Oracle Database 26ai: AI-চালিত ডেটাবেজ বিপ্লব

Oracle Database 26ai কেবল একটি ভার্সন আপডেট নয় — 12c যখন multitenant আর্কিটেকচার এনেছিল, তারপর থেকে এটিই Oracle-এর সবচেয়ে তাৎপর্যপূর্ণ রিলিজ। নেটিভ vector search, ইন-ডেটাবেজ LLM ইন্টিগ্রেশন, AI Vector Index এবং সরাসরি RAG (Retrieval-Augmented Generation) সাপোর্ট নিয়ে 26ai আগামী দশকের AI-চালিত এন্টারপ্রাইজ অ্যাপ্লিকেশনের ভিত্তি-প্ল্যাটফর্ম হিসেবে Oracle Database-কে প্রতিষ্ঠিত করছে। ফার্মা, ব্যাংকিং ও ERP ইন্টিগ্রেশন প্রকল্পে 23ai এবং নতুন 26ai রিলিজ — দুটো নিয়েই ব্যাপক কাজ করার পর, প্রতিটি DBA, আর্কিটেক্ট ও CIO-এর যা জানা দরকার তা এখানে তুলে ধরছি।

১. বড় চিত্র: ডেটাবেজ থেকে AI প্ল্যাটফর্মে

প্রথাগত ডেটাবেজ row সংরক্ষণ করে। আধুনিক AI অ্যাপ্লিকেশনকে সংরক্ষণ ও সার্চ করতে হয় vector — টেক্সট, ছবি, অডিও, ভিডিও এবং যেকোনো আনস্ট্রাকচার্ড কনটেন্টের উচ্চ-মাত্রিক (high-dimensional) সাংখ্যিক উপস্থাপনা। সম্প্রতি পর্যন্ত আপনার অপারেশনাল ডেটাবেজের পাশাপাশি একটি আলাদা "vector database" (Pinecone, Weaviate, Chroma, Qdrant) লাগত।

Oracle 26ai এই বিভাজন দূর করে দেয়। আপনার ট্রানজ্যাকশনাল ডেটা, আপনার vector embedding এবং আপনার AI সার্চ একটিই কনভার্জড ডেটাবেজে থাকে — একটি সিকিউরিটি মডেল, একটি ব্যাকআপ কৌশল, একটি DBA স্কিল-সেট নিয়ে। এটি একটি বিশাল আর্কিটেকচারাল অর্জন।

মার্কেটিংয়ের আড়ালে "ডেটাবেজের ভেতরে AI" আসলে কী

কিনোটের ভাষা সরিয়ে ফেললে 26ai-এর AI গল্পটা একটি ছোট, সুনির্দিষ্ট তালিকা: একটি VECTOR কলাম টাইপ, একটি VECTOR_DISTANCE() SQL ফাংশন, দুই ধরনের approximate index, embedding ও LLM কলের জন্য PL/SQL প্যাকেজ (DBMS_VECTOR, DBMS_VECTOR_CHAIN), আর optimizer সাপোর্ট — যাতে similarity search বাস্তব query plan-এ অংশ নিতে পারে।

এটি কোনো সমালোচনা নয় — এটাই আসল কথা। ডেটাবেজ "চিন্তা" করছে না। এটি floating-point সংখ্যার array সংরক্ষণ করছে এবং সবচেয়ে কাছেরগুলো খুব দ্রুত খুঁজে বের করছে — চারপাশে transaction, privilege, audit আর RMAN জড়িয়ে। একবার এভাবে দেখলে প্রতিটি ডিজাইন ও সাইজিং সিদ্ধান্ত সাধারণ ডেটাবেজ ইঞ্জিনিয়ারিং হয়ে দাঁড়ায় — যে দক্ষতা আমাদের এমনিতেই আছে।

অনেক বেশি ভেন্ডর প্রেজেন্টেশন দেখার পর আমার পরামর্শ: যে স্লাইড বলে ডেটাবেজ আপনার ব্যবসা "বোঝে", তা উপেক্ষা করুন — আর ফিচার তালিকাটা সেভাবেই মূল্যায়ন করুন যেভাবে partitioning বা Database In-Memory মূল্যায়ন করতেন: এটি কী সংরক্ষণ করে, কীভাবে index হয়, আর চালাতে কী খরচ।

২. AI Vector Search — শিরোনাম ফিচার

VECTOR ডেটাটাইপ এসেছে 23ai-এর সঙ্গে, আর এটিই 26ai প্রজন্মের কেন্দ্রবিন্দু। আপনি যেকোনো মাত্রার embedding সংরক্ষণ করতে পারেন, similarity ফাংশন দিয়ে কোয়েরি করতে পারেন, এবং vector search-কে প্রথাগত SQL-এর সঙ্গে মিলিয়ে ফেলতে পারেন — join, filter, transaction — সবই একটিই কোয়েরিতে।

-- Create a table with vector column
CREATE TABLE documents (
  doc_id NUMBER PRIMARY KEY,
  title VARCHAR2(500),
  content CLOB,
  embedding VECTOR(1536, FLOAT32)
);

-- Insert with embedding (from OpenAI/Cohere/local model)
INSERT INTO documents VALUES (
  1,
  'Annual Report 2025',
  '...full text...',
  VECTOR('[0.123, -0.456, 0.789, ...]', 1536, FLOAT32)
);

-- Vector similarity search
SELECT doc_id, title,
  VECTOR_DISTANCE(embedding, :query_vec, COSINE) AS similarity
FROM documents
ORDER BY VECTOR_DISTANCE(embedding, :query_vec, COSINE)
FETCH FIRST 10 ROWS ONLY;

সমর্থিত distance metric: Cosine, Euclidean (L2), Dot Product, Manhattan, Hamming। ৬৫,৫৩৫ মাত্রা পর্যন্ত vector সমর্থন করে।

প্র্যাকটিশনারদের জন্য মানসিক মডেলটা সহজ। একটি embedding মডেল "invoice PDF is corrupt" আর "downloaded file won't open"-কে এমন দুটি সংখ্যার array-তে পরিণত করে যেগুলো পরস্পরের কাছাকাছি বসে — কারণ অর্থ কাছাকাছি, যদিও তাদের মধ্যে কোনো শব্দই মেলে না। similarity search এরপর নিছক জ্যামিতি: distance অনুযায়ী সাজান, সবচেয়ে কাছের row-গুলো নিন।

DBA হিসেবে আমার সবচেয়ে পছন্দের অংশ: ওই ORDER BY VECTOR_DISTANCE(...) স্বচ্ছন্দে বসে যায় একটি সাধারণ WHERE clause-এর নিচে, join-এর ভেতরে, transaction-এর ভেতরে। semantic র‍্যাংকিং আর relational ফিল্টারিং — একটিই optimizer plan-এ; আলাদা vector store-এ কোনো sync পাইপলাইন নেই, দ্বিতীয় কোনো সিকিউরিটি মডেল নেই। index-এর ভেতরের খুঁটিনাটি আর অপারেশনাল দায়িত্ব নিয়ে আরও গভীরে গেছি DBA-দের জন্য vector search লেখায়।

৩. Vector Index — পারফরম্যান্স ইঞ্জিন

Brute-force vector search খুব একটা ভালোভাবে স্কেল করে না। Oracle 26ai-তে দুই ধরনের বিশেষায়িত vector index রয়েছে:

• HNSW (Hierarchical Navigable Small World): ইন-মেমরি graph index। অত্যন্ত দ্রুত approximate nearest-neighbor (ANN) সার্চ। কম-latency রিডের জন্য সেরা।
• IVF (Inverted File Flat): vector-গুলোকে cluster-এ ভাগ করে। ডিস্ক-বান্ধব, অনেক বড় ডেটাসেট সমর্থন করে। বিলিয়ন-স্কেল corpus-এর জন্য ভালো।

-- HNSW index for fast in-memory search
CREATE VECTOR INDEX docs_hnsw_idx
ON documents(embedding)
ORGANIZATION INMEMORY NEIGHBOR GRAPH
DISTANCE COSINE
WITH TARGET ACCURACY 95;

-- IVF index for large-scale disk-based search
CREATE VECTOR INDEX docs_ivf_idx
ON documents(embedding)
ORGANIZATION NEIGHBOR PARTITIONS
DISTANCE COSINE
PARAMETERS (TYPE IVF, NEIGHBOR PARTITIONS 100);

৪. ইন-ডেটাবেজ LLM ইন্টিগ্রেশন

DBMS_VECTOR ও DBMS_VECTOR_CHAIN প্যাকেজ PL/SQL থেকেই embedding তৈরি এবং এমনকি সরাসরি LLM কল করতে সক্ষম করে। আপনি OpenAI, Cohere, OCI Generative AI, Hugging Face মডেল কিংবা লোকাল মডেল — সবই একটি SQL সেশন থেকে কল করতে পারেন।

নিয়ন্ত্রিত (regulated) শিল্পের জন্য সবচেয়ে গুরুত্বপূর্ণ কথা: আপনি একটি open-source ONNX embedding মডেল একবার ডেটাবেজের ভেতরে লোড করে সম্পূর্ণ লোকালভাবে embedding তৈরি করতে পারেন। টেক্সট vector হওয়ার জন্য কখনো ইঞ্জিনের বাইরে যায় না। বাহ্যিক LLM কল ঐচ্ছিক, ইচ্ছাকৃত, এবং DBA-নিয়ন্ত্রিত credential ও network ACL দিয়ে আটকানো।

-- Generate embedding directly from text
SELECT DBMS_VECTOR.UTL_TO_EMBEDDING(
  'Quarterly sales report Q3 2025',
  JSON('{"provider":"openai","model":"text-embedding-3-small"}')
) AS embedding FROM dual;

-- Full RAG pipeline in PL/SQL
DECLARE
  v_context CLOB;
  v_answer  CLOB;
BEGIN
  -- 1. Retrieve top-K similar documents
  SELECT LISTAGG(content, ' --- ') WITHIN GROUP (ORDER BY similarity)
  INTO v_context
  FROM (
    SELECT content,
      VECTOR_DISTANCE(embedding,
        DBMS_VECTOR.UTL_TO_EMBEDDING(:question), COSINE) AS similarity
    FROM documents
    ORDER BY similarity
    FETCH FIRST 5 ROWS ONLY
  );

  -- 2. Generate grounded answer
  v_answer := DBMS_VECTOR_CHAIN.UTL_TO_GENERATE_TEXT(
    'Question: ' || :question ||
    CHR(10) || 'Context: ' || v_context ||
    CHR(10) || 'Answer based only on the context:',
    JSON('{"provider":"openai","model":"gpt-4o"}')
  );
  :answer := v_answer;
END;

এটাই এন্টারপ্রাইজ RAG — মাত্র ৩০ লাইন PL/SQL-এ, নেটিভ সিকিউরিটি, অডিট ও ট্রানজ্যাকশন কন্ট্রোল সহ।

প্যাকেজের নামের চেয়ে প্যাটার্নটাই বেশি গুরুত্বপূর্ণ। retrieval ঘটে SQL দিয়ে, আপনার টেবিলের ওপর — তাই প্রতিটি উত্তর grounded থাকে এমন row-তে যা আপনি আঙুল দিয়ে দেখাতে পারেন: ইনভয়েস, ব্যাচ রেকর্ড, সাপোর্ট টিকিট — মডেল তার ট্রেনিং ডেটা থেকে যা আধা-মনে-রাখে তাতে নয়। অডিটর যখন জিজ্ঞেস করেন "assistant ওটা কেন বলল?", আপনি retrieve হওয়া ঠিক পাঁচটি ডকুমেন্ট দেখিয়ে দেন। পুরো প্যাটার্নটি — ব্যর্থতার ধরনসহ — ধাপে ধাপে ব্যাখ্যা করেছি RAG-এর ব্যাখ্যা লেখায়।

প্রোডাকশন থেকে একটি সৎ সতর্কবার্তা: quality জেতা বা হারার জায়গাটা হলো retrieval ধাপ। অসতর্ক chunking, বাসি embedding, কিংবা একটি অনুপস্থিত relational ফিল্টার (ভুল company code, ভুল fiscal year) তৈরি করে সাবলীল, আত্মবিশ্বাসী, কিন্তু ভুল উত্তর। আপনার ইঞ্জিনিয়ারিং সময় সেখানেই ব্যয় করুন, prompt-এর শব্দচয়নে নয়।

৫. Select AI — ন্যাচারাল ল্যাঙ্গুয়েজ SQL

Oracle 26ai Select AI উন্নত করেছে (মূলত Autonomous Database ফিচার, এখন 26ai-তে অন-প্রিমিসেও)। ব্যবহারকারীরা সাধারণ ইংরেজিতে যা চান তা বর্ণনা করেন; ডেটাবেজ SQL তৈরি করে ও চালায়।

SELECT AI 'show me top 5 customers by revenue in 2025
            with their region and total orders';

-- Behind the scenes, generates:
-- SELECT c.customer_name, c.region, SUM(o.amount) AS revenue,
--        COUNT(*) AS total_orders
-- FROM customers c JOIN orders o ON c.id = o.customer_id
-- WHERE EXTRACT(YEAR FROM o.order_date) = 2025
-- GROUP BY c.customer_name, c.region
-- ORDER BY revenue DESC FETCH FIRST 5 ROWS ONLY;

LLM আপনার schema metadata দ্বারা grounded থাকে। সংবেদনশীল ডেটা কখনো ডেটাবেজ ছেড়ে বের হয় না — শুধু metadata (টেবিল/কলামের নাম) মডেলের সঙ্গে শেয়ার করা হয়। ব্যবসায়িক ব্যবহারকারীরা SQL না লিখেই উত্তর পান।

Select AI-এর সৎ সীমাবদ্ধতা

এই ফিচারকে বাড়িয়ে বলা ডেমো আমি অনেক দেখেছি, তাই এখানে প্র্যাকটিশনারের দৃষ্টিভঙ্গি। Select AI ঠিক ততটাই ভালো, যতটা ভালো schema metadata সে দেখতে পায়: ATTR7-এর মতো দুর্বোধ্য কলামের নাম, ডকুমেন্ট-না-করা status code, কিংবা ৪,০০০ টেবিলের ERP schema তৈরি করে দেখতে-বিশ্বাসযোগ্য কিন্তু নিঃশব্দে ভুল SQL।

পরিষ্কার, এক-তথ্যের প্রশ্ন এটি ভালোই সামলায়। বহু-ধাপের ব্যবসায়িক লজিক — "রিটার্ন বাদে, ফ্রি স্যাম্পল বাদ দিয়ে, ইনভয়েস-তারিখের এক্সচেঞ্জ রেটে" — এখনো এমন মানুষ লাগে যিনি schema চেনেন। বাস্তবে আমি এটিকে ব্যবহার করি অ্যানালিস্টদের জন্য খসড়া-জেনারেটর হিসেবে, অথবা অল্প কিছু curated, ভালোভাবে comment-করা view-এর ওপর self-service হিসেবে। কখনোই উন্মুক্ত ছেড়ে দিই না, আর আর্থিক কোনো কিছুতে রিভিউ ছাড়া কখনোই নয়।

৬. JSON Relational Duality — উভয় জগতের সেরা

23ai থেকে ধারাবাহিকতা রেখে 26ai JSON Relational Duality View-কে পরিণত করেছে। একবার normalized relational টেবিল সংজ্ঞায়িত করুন; অ্যাপ ডেভেলপারদের জন্য সেগুলো document-স্টাইল JSON view হিসেবে উন্মুক্ত করুন। আপডেট উভয় দিকেই প্রবাহিত হয়। ORM impedance mismatch দূর করে।

CREATE OR REPLACE JSON RELATIONAL DUALITY VIEW customer_dv AS
SELECT JSON {
  '_id' : c.customer_id,
  'name' : c.name,
  'orders' : [SELECT JSON {
                '_id' : o.order_id,
                'total' : o.total,
                'items' : [SELECT JSON { 'product' : i.product, 'qty' : i.qty }
                           FROM items i WHERE i.order_id = o.order_id]
              } FROM orders o WHERE o.customer_id = c.customer_id]
}
FROM customers c;

-- App reads/writes via MongoDB API, but data is fully relational underneath

৭. Property Graph + AI

Oracle 26ai-এর property graph সক্ষমতা এখন first-class SQL। SQL/PGQ স্ট্যান্ডার্ড সিনট্যাক্স দিয়ে graph কোয়েরি। vector search-এর সঙ্গে মিলিয়ে আপনি হাইব্রিড AI-graph অ্যাপ্লিকেশন তৈরি করতে পারেন — এমন knowledge graph যা semantic similarity "বোঝে"।

৮. কেন 19c/21c থেকে 26ai-তে মাইগ্রেট করবেন?

জোরালো কারণ:

• নেটিভ AI সক্ষমতা — কোনো আলাদা vector DB লাগে না
• RAG-প্রস্তুত অবকাঠামো — আপনার এন্টারপ্রাইজ ডেটাই corpus
• লং-টার্ম সাপোর্ট রিলিজ (LTS) — অনুমানযোগ্য patch lifecycle
• পারফরম্যান্স উন্নতি — optimizer উন্নয়ন, ইন-মেমরি ত্বরণ
• সিকিউরিটি উন্নতি — উন্নত TDE, unified audit, ফাইন-গ্রেইনড AI অ্যাক্সেস কন্ট্রোল
• ক্লাউড-প্রস্তুত — উন্নত OCI Autonomous Database সামঞ্জস্য
• ভবিষ্যৎ-প্রস্তুতি — আপনার প্রতিযোগীরা এটি মূল্যায়ন করছে। সবার শেষে থাকবেন না।

অপেক্ষা করার কারণ:

• ব্যাপক কাস্টম কোড সহ অত্যধিক কাস্টমাইজড 19c ইনস্টলেশন
• থার্ড-পার্টি অ্যাপ্লিকেশন এখনো 26ai-তে সার্টিফায়েড নয়
• মাইগ্রেশন টেস্টিংয়ের জন্য সীমিত DBA সময়/সামর্থ্য
• প্রোডাকশন স্থিতিশীলতার প্রয়োজন থেকে "x.2 রিলিজের জন্য অপেক্ষা" করা

কার এখনই মাথা ঘামানো উচিত — আমার সংক্ষিপ্ত উত্তর: যার সত্যিকারের semantic-search বা RAG ইউজ কেস আছে, এবং যার 19c সাপোর্ট টাইমলাইন ম্যানেজমেন্টের আলোচ্য বিষয় হয়ে উঠেছে। কোনোটাই প্রযোজ্য না হলে 19c থেকে আরও এক বছর পর্যবেক্ষণ করলে আপনার ক্ষতি সামান্যই — তবে সেটিকে একটি সচেতন সিদ্ধান্ত বানান, ডিফল্ট নয়।

৯. আপগ্রেড পথ: 19c → 26ai

মেকানিক্সটা সেই একই নিয়মানুবর্তিতা, যা ১৮+ বছরে চালানো আমার প্রতিটি বড় আপগ্রেডে ছিল — প্রোডাকশন ডেটাবেজ কতটা সাবধানে সরাতে হয়, AI ফিচার তার কিছুই বদলায় না। আলাদা, বিস্তারিত একটি 19c-থেকে-26ai আপগ্রেড গাইড রেখেছি; সংক্ষিপ্ত সংস্করণ:

1. সামঞ্জস্য যাচাই: সমস্যা শনাক্ত করতে preupgrade.jar চালান
2. কম্পোনেন্ট পর্যালোচনা: ASM, RAC, Data Guard সার্টিফিকেশন যাচাই করুন
3. অ্যাপ্লিকেশন সার্টিফিকেশন: ISV অ্যাপ্লিকেশন 26ai সমর্থন করে কিনা নিশ্চিত করুন
4. আগে টেস্ট এনভায়রনমেন্ট: নন-প্রোডে সবসময় সম্পূর্ণ আপগ্রেড রিহার্সাল
5. পদ্ধতি বাছুন: AutoUpgrade ইউটিলিটি (প্রস্তাবিত), DBUA, ম্যানুয়াল, অথবা Data Guard rolling upgrade
6. শুরু করার আগে ব্যাকআপ + Flashback restore point
7. আপগ্রেডের সময় ধরুন: মাঝারি ডেটাবেজে সাধারণত ১-৪ ঘণ্টা
8. আপগ্রেড-পরবর্তী কাজ: invalid অবজেক্ট recompile করুন, statistics সংগ্রহ করুন, postupgrade_fixups.sql চালান
9. অ্যাপ্লিকেশন রিগ্রেশন টেস্টিং: এটি বাদ দেবেন না

১০. Oracle 26ai-এর এন্টারপ্রাইজ ইউজ কেস

• ব্যাংকিং: ট্রানজ্যাকশন প্যাটার্নের vector similarity দিয়ে জালিয়াতি শনাক্তকরণ
• ফার্মা: ওষুধ আবিষ্কার — molecular embedding similarity সার্চ
• কাস্টমার সার্ভিস: বাস্তব ডেটায় grounded AI chatbot-এর জন্য knowledge base RAG
• এইচআর (HR): semantic search দিয়ে resume ম্যাচিং
• আইনি (Legal): হাজারো চুক্তির মধ্যে contract clause similarity
• ম্যানুফ্যাকচারিং: সেন্সর ডেটা + মেইনটেন্যান্স লগ থেকে ব্যর্থতার প্যাটার্ন শনাক্তকরণ
• হেলথকেয়ার: differential diagnosis সহায়তায় patient record similarity
• ERP অ্যানালিটিক্স: আর্থিক/ইনভেন্টরি/বিক্রয় ডেটার ওপর ন্যাচারাল ল্যাঙ্গুয়েজ কোয়েরি

১১. 26ai যুগে DBA-এর নতুন দায়িত্ব

• vector index lifecycle পরিচালনা (rebuild, maintenance window)
• বাহ্যিক LLM endpoint-এ নিরাপদ অ্যাক্সেস কনফিগার করা (credential, network ACL)
• vector workload-এর জন্য capacity planning (vector বড়, মেমরি-খেকো)
• AI কোয়েরি পারফরম্যান্স মনিটর ও টিউন করা — OLTP থেকে ভিন্ন প্যাটার্ন
• AI ব্যবহার নিয়ন্ত্রণ করা — কে কোন LLM-কে কী ডেটা দিয়ে কল করছে তা অডিট করা
• embedding/LLM API কলের ক্ষেত্রে খরচ অপটিমাইজেশন

যে তিনটি অপারেশনাল বিষয় আমি সবার আগে চিহ্নিত করব

মেমরি সাইজিং। HNSW index থাকে একটি আলাদা vector memory pool-এ, যার আকার আপনাকে সুনির্দিষ্টভাবে ঠিক করতে হয়। কম বরাদ্দ দিলে index build ব্যর্থ হয়, কিংবা কোয়েরি ধীর পথে ফিরে যায়। পুরনো দিনের SGA সাইজিংয়ের মতো করেই দেখুন: corpus মাপুন, headroom যোগ করুন, মনিটর করুন, প্রতিটি বড় ডেটা লোডের পর আবার দেখুন।

ব্যাকআপ ভারী হয়ে যায়। embedding-ও আসল ডেটা — index হওয়ার আগেই একটি ৭৬৮-মাত্রার FLOAT32 vector প্রতি row-তে মোটামুটি ৩ KB, তাই এক কোটি row-এর একটি corpus আপনার datafile, RMAN window আর restore সময়ে যোগ করে দশ-বিশ গিগাবাইট। সুখবর হলো consistency: vector অন্য যেকোনো কলামের মতোই ডেটাবেজের সঙ্গে restore হয় — recovery-র পর আলাদা কোনো vector store resynchronise করতে হয় না। কিন্তু capacity plan আর backup SLA-তে একটি নতুন লাইন আইটেম লাগবেই।

প্যাচিং cadence। multitenant-এর পর AI ফিচার-সেটই সবচেয়ে দ্রুত বিবর্তিত হচ্ছে, আর fix আসে কোয়ার্টারলি Release Update-এর মাধ্যমে। 19c-তে যদি আপনার অভ্যাস ছিল বছরে একবার প্যাচ করা, তা আঁটসাঁট করুন — আর প্রোডাকশনে হাত দেওয়ার আগে vector-ভারী টেস্ট PDB-তে datapatch রিহার্সাল করুন, বরাবরের মতোই।

এর কোনোটাই অদ্ভুত কিছু নয়। এটা সেই একই চাকরি, নতুন কিছু লাইন আইটেম নিয়ে — তাই সহকর্মীদের বারবার বলি, AI যুগ আমাদের পেশার জন্য সুখবর। এই যুক্তিটাই বিস্তারিতভাবে দিয়েছি DBA-দের জন্য AI স্কিল লেখায়, আর index-স্তরের খুঁটিনাটি আছে DBA-দের জন্য vector search-এ।

১২. মূল্য ও লাইসেন্সিং বিবেচনা

Oracle AI Vector Search-কে আলাদা লাইসেন্সের অ্যাড-অন নয়, বরং ডেটাবেজেরই অংশ হিসেবে উপস্থাপন করেছে — Oracle-এর ঐতিহাসিক অভ্যাস বিবেচনায় সত্যিই অস্বাভাবিক। তবে প্যাকেজিং সময়ের সঙ্গে বদলায়, আর লাইসেন্সিংয়ের চমক প্রকল্পের বাজেট তছনছ করতে আমি দেখেছি — তাই কোনো আর্কিটেকচারে প্রতিশ্রুতিবদ্ধ হওয়ার আগে নিজের লাইসেন্স চুক্তি ও Oracle-এর বর্তমান price list যাচাই করুন। যা নিশ্চিন্তে বলা যায়:

• বাহ্যিক LLM API কল প্রোভাইডার (OpenAI, Cohere ইত্যাদি) দ্বারা বিল করা হয়
• OCI Generative AI কল Oracle আলাদাভাবে বিল করে
• Active Data Guard, RAC, Partitioning আলাদা অপশন হিসেবেই থাকে
• AI workload বাস্তব compute খরচ করে — embedding তৈরি ও vector index build এমন CPU পোড়ায় যার লাইসেন্স হয়তো আপনি core-প্রতি দিচ্ছেন

১৩. আমার সুপারিশ

আপনি যদি 12c বা তার আগের ভার্সন চালান — AI পরিকল্পনা যাই হোক, এখনই মাইগ্রেট করুন। সবচেয়ে ভালো হলেও আপনি extended support-এ আছেন।

আপনি যদি 19c-তে থাকেন — নন-প্রোডে অবিলম্বে 26ai মূল্যায়ন শুরু করুন। একটি vector search PoC তৈরি করুন। একটি ব্যবসায়িক ইউজ কেস চিহ্নিত করুন। ৬ মাসের সমান্তরাল মূল্যায়ন চালান। বেশিরভাগ প্রতিষ্ঠানই ২০২৬ সালের শেষ নাগাদ একটি স্পষ্ট মাইগ্রেশন পথ পেয়ে যাবে।

আপনি যদি 23ai-তে থাকেন — ১২-১৮ মাসের মধ্যে 26ai গ্রহণের পরিকল্পনা করুন। vector সক্ষমতা পরিণত; AI ইকোসিস্টেম দ্রুত এগোচ্ছে।

১৪. Oracle-এ একটি ERP AI Assistant বানিয়ে আমি যা শিখেছি

এটা আমার কাছে তাত্ত্বিক বিষয় নয়। Oracle-এর ইন-ডেটাবেজ AI স্ট্যাকের ওপর আমি একটি অন-প্রিমিস ERP AI assistant বানিয়েছি — লোকালভাবে লোড করা ONNX মডেল দিয়ে embedding তৈরি হয় ডেটাবেজের ভেতরেই, retrieval চলে VECTOR_DISTANCE দিয়ে ERP-র বিদ্যমান row-level security-র অধীনে, আর উত্তর grounded থাকে লাইভ ব্যবসায়িক টেবিলে। পূর্ণ বিল্ড-রেসিপি আছে আমার ERP AI assistant গাইডে; প্রকল্পটি আসলে আমাকে যা শিখিয়েছে তা এখানে।

ডেটাবেজের অংশটাই ছিল সহজ অংশ। vector কলাম, ONNX মডেল লোড, index, retrieval কোয়েরি — একজন দক্ষ DBA কয়েক দিনেই সব চালু করে ফেলেন। মাসগুলো গেছে কী embed করব তা ঠিক করতে: কোন ফিল্ডগুলো একটি ইনভয়েসকে এতটা ভালোভাবে বর্ণনা করে যে similarity search সঠিকটাই খুঁজে পায়, আর লম্বা ডকুমেন্ট কীভাবে chunk করলে একটি ব্যাচ রেকর্ড মাঝখান থেকে কেটে যায় না।

AI আমাদের ডেটা কোয়ালিটিকে দৃশ্যমান করে দিয়েছে। assistant বের করে এনেছে ডুপ্লিকেট সাপ্লায়ার, অসামঞ্জস্যপূর্ণ item description, আর এমন সব সংক্ষেপে ভরা free-text ফিল্ড যেগুলোর মানে কেউ আর মনে রাখেনি। semantic search নির্মম: ডেটা আসলে যা বলে সেটাই খুঁজে পায়, সবাই যা ধরে নিয়েছিল তা নয়। ক্লিনআপের সময় বাজেটে রাখুন।

গভর্নেন্সই প্রকল্পটা বিক্রি করেছে। ম্যানেজমেন্টকে যা রাজি করিয়েছে তা ডেমো নয় — এই বাক্যটি: "ডেটা কখনো আমাদের সার্ভার ছাড়ে না, আর প্রতিটি প্রশ্ন ও উত্তর সেই ডেটাবেজেই অডিট হয় যেটা আমরা এমনিতেই ব্যাকআপ করি"। ফার্মা ও ব্যাংকিংয়ে এই যুক্তি আমার দেখা যেকোনো ক্লাউড AI পিচকে হারিয়ে দেয়।

১৫. একটি কম-ঝুঁকির প্রথম পাইলট: এ মাসে আমি যা করতাম

26ai-এর AI ফিচার মূল্যায়নের সবচেয়ে নিরাপদ উপায়ে খরচ বলতে একটি টেস্ট সার্ভার আর কয়েকটি বিকেল: নিজের কাছে থাকা একটি corpus-এ একটি similarity search বানান, মাপুন, আর কী শিখলেন লিখে রাখুন। GPU নেই, ক্লাউড চুক্তি নেই, প্রোডাকশন ঝুঁকি নেই। ক্লায়েন্টদের আমি ঠিক এই ক্রমটাই দিই:

1. একটি বাস্তব corpus বাছুন — সাপোর্ট টিকিট, product description, ডকুমেন্টের শিরোনাম। এমন কিছু যাতে ১০,০০০+ row আছে আর "এর মতো আরেকটা খুঁজে দাও" ধরনের সত্যিকারের সমস্যা আছে।
2. একটি sandbox দাঁড় করান — টেস্ট VM-এ 23ai বা 26ai ইনস্ট্যান্স। প্রোডাকশনে কিছুই স্পর্শ করে না।
3. একটি ছোট ONNX embedding মডেল লোড করুন ডেটাবেজে — open-source all-MiniLM শ্রেণির মডেলগুলো কয়েক দশ মেগাবাইট, CPU-তে দিব্যি চলে।
4. একটি VECTOR কলাম যোগ করুন (সোর্স schema স্পর্শ করতে না চাইলে একটি shadow টেবিল) এবং DBMS_VECTOR দিয়ে corpus-টি embed করুন।
5. কোয়েরির দুটি সংস্করণ লিখুন — brute-force VECTOR_DISTANCE আর HNSW-indexed সংস্করণ — এবং plan, latency ও ফলাফলের মান নিজেই তুলনা করুন।
6. ফলাফল দু-তিনজন বাস্তব ব্যবহারকারীর সামনে রাখুন এক সপ্তাহের জন্য। তাদের প্রতিক্রিয়া যেকোনো benchmark-এর চেয়ে বেশি বলে দেবে।
7. এক পাতার ফাইন্ডিংস নোট লিখুন: কতটা মেমরি লাগল, কতটা স্টোরেজ যোগ হলো, কোয়েরির সময়, ফলাফলের মান, কী অবাক করল।
8. কেবল তারপরই আপগ্রেড বাজেট আর আর্কিটেকচার নিয়ে কথা বলুন। তখন আপনি দর-কষাকষি করবেন প্রমাণের জোরে, ভেন্ডরের স্লাইডের জোরে নয়।

সাধারণ জিজ্ঞাসা (FAQ)

Oracle 23ai ও 26ai-এর মধ্যে পার্থক্য কী?

Oracle 23ai রিলিজ থেকেই নামকরণ "c" থেকে "ai"-তে বদলায় — সেই রিলিজেই AI Vector Search, VECTOR ডেটাটাইপ ও JSON Relational Duality এসেছিল। 26ai একই পরিবারের পরবর্তী লং-টার্ম রিলিজ — একই AI ভিত্তি, আরও পরিণত। 23ai-এর vector ফিচারে আপনি যে দক্ষতা গড়বেন, তা সরাসরি 26ai-তে কাজে লাগবে।

Oracle 26ai-এর AI ফিচার চালাতে কি GPU লাগে?

না। vector সংরক্ষণ, VECTOR_DISTANCE কোয়েরি এবং HNSW/IVF vector index সাধারণ CPU-তেই চলে, আর ইন-ডেটাবেজ ONNX embedding মডেলও CPU-তে চলে। GPU তখনই প্রাসঙ্গিক হয় যদি আপনি নিজে কোনো বড় generative LLM হোস্ট করতে চান — আর সেই কম্পোনেন্ট এমনিতেও ডেটাবেজের বাইরে থাকে।

AI Vector Search ব্যবহার করলে কি আমার ডেটা কোনো ক্লাউড AI সার্ভিসে পাঠানো হয়?

আপনি নিজে সেভাবে কনফিগার না করলে নয়। লোকালভাবে লোড করা ONNX মডেল দিয়ে embedding সম্পূর্ণ ডেটাবেজের ভেতরেই তৈরি করা যায়, আর vector similarity search নিজে কখনো বাইরের কিছু কল করে না। ডেটা আপনার নেটওয়ার্ক ছাড়ে কেবল তখনই, যখন আপনি ইচ্ছাকৃতভাবে DBMS_VECTOR_CHAIN বা Select AI-কে কোনো বাহ্যিক LLM প্রোভাইডারের দিকে নির্দেশ করেন — credential ও network ACL দিয়ে নিয়ন্ত্রিত, DBA-র হাতে থাকা একটি সিদ্ধান্ত।

Oracle 19c কি vector search করতে পারে?

নেটিভভাবে নয়। 19c-তে কোনো VECTOR ডেটাটাইপ নেই, vector index নেই, similarity search-এর জন্য optimizer সাপোর্টও নেই। PL/SQL-এ ছোট পরিসরে similarity-র অঙ্ক সিমুলেট করা যায়, কিন্তু তা স্কেল করে না এবং সাপোর্টযোগ্যও নয়। আসল vector search শুরু হয় 23ai/26ai পরিবার থেকে — তাই 19c-তে থাকলে আগে আপগ্রেড।

19c থেকে 26ai-তে কখন আপগ্রেড করা উচিত?

আপনার যদি সত্যিকারের AI বা semantic-search ইউজ কেস থাকে, কিংবা 19c-এর সাপোর্ট টাইমলাইন ম্যানেজমেন্টের আলোচ্য বিষয় হয়ে উঠছে, তবে এখনই নন-প্রোডাকশন টেস্টিং শুরু করুন এবং থার্ড-পার্টি অ্যাপ্লিকেশন সার্টিফায়েড হলে প্রোডাকশনের লক্ষ্য ধরুন। কোনোটাই প্রযোজ্য না হলে অপেক্ষা করা যুক্তিসঙ্গত — তবে আপগ্রেডের রিহার্সাল আগেভাগেই করুন, কারণ যখনই সিদ্ধান্ত নিন না কেন, টেস্টিং চক্রে কয়েক মাস লাগবেই।

vector ও AI ফিচারের জন্য কি আলাদা লাইসেন্স খরচ আছে?

Oracle AI Vector Search-কে আলাদা লাইসেন্সের অ্যাড-অন নয়, বরং ডেটাবেজেরই অংশ হিসেবে উপস্থাপন করেছে — Oracle-এর ঐতিহাসিক অভ্যাস বিবেচনায় যা অস্বাভাবিক। তবে প্যাকেজিং বদলাতে পারে, আর বাহ্যিক LLM API কলের বিল সবসময় প্রোভাইডারই করে। কোনো আর্কিটেকচারে প্রতিশ্রুতিবদ্ধ হওয়ার আগে নিজের লাইসেন্স চুক্তি ও Oracle-এর বর্তমান price list যাচাই করুন।

শেষ কথা

Oracle Database 26ai শুধু আরেকটি রিলিজ নয় — এটি সেই প্ল্যাটফর্ম যা আগামী দশকে এন্টারপ্রাইজ অ্যাপ্লিকেশন কীভাবে AI-এর সঙ্গে ইন্টিগ্রেট করবে তা নির্ধারণ করবে। যেসব প্রতিষ্ঠান 26ai-এর কনভার্জড AI ভিত্তির ওপর গড়ে তুলবে, তারা আধা ডজন বিশেষায়িত vector DB ও microservice জোড়াতালি দেওয়া প্রতিযোগীদের চেয়ে দ্রুত এগোবে, সহজে নিরাপত্তা দেবে এবং আরও দক্ষভাবে পরিচালনা করবে।

আপনার প্রতিষ্ঠান যদি Oracle 26ai অন্বেষণ করে থাকে — আপগ্রেড পরিকল্পনা, AI ইউজ কেস ডিজাইন, vector search বাস্তবায়ন, কিংবা RAG-প্যাটার্ন আর্কিটেকচার — চলুন আলোচনা করি। 23ai থেকেই vector search ও ইন-ডেটাবেজ LLM প্যাটার্ন নিয়ে আমি হাতে-কলমে কাজ করছি, এবং প্রতিষ্ঠানগুলোকে Oracle-এ বাস্তবমুখী, প্রোডাকশন-প্রস্তুত AI-ডেটা আর্কিটেকচার তৈরিতে সহায়তা করি।

সম্পর্কিত লেখা