট্যান্ট এই নিয়ন্ত্রণগুলো মেনে চলে: কোনো ইউজার যদি একটি column সরাসরি SELECT করতে না পারেন, তবে AI-ও তা উত্তরে ফিরিয়ে দিতে পারে না।

৯.৩ Query Audit Trail

প্রতিটি AI query লগ করা হয়: কে কী জিজ্ঞাসা করল, কখন করল, কী SQL তৈরি হলো এবং কোন row অ্যাক্সেস করা হলো। এই audit trail কমপ্লায়েন্স চাহিদা ও নিরাপত্তা পর্যালোচনাকে সহায়তা করে — যা ফার্মা, ব্যাংকিং এবং নিয়ন্ত্রিত ম্যানুফ্যাকচারিং পরিবেশে বিশেষভাবে গুরুত্বপূর্ণ।

১০. ERP মডিউল অনুযায়ী ব্যবহারের ক্ষেত্র

১০.১ ইনভেন্টরি ও গুদাম

• "এই মুহূর্তে গাজীপুর গুদামে কোন কোন আইটেম reorder level-এর নিচে আছে?"
• "কোন ১০টি পণ্যের গত ৬০ দিনে কোনো চলাচল হয়নি?"
• "ক্যাটাগরি অনুযায়ী মোট স্টক মূল্য কত?"

১০.২ ক্রয় ও সরবরাহকারী

• "এই ত্রৈমাসিকে কোন সরবরাহকারীরা দুইবারের বেশি দেরিতে ডেলিভারি দিয়েছে?"
• "API কাঁচামালের গড় lead time কত?"
• "অনুমোদনের অপেক্ষায় থাকা ৫ লাখ টাকার বেশি মূল্যের সব purchase order দেখান"

১০.৩ বিক্রয় ও রাজস্ব

• "গত মাসে চট্টগ্রামে রাজস্ব অনুযায়ী শীর্ষ ৫টি পণ্য কোনগুলো ছিল?"
• "কোন গ্রাহকরা গত ৯০ দিনে কোনো অর্ডার দেননি?"
• "প্রোডাক্ট লাইন অনুযায়ী এই মাসের বিক্রয়ের সঙ্গে গত বছরের একই মাসের তুলনা করুন"

১০.৪ ম্যানুফ্যাকচারিং ও প্রোডাকশন

• "গত ৬ মাসে Product X-এর গড় batch yield কত?"
• "এই সপ্তাহে কোন প্রোডাকশন লাইনে সবচেয়ে বেশি downtime হয়েছে?"
• "গত মাস থেকে এখনও QC hold-এ থাকা কোনো ব্যাচ আছে কি?"

১০.৫ ফিনান্স ও অ্যাকাউন্টস

• "পরিবেশকদের কাছ থেকে মোট বকেয়া প্রাপ্য কত?"
• "এই ত্রৈমাসিকে কোন cost center বাজেট ছাড়িয়ে গেছে?"
• "গত ১২ মাসে কাঁচামালের খরচের প্রবণতা দেখান"

১১. বাহ্যিক AI টুলের সঙ্গে এর তুলনা

অনেক প্রতিষ্ঠান ব্যবসায়িক ডেটা বিশ্লেষণের জন্য ChatGPT, Gemini বা অন্যান্য বাহ্যিক AI টুল ব্যবহারে প্রলুব্ধ হয়। ERP ডেটার ক্ষেত্রে কেন এই পদ্ধতি ব্যর্থ হয়, তা এখানে দেওয়া হলো:

বিবেচ্য বিষয়	বাহ্যিক AI (ChatGPT ইত্যাদি)	Oracle 26ai ইন-ডেটাবেজ
ডেটা গোপনীয়তা	ডেটা বাহ্যিক সার্ভারে পাঠানো হয়	ডেটা কখনো Oracle ছেড়ে যায় না
নির্ভুলতা	আপনার ডেটায় hallucination হয়	প্রকৃত রেকর্ড থেকে উত্তর
অ্যাক্সেস কন্ট্রোল	কোনো Oracle security পলিসি নেই	VPD + রোল স্বয়ংক্রিয়ভাবে প্রযোজ্য
ডেটার সাম্প্রতিকতা	বাসি export / CSV আপলোড	লাইভ প্রোডাকশন ডেটা
Audit trail	কোনো query লগিং নেই	সম্পূর্ণ Oracle audit trail
কমপ্লায়েন্স	ফার্মা / ব্যাংকিং নিয়ম মানে না	নিয়ন্ত্রিত শিল্পের চাহিদা পূরণ করে

১২. বাস্তবায়নের পদ্ধতি

একটি ব্যবহারিক Oracle 26ai ERP AI অ্যাসিস্ট্যান্ট বাস্তবায়ন সাধারণত তিনটি পর্যায়ে চলে:

পর্যায় ১ — ভিত্তি (সপ্তাহ ১–৩)

• Oracle 26ai ইনস্টলেশন অথবা বিদ্যমান সংস্করণ থেকে আপগ্রেড
• Oracle-এ ONNX embedding মডেল লোড
• Schema বিশ্লেষণ — সবচেয়ে বেশি query হওয়া ৫–৮টি ERP টেবিল শনাক্ত করা
• মূল ডেটার জন্য vector embedding তৈরি
• স্ট্রাকচার্ড query-র জন্য Select AI profile কনফিগারেশন
• বেসিক security মডেল পর্যালোচনা

পর্যায় ২ — AI অ্যাসিস্ট্যান্ট ইন্টারফেস (সপ্তাহ ৪–৬)

• হালকা ওয়েব ইন্টারফেস — Oracle-এর সঙ্গে সংযুক্ত চ্যাট উইন্ডো
• Oracle অ্যাকাউন্টের সঙ্গে যুক্ত ইউজার authentication
• Query routing: স্ট্রাকচার্ড প্রশ্ন → Select AI, সেমান্টিক search → vector index
• উত্তর ফরম্যাটিং ও সোর্স citation
• Query audit লগিং

পর্যায় ৩ — রোলআউট ও টিউনিং (সপ্তাহ ৭–৮)

• ৫–১০ জন মূল ইউজার নিয়ে পাইলট (প্রতি বিভাগে একজন)
• লাইভ ডেটার জন্য embedding রিফ্রেশ শিডিউল
• সাধারণ প্রশ্নের প্যাটার্নের জন্য query template ফাইন-টিউনিং
• ইউজার প্রশিক্ষণ (সাধারণত ১–২ ঘণ্টা)
• হ্যান্ডওভার ডকুমেন্টেশন

১৩. শুরু করতে যা যা লাগবে

একটি Oracle 26ai ERP AI অ্যাসিস্ট্যান্টের ন্যূনতম প্রয়োজনীয়তা:

• Oracle Database 26ai (অথবা 19c / 21c থেকে আপগ্রেড — আমাদের আপগ্রেড গাইড দেখুন)
• Enterprise Edition লাইসেন্স — AI Vector Index ও VPD-র জন্য প্রয়োজনীয়
• সার্ভার রিসোর্স: ইন-ডেটাবেজ মডেল inference-এর জন্য অতিরিক্ত RAM (সাধারণত মডেলের আকার অনুযায়ী ১৬–৩২ GB বাড়তি)
• ONNX embedding মডেল: একটি ওপেন-সোর্স মডেল (যেমন all-MiniLM-L6-v2, ২৩MB) অথবা বেশি নির্ভুলতার জন্য একটি বড় মডেল
• ERP schema ডকুমেন্টেশন: টেবিল ও column-এর বিবরণ Select AI-এর নির্ভুলতা উল্লেখযোগ্যভাবে বাড়ায়

শেষ কথা

ব্যবসায়িক ডেটার জন্য AI-এর প্রতিশ্রুতি সবসময়ই ছিল: প্রশ্ন করুন, উত্তর পান। বছরের পর বছর সেই প্রতিশ্রুতি ভেঙে পড়েছে ডেটা গোপনীয়তা, নিরাপত্তা ও নির্ভুলতার বাস্তবতার কাছে। বাহ্যিক AI টুল বিশ্ব সম্পর্কে প্রশ্নের উত্তর দিতে পারত, কিন্তু আপনার ERP সম্পর্কে নির্ভরযোগ্যভাবে নয় — আর অবশ্যই আপনার ডেটা আপনার নিয়ন্ত্রণ ছেড়ে না গিয়ে নয়।

Oracle 26ai-এর ইন-ডেটাবেজ AI আর্কিটেকচার এই সমীকরণটি মৌলিকভাবে বদলে দেয়। Vector থাকে আপনার Oracle টেবিলে। Inference চলে আপনার Oracle সার্ভারে। Security পলিসি প্রযোজ্য হয় স্বয়ংক্রিয়ভাবে। ফলাফল হলো এমন একটি AI অ্যাসিস্ট্যান্ট, যা একই সঙ্গে শক্তিশালী, ব্যক্তিগত, নির্ভুল ও কমপ্লায়েন্ট — ব্যবস্থাপনার জন্য দ্বিতীয় কোনো অবকাঠামো স্ট্যাক ছাড়াই।

ম্যানুফ্যাকচারিং প্রতিষ্ঠান, ফার্মা কোম্পানি, ব্যাংক এবং ট্রেডিং ব্যবসা — যারা বছরের পর বছরের Oracle ERP ডেটার উপর বসে আছে — তাদের জন্য এটি কোনো ভবিষ্যতের প্রযুক্তি নয়। এটি আজই সহজলভ্য, এবং একটি আধুনিক Oracle Database চালানো যেকোনো প্রতিষ্ঠানের জন্য বাস্তবায়নের পথটি সহজ।