※ 本記事は、Amit Tyagiによる”Getting Started on your Oracle AI Data Platform Journey“を翻訳したものです。
2026年3月5日
Oracle AI Data Platformは、AI対応のモダンな基盤を提供することで、組織がデータの中に眠る真のポテンシャルを最大限に引き出せるよう支援します。スピード、シンプルさ、そして拡張性を重視して設計されたこのプラットフォームは、データレイク・ストレージ、カタログ作成、データ取り込み (インジェクション)、前処理、分析を一つのシームレスなエクスペリエンスに統合します。これにより、チームはかつてない速さで「生のデータ」から「価値あるインサイト」を導き出すことが可能になります。
わずか数クリックで、AI対応のセキュアなデータ・ワークスペースを作成できます。データ資産全体にわたる高度なカタログを構築できるほか、エンタープライズ・グレードのRBAC (ロールベースのアクセス制御) によって安全なアクセス管理を実現します。また、プラットフォームに組み込まれたSparkベースのノートブックにより、データの探索・変換・加工 (エンリッチメント) も容易に行えます。さらに、サポートされているサービスからのメタデータ自動取り込み機能により、すべてのデータは常に整理され、最新の状態に保たれます。
Oracle Analytics Cloud (OAC)はプラットフォームと直接連携しており、ビジネスユーザーは複雑な手順や待機時間に悩まされることなく、精査されたデータセットを即座に分析できます。その結果、データの収集からAI活用までのライフサイクル全体を効率化する、唯一無二の「シングル・ペイン・オブ・グラス (単一の管理画面) 」が実現します。これらすべては、オラクルが長年培ってきた実績あるセキュリティと信頼性によって支えられています。
主要機能
データ統合 (Data Integration) – あらゆるデータ・ソースへのシームレスなアクセスを実現します。リアルタイム接続か取り込みかを問わず、Oracleのテクノロジーやアプリケーションとの深い統合に支えられた柔軟な連携が可能です。さらに、Fusion AI Data Platform (旧: Oracle Fusion Data Intelligence) からのZero-ETLデータ共有により、データ連携の負荷を劇的に軽減します。
統合カタログ (Unified Catalog) – データとAI資産の両方を統治する、一元化されたマスター・カタログを提供します。Bronze、Silver、Goldへと段階的にデータを精錬するメダリオン・アーキテクチャを全面的にサポート。これにより、多様なフォーマットのデータ製品、AIアプリケーション、AI/MLモデルの迅速な取り込み・キュレーション・提供を可能にし、すべてのレイヤーにおいて一貫したガバナンスを適用します。
データ・ガバナンス (Data Governance)– AI Data Platformは、すべてのカタログにわたって、セキュアで適切に管理・整理されたデータを保証します。RBAC (ロールベースのアクセス制御)、メタデータ管理、および監査機能を備えているため、チームはデータの品質を維持し、自信を持ってAIやアナリティクスのワークロードを実行できます。
データエンジニアリングとデータサイエンス (Data Engineering and Data Science ) -データ・エンジニアとデータ・サイエンティストの両方に、統合された開発エクスペリエンスを提供します。ワークロードに応じて柔軟に選択できるCPUおよびGPUコンピューティングを完備。開発者は、シームレスで統一されたワークフロー・オーケストレーションに支えられ、PythonからSpark SQLまで、好みの言語で作業を進めることが可能です。
AIモデルとフレームワーク (AI Models and Framework): AI Data Platformは、Oracleの生成AIサービスとシームレスに統合されており、Cohere、GPT、Llamaといった主要な基盤モデルをサポートしています。また、PyTorch、TensorFlow、LangChainなどのオープンソース・フレームワークとも極めてスムーズに連携します。これにより、あらゆるアーキテクチャにおいてAIモデルを構築・デプロイできる、完全な柔軟性を提供します。
メダリオン・アーキテクチャを通じてAI Data Platformが提供する価値
Oracle AI Data Platformとその「メダリオン・アーキテクチャ (Medallion Architecture) 」が持つ真の力を示すために、通信業界における顧客離脱予測のユース・ケースをご紹介します。この事例では、生のデータの取り込みから、精緻な分析、そしてAI主導のインサイトへと、データがどのように流れていくかを明らかにします。
目的
本ユース・ケースの目的は、メダリオン・アーキテクチャを採用したOracle AI Data Platformが、どのように「顧客離脱」を予測し、AIモデルを活用して「顧客センチメント (感情) 」の分析や問題の特定、そして「顧客維持率 (リテンション) 」の向上を実現するかを示すことにあります。
本ユース・ケースの構築概要
本ユース・ケースでは、メダリオン・アーキテクチャに基づいて構築されたOracle AI Data Platformが、通信業界における「顧客維持」に向けた実効性のあるインサイトをどのように導き出すかを実証します。
まず、過去の離脱データと現在の顧客情報の両方を、Bronze層へと取り込みます。次に、Silver層において、データの抽出、変換、および非正規化 (デノーマライゼーション) を行い、データを精緻化します。この層では、顧客離脱を予測するためのMLモデルのトレーニングも実施します。最終的に、現在の顧客に対するモデルの予測結果を、Autonomous AI Database内のGold層に格納します。これらのデータはOracle Analytics Cloudで可視化され、明確で実効性の高いインサイトを提供します。
次に、非構造化データである「顧客レビュー」からセンチメント分析を行います。レビュー・データはSilver層で精緻化された後、生成AI (LLM)によって処理され、感情の抽出と主要なトピックの特定が行われます。こうして得られたインサイトはGold層に保存され、Oracle Analytics Cloudで可視化されます。これにより、顧客のペイン・ポイントや改善が必要な領域を明確に特定することが可能になります。
カタログ (Catalogs)
メダリオン・アーキテクチャの一環として、AI Data Platform内には「Bronze」「Silver」「Gold」の3つのカタログをセットアップしています。これにより、データ処理、アナリティクス、そしてAI主導のインサイト創出のための構造化された基盤を提供します。
Bronzeカタログ – 生データ (Raw Data)
Bronzeカタログには、未加工のすべての生データをオブジェクト・ストレージに格納します。本ユース・ケースでは、10年分にわたる過去の顧客離脱データと、現在の顧客データが含まれます。このカタログは、将来的なすべてのデータ処理の出発点となります。
Silverカタログ – 精製データと機械学習
Silverカタログでは、Bronzeカタログの生データを精製します。具体的には、データのクレンジング、抽出、および変換処理を行い、Parquet形式でオブジェクト・ストレージに保存します。また、このカタログ内の過去データを使用して顧客離脱予測モデル (MLモデル) のトレーニングを行い、作成されたモデルは後ほど利用するために同カタログ内に保存されます。
Goldカタログ – 分析対応データ (Analytics-Ready Data)
Goldカタログは、分析やレポート作成に即座に利用できるレイヤーであり、背後では Autonomous AI Databaseが稼働しています。ここでは、現在の顧客データに対して離脱予測モデルを適用し、離脱確率を算出します。その結果はデータベースのテーブルに格納され、可視化やインサイトの創出に活用されます。
センチメント分析 – 生のレビューから実効性のあるインサイトへ
センチメント分析においては、まず加工前の顧客レビューをBronzeカタログに格納します。次にSilverカタログで精製処理を行った後、AIモデルを実行して、センチメント (ポジティブ、ネガティブ、ニュートラル) および主要なトピックやアスペクト (要素) を抽出します。こうして得られたインサイトは、データベースのテーブルとしてGoldカタログに保存されます。これにより、Oracle Analytics Cloudでの分析が可能な状態となり、顧客のペイン・ポイントや改善すべき領域を明らかにすることができます。
ノートブック (Notebooks)
カタログ間のデータ移動、MLモデルの構築、およびAIモデルを用いたセンチメント分析を実行するために、一連のPythonノートブックを開発しました。
ノートブック 1: 過去の離脱データの処理
- 読み込み: Bronzeカタログから過去の顧客離脱データを読み込みます。
- 処理: 過去4年分のデータに絞り込み、分析に関連する属性を選択します。
- 書き出し: 処理済みのデータセットをSilverカタログに書き出します。
ノートブック 2: 現在の顧客データの処理
- 読み込み: Bronzeカタログから現在の顧客データを読み込みます。
- 処理: ノートブック1と同様のクレンジングおよびデータ変換処理を実行します。
- 書き出し: 処理済みのデータセットをSilverカタログに書き出します。
ノートブック 3: 離脱予測モデルの学習と適用
- 学習: Silverカタログ内の過去データセットを使用して、顧客離脱予測モデルをトレーニングします。
- 適用: 学習済みモデルを現在の顧客データに適用し、離脱リスクの予測結果を生成します。
- 格納: 予測結果を、分析およびレポート作成用にGoldカタログへ格納します。
ノートブック 4：顧客レビューのセンチメント分析
- 処理: CohereなどのAIモデル (LLM) を使用し、顧客のレビューテキストを処理します。
- 抽出: センチメント・スコア (ポジティブ、ネガティブ、ニュートラル) に加えて、主要なトピックやアスペクト (評価対象の要素) を抽出します。
- 書き出し: 感情情報が付与された分析結果を、さらなる分析とインサイト創出のためにGoldカタログへ書き出します。
ワークフロー (Workflows)
AI Data Platformのワークフロー機能を使用すると、複雑なデータパイプラインの自動化とオーケストレーションが可能になります。ワークフローは、オンデマンドまたはスケジュール指定で実行でき、「タスク間の依存関係」「トリガー」「エラー・ハンドリング」といった機能を備えた複数のタスクで構成されます。
本ユース・ケースでは、すべてのノートブックを統合制御するワークフローを作成しました。これにより、データの取り込みからMLモデルによる予測、さらにはセンチメント分析に至るまで、あらゆるタスクをカバーしています。このワークフローを実行することで、プロセス全体の完全なエンドツーエンドの自動化が実現します。
OACによるGoldカタログ・インサイトの探索
OAC (Oracle Analytics Cloud) は、AI Data Platform専用のダイレクト・コネクタを提供しています。これにより、カタログ・データへのアクセスや、OACワークブックを用いた直接的な分析が容易に行えます。
本ユースケースでは、OACをGoldカタログに接続しました。これにより、顧客離脱予測とセンチメント分析の結果をOACワークブック上でインタラクティブに探索でき、「生のデータ」を「実効性のあるインサイト」へと変換することが可能になりました。
最初のダッシュボードでは、MLモデルに基づいて「どの顧客に離脱のリスクがあるか」を一目で確認することができます。性別、契約形態、継続期間、および支払詳細といった項目を横断的に分析することで、離脱を誘発している要因を突き止め、顧客を維持するための具体的な戦略をピンポイントで策定することが可能になります。
2つ目のダッシュボードキャンバスでは、顧客レビューから得られたセンチメント・インサイト (感情分析の結果) を詳しく探索します。ネットワークの品質やカスタマーサービスといったネガティブな要素は赤色で強調され、一方でモバイル・アプリの機能や付加価値サービスなどのポジティブな要素は緑色で表示されます。さらに、都市間でのセンチメント比較を行うことで地域的なトレンドを明らかにし、その地域の強みや改善のチャンスを浮き彫りにします。
結論として、本ユース・ケースは、メダリオン・アーキテクチャを活用したAI Data Platformが、データエンジニアリング、機械学習、そしてAI主導のアナリティクスをいかに統合できるかを実証するものです。これにより、実効性のある顧客インサイトを提供し、よりスマートな顧客維持戦略の推進を可能にします。
本記事で紹介した機能に加え、さらなるAI機能の拡張に向けたロードマップが用意されています。AI Data Platformは、組み込みモデルおよび外部モデルの両方を活用し、AIと生成AIを組み込んだデータ・パイプラインを実現します。高度なAI開発に向けては、Oracle Cloud Infrastructure (OCI) Generative AIやベクトル・ストア (Vector Store) を備えた Oracle Database 23aiを基盤とし、「ローコード (Low-code) 」および「コードファースト (Code-first) 」の両方の開発体験を提供します。開発者はAIアセットをエンドツーエンドで管理できるようになり、さらにこれらのエージェントはOracle Fusion AI Agent Studioと統合されることで、ユーザー体験全体をさらに拡張していく予定です。
次のステップ (Call to Action)
Oracle AI Data Platform についてさらに詳しく知るには、以下のリソースをご活用ください: