让AI代理访问公司数据是一回事，确保它们能理解所处理的数据则是另一回事。不同部门对同一组数据往往采用不同的定义。AI代理可能无法识别这些差异，最终给出错误的答案。随着企业赋予AI代理更多职责，这些错误可能会演变成更严重的问题。

甲骨文希望通过对Oracle Autonomous AI Lakehouse进行多项功能增强来解决这一问题，相关公告已于本周在拉斯维加斯举行的甲骨文AI世界大会(Oracle AI World)上发布。主要新增功能包括：全新的业务语义层、对Apache Iceberg的支持扩展、AI数据目录以及用于运行业务模拟的工具。

其更广泛的目标是帮助企业处理分散在不同系统中的数据，同时让AI代理更清晰地理解这些数据的含义。用户可能还需要等待一段时间才能使用甲骨文宣布的所有功能，因为并非所有功能都已上线，部分功能预计将在未来一年内推出。

业务语义层的更新是此次发布的主要新增功能之一。据甲骨文介绍，此次更新允许企业在一个地方定义业务术语、指标和计算方法，从而确保不同的应用程序和AI代理使用相同的定义。

收入报告就是这一功能可能发挥作用的一个例子，销售和财务部门经常会得出不同的数据，即使他们关注的是同一项业务，这仅仅是因为他们的计算方式不同。

但对于AI代理而言，这会造成问题。它可能会从销售部门获取一个数据，又从财务部门获取另一个数据，却并不真正了解两者为何存在差异。建立一套通用的定义应能有效缓解这一问题。

查找正确的数据是甲骨文正在关注的另一个问题。其全新的AI数据目录将帮助用户和AI代理在甲骨文及其他平台中搜索信息。该工具还将提供数据集的详细信息，包括数据来源、使用方式以及与其他数据的关系。这将使用户和智能代理在开始处理信息前获得更全面的背景信息。

Oracle Data Studio将SQL、Python和自然语言工具整合到单一工作区中。它可连接超过100个数据源，用户无需预先配置数据库即可开始使用。

甲骨文预计，“业务语义层”和“AI 数据目录”将在未来 12 个月内正式推出。

随着企业赋予AI代理更多职责，这一点变得尤为重要。代理回答关于营收的问题是一回事，而利用这些信息来建议公司应在哪里投资或削减成本，甚至就销售工作的重点方向提供见解，则是另一回事。

如果智能代理基于错误的定义开始工作，后续的所有操作都可能受到影响。甲骨文的做法是，在智能代理开始处理业务信息之前，先使其对业务信息形成统一的理解。这应有助于处理自然语言查询和AI生成的报告等任务，不过企业仍需确保这些定义准确无误并保持最新。

此次公告的另一部分是扩展了对Apache Iceberg的支持——这是一种帮助企业管理海量数据的开放式表格式。甲骨文新增了使用SQL创建和更新Iceberg表的功能，同时支持访问数据的早期版本。

这对企业的价值主张显而易见。大多数大型企业的数据分散在不同的云平台和存储系统中，将所有数据整合到一个地方并不总是可行的，尤其是在涉及复制海量数据集或维护多个版本时。

甲骨文希望让企业能够更轻松地处理这些信息，而无需进行不必要的迁移。Iceberg的开放格式还为客户提供了更大的灵活性，使其能够使用不同的工具处理同一数据。需要注意的是，支持开放格式与独立于供应商平台之间存在区别。企业在评估甲骨文的解决方案时，需要考虑这一点。

“Oracle Autonomous AI Lakehouse让决策者能够实时掌握现场收入、库存使用情况、成本和盈利能力，”Liberty Energy信息技术副总裁Rhett Rowan表示。“它将Apache Iceberg表与来自Amazon S3、Amazon数据库、Azure上的Microsoft SQL Server、MongoDB和PostgreSQL的数据无缝整合，使添加新数据源以支持AI、分析和业务模拟变得轻而易举。”

该公司还通过其多维分析技术Essbase增加了业务模拟功能。企业可以利用自身的财务和运营数据，在做出决策前预判定价或客户需求的变化可能对利润产生的影响。

甲骨文还声称，其更新后的Data Lake Accelerator在100 TB的TPC-DS数据集上运行查询的速度最高可达原来的三倍。不过，这些是甲骨文自身的测试结果，客户的实际性能表现可能有所不同。

对于数据团队而言，甲骨文希望将更多工作纳入Lakehouse体系，从查找数据、定义指标到运行分析及管理访问权限。Databricks和谷歌也在致力于解决类似问题，特别是帮助AI代理理解企业数据，而不仅仅是访问数据。

客户仍面临一些疑问：他们能在多大程度上轻松地在不同平台之间迁移业务定义?新功能是否会带来额外成本?数据团队需要付出多少工作量才能确保底层信息和定义的准确性?

这些问题至关重要。语义层可以帮助AI代理理解特定指标的含义，但无法保证AI代理会正确使用它。用户必须通过测试来了解其在实际应用中的表现。

可以肯定的是，甲骨文为其Lakehouse架构制定了一个雄心勃勃的发展方向。不过，仍有若干环节尚待完善。最终的考验在于：将所有这些工具整合在一起，能否真正为数据团队减轻工作负担，并使AI系统产出更可靠的结果。