O seu agente de IA quer os seus dados. Veja como protegê-los - Jeff Smith, Oracle

Highlights

• O banco de dados da Oracle suporta vetores nativamente para participar de pipelines de RAG com uma única interface SQL.

• A conversão direta de linguagem natural em SQL apresenta riscos de exatidão e consome um volume alto de tokens em consultas ad hoc.

• O uso de relatórios parametrizados pré-definidos expostos como ferramentas MCP evita erros na geração de código SQL pelos modelos de linguagem.

• A segurança de dados profunda garante que o banco de dados remova dinamicamente informações restritas do conjunto de resultados com base nas funções do usuário via SSO.

• O mapeamento de metadados de esquemas e a anotação de documentos corporativos reduzem o desperdício de contexto computacional dos agentes de IA.

Timeline

1. 00:00 - 05:07

   Introdução ao Banco de Dados de IA da Oracle e o Protocolo MCP

   O palestrante apresenta a evolução do banco de dados da Oracle ao longo de décadas para suportar novas cargas de trabalho de inteligência artificial. A vetorização nativa permite unificar dados financeiros, de RH, logística e saúde em uma única interface SQL, viabilizando a participação direta em pipelines de RAG sem dispersão de dados.

   • A Oracle integra tipos de dados vetoriais e grafos diretamente em suas instâncias de banco de dados relacionais.
   • O protocolo MCP (Model Context Protocol) conecta os agentes de IA aos repositórios de dados corporativos.
   • A arquitetura unificada elimina a necessidade de duplicar dados em múltiplas plataformas diferentes.
2. 05:07 - 11:18

   Casos de Uso Corporativo e os Riscos da Linguagem Natural para SQL

   Embora a conversão automática de linguagem natural em SQL pareça atraente para analistas de negócios, ela frequentemente resulta em consultas incorretas que passam na compilação, mas distorcem a realidade operacional. Para mitigar esse problema, a Oracle direciona os agentes para relatórios parametrizados e descritos previamente, reduzindo o espaço de erro dos modelos de linguagem.

   • As consultas diretas de linguagem natural para SQL geradas por LLMs são propensas a falhas lógicas e consumo excessivo de tokens.
   • A exposição de relatórios parametrizados pré-construídos via ferramentas MCP substitui a geração de código SQL arbitrário.
   • O armazenamento de metadados e o acesso ao código dos relatórios auxiliam o agente a compreender a estrutura dos dados.
3. 11:18 - 19:26

   Desempenho, Ambientes Seguros e Documentação de Esquemas

   Os agentes de IA auxiliam na identificação de gargalos de desempenho e na criação de perfis estatísticos de dados, desde que operem em ambientes isolados e seguros, como instâncias DataGuard. Além disso, a conversão de documentações corporativas e wikis em metadados estruturados de esquema acelera a compreensão dos dados pelos novos colaboradores e pelos próprios bots.

   • As investigações de desempenho com IA devem ocorrer em instâncias de espera somente leitura para proteger os ambientes de produção.
   • A documentação de esquemas por meio de resumos em texto compactado otimiza o uso de contexto pelos agentes de IA.
   • Ferramentas de anotação convertem conteúdos de repositórios externos em metadados úteis para o banco de dados.
4. 19:26 - 21:28

   Segurança Profunda e Considerações Finais

   A segurança da informação em sistemas integrados com IA deve residir primordialmente na camada do banco de dados. Através da integração com o logon único corporativo, como o Azure Entra ID, o sistema aplica regras de acesso estritas que impedem a exposição de dados confidenciais, como salários e informações restritas, independentemente da ferramenta ou agente utilizado.

   • A autenticação baseada em SSO determina os escopos e funções do usuário na organização.
   • O banco de dados filtra dinamicamente os resultados sensíveis antes de retorná-los ao agente de IA.
   • A Oracle disponibiliza recursos de ferramentas MCP e pipelines RAG automatizados para implantações ainda no mesmo ano.