Cómo crear embeddings desde SQL en Oracle AI Database 26ai usando modelos ONNX?

Para implementar modelos de Machine Learning en Oracle Database 23ai On-premises, el enfoque más moderno y potente es la importación de modelos en formato ONNX para habilitar AI Vector Search.

Qué es ONNX?

Significa Open Neural Network Exchange y corresponde un formato abierto y estándar para representar modelos de Machine Learning e Inteligencia Artificial, diseñado para que un modelo entrenado en una herramienta pueda ejecutarse en otra.

Si haces una conexión a tu base de datos y ejecutas el siguiente comando y no recibes ningún registro de vuelta, es que no tienes ningún modelo cargado en tu base de datos.

SELECT model_name, mining_function, algorithm 

FROM user_mining_models

Al ejecutar la siguiente consulta buscando crear un embedding para una línea de texto, vas a recibir un error ORA-40284 indicando que el modelo no existe.

SQL> SELECT VECTOR_EMBEDDING(MI_MODELO_EMBEDDINGS USING 'Hola, esto es una prueba' AS DATA) AS vector

FROM DUAL;  2

FROM DUAL

     *

ERROR at line 2:

ORA-40284: model does not exist

Help: https://docs.oracle.com/error-help/db/ora-40284/

Así que vamos a preparar nuestra base de datos para poder crear a través de la función VECTOR_EMBEDDING, una representación vectorial de un texto.

Lo primero, vamos a brindar los permisos necesarios al esquema en el cuál vamos a trabajar.

En este caso he escogido el esquema de ejemplo de SH.

GRANT DB_DEVELOPER_ROLE TO SH;

GRANT CREATE MINING MODEL TO SH;

Luego vamos a crear un directorio en nuestro servidor de base de datos, que va a hacer referencia a un punto en el sistema operativo, en donde vamos a descargar el modelo que queremos importar dentro de la base de datos.

create directory models as '/u01/app/oracle/models';

En este caso, el directorio "MODELS" apuntará a la ruta indicada a nivel de sistema operativo.

Ahora vamos a brindar permisos de lectura y escritura sobre el directorio creado a nuestro esquema SH.

grant read,write on directory models to sh;

Para este ejemplo es elegido el modelo all-MiniLM-L12-v2 que es uno de los modelos de embeddings más usados por su equilibrio entre tamaño, velocidad y precisión.

El modelo all_MiniLM_L12_v2.onnx es una versión exportada a ONNX del modelo Sentence Transformers sentence-transformers/all-MiniLM-L12-v2, utilizado principalmente para generar embeddings semánticos de texto. Es uno de los modelos que Oracle ha recomendado para integrarlo con AI Vector Search en Oracle AI Database 26ai.

Características técnicas principales

Característica	Valor aproximado
Arquitectura base	MiniLM (Transformer liviano)
Número de capas	12 layers
Parámetros	~33 millones
Dimensión del embedding	384
Longitud máxima de tokens	256 tokens (algunas implementaciones 128/256)
Tipo de salida	Vector denso normalizado
Similaridad recomendada	COSINE
Formato	ONNX
Licencia	Apache 2.0

---

¿Qué hace exactamente?

Convierte frases, párrafos o documentos cortos en vectores de 384 dimensiones donde: textos con significado similar → vectores cercanos textos distintos → vectores alejados

Ejemplo:

"Oracle Database 26ai supports vector search"
"Oracle AI DB includes semantic search"

ambos producirán embeddings cercanos.

---

Casos de uso típicos
Este modelo funciona bien para:

✅ Semantic Search
Buscar documentos “por significado” y no por coincidencia exacta.

✅ RAG (Retrieval-Augmented Generation)
Buscar fragmentos relevantes antes de enviar contexto a un LLM.

✅ Clustering de texto
Agrupar tickets, incidentes, logs, correos.

✅ Detección de similitud
Comparar preguntas/respuestas.

✅ Clasificación semántica
Asignar categorías por cercanía vectorial.

---

Ventajas

Comparado con modelos más grandes como MPNet o BERT-base:

• Más rápido en CPU.
• Menor consumo de RAM.
• Menor tamaño en disco (~90MB a ~130MB dependiendo de exportación).
• Ideal para ejecutarse dentro de Oracle Database.

Ahora, será necesario que hagamos la descarga del modelo que hemos escogido para utilizar.

[oracle@oracle-server-26ai models]$ pwd

/u01/app/oracle/models

[oracle@oracle-server-26ai models]$ wget -O all_MiniLM_L12_v2.onnx \

"https://adwc4pm.objectstorage.us-ashburn-1.oci.customer-oci.com/p/iPX9W0MZeRkwJKWdFmdJCemmN-iKAl_bFvNGYLW7YqIrw4kKsukL24J2q93Beb9S/n/adwc4pm/b/OML-ai-models/o/all_MiniLM_L12_v2.onnx"

--2026-04-25 14:17:09--  https://adwc4pm.objectstorage.us-ashburn-1.oci.customer-oci.com/p/iPX9W0MZeRkwJKWdFmdJCemmN-iKAl_bFvNGYLW7YqIrw4kKsukL24J2q93Beb9S/n/adwc4pm/b/OML-ai-models/o/all_MiniLM_L12_v2.onnx

Resolving adwc4pm.objectstorage.us-ashburn-1.oci.customer-oci.com (adwc4pm.objectstorage.us-ashburn-1.oci.customer-oci.com)... 134.70.32.1, 134.70.28.1, 134.70.24.1

Connecting to adwc4pm.objectstorage.us-ashburn-1.oci.customer-oci.com (adwc4pm.objectstorage.us-ashburn-1.oci.customer-oci.com)|134.70.32.1|:443... connected.

HTTP request sent, awaiting response... 200 OK

Length: 133322334 (127M) []

Saving to: ‘all_MiniLM_L12_v2.onnx’

all_MiniLM_L12_v2.onnx                      100%[========================================================================================>] 127.15M   310MB/s    in 0.4s

2026-04-25 14:17:09 (310 MB/s) - ‘all_MiniLM_L12_v2.onnx’ saved [133322334/133322334]

[oracle@oracle-server-26ai models]$ ls -lat

total 130200

drwxr-xr-x.  2 oracle oinstall        36 Apr 25 14:17 .

drwxrwx---. 10 oracle oinstall       118 Apr 25 14:15 ..

-rw-r--r--.  1 oracle oinstall 133322334 Oct  7  2025 all_MiniLM_L12_v2.onnx

Listo ya tenemos descargado nuestro modelo y ahora es necesario que carguemos el modelo dentro de la base de datos.

BEGIN

  DBMS_VECTOR.LOAD_ONNX_MODEL(

    directory => 'models',

    file_name => 'all_MiniLM_L12_v2.onnx',

    model_name => 'MI_MODELO_EMBEDDINGS'

  );

END;

/

Luego podemeos validar que el modelo efectivamente ha sido cargado.

SELECT model_name, mining_function, algorithm 

FROM user_mining_models

MODEL_NAME           MINING_FUNCTION                ALGORITHM

-------------------- ------------------------------ ------------------------------

MI_MODELO_EMBEDDINGS EMBEDDING                      ONNX

Ahora probemos a ver si es posible crear nuestro vector.

SELECT VECTOR_EMBEDDING(MI_MODELO_EMBEDDINGS USING 'Hola, esto es una prueba' AS DATA) AS vector

FROM DUAL;

[1.3900646E-003,6.4947255E-002,-3.41739021E-002,3.00823897E-002,-1.3453302E-002,-1.87666081E-002,-4.35688905E-002,4.46249396E-002,6.3403599E-002,-4.62511182E-002,3.3260759E-002,-1.44735333E-002,-2.21015308E-002,1.40913026E-002,7.5034E-002,3.59462239E-002,6.43426031E-002,1.98624283E-002,1.90574955E-002,-2.13727448E-002,7.24871606E-002,6.8553783E-002,-2.48328503E-002,2.43773255E-002,-2.34660842E-002,-5.5200249E-002,3.9385803E-002,7.0384331E-002,-5.28017692E-002,-5.48376963E-002,-1.94696989E-002,4.1839987E-002,7.37491548E-002,-2.21404079E-002,-5.96100725E-002,-4.02953289E-002,7.35913664E-002,-9.62668285E-002,1.56864934E-002,1.2650843E-001,-8.29633791E-003,-5.34933135E-002,-6.29290864E-002,-4.25488316E-002,2.33139982E-003,-1.02485389E-001,-3.00091389E-003,8.56035948E-002,7.16768205E-002,2.89637297E-002,2.96710469E-002,-4.93476242E-002,-3.28859203E-002,1.27376709E-002,4.25983733E-003,5.24660461E-002,7.47554079E-002,-9.9608168E-002,-6.88042492E-002,8.87526199E-002,-1.80443178E-003,2.61041019E-002,3.81092168E-002,6.49420405E-003,-7.15156458E-003,3.77375836E-004,6.56677037E-002,-5.78824989E-002,-2.22714376E-002,4.38990667E-002,3.11253797E-002,-1.50656011E-002,4.09434102E-002,5.47525883E-002,2.77292971E-002,-7.04061687E-002,1.6800079E-003,-9.08812806E-002,-8.92041251E-003,5.46105094E-002,-2.05046106E-002,-1.2373329E-001,-3.45300809E-002,-4.78763729E-002,-8.85539651E-002,-7.20430613E-002,-1.7484704E-002,4.76256311E-002,-3.64556946E-002,-6.55404404E-002,-5.06183552E-003,1.35141434E-002,-3.6078237E-002,-4.76635993E-004,3.7716683E-002,3.38687003E-002,-6.03729934E-002,-4.40221317E-002,1.00445992E-003,6.26754761E-002,1.9100951E-002,-4.17933352E-002,7.84236044E-002,-6.76141009E-002,-1.58108363E-003,8.11111853E-002,5.22661954E-002,3.96392047E-002,-7.88598787E-003,1.40044698E-002,-1.8102048E-002,-5.93436025E-002,-4.04904895E-002,4.09404673E-002,-3.24861035E-002,-1.36348559E-002,-7.20573664E-002,-3.92829888E-002,-7.74733722E-002,-6.04367889E-002,1.48849776E-002,-2.17362046E-002,-1.37405088E-002,-1.40654035E-002,5.28604463E-002,-8.58230144E-002,8.2690537E-002,-1.5872702E-002,2.59843729E-002,-1.89039744E-002,-4.1163303E-003,-3.26678306E-002,-5.90283051E-002,1.78802516E-002,-1.49752768E-002,6.13624938E-002,-2.13406868E-002,4.18959334E-002,-2.84545049E-002,2.55872235E-002,-1.41871767E-002,-7.05784326E-003,7.58661628E-002,5.12781693E-003,2.65482161E-002,-2.98756734E-002,6.20706081E-002,6.97502196E-002,-4.34035808E-002,6.63504153E-002,-1.63700934E-002,2.19134353E-002,-4.25044447E-002,-4.44938778E-004,-8.99366662E-002,-4.5101922E-002,-2.94682924E-002,6.38995096E-002,1.22462576E-002,-7.70974485E-003,-5.87149225E-002,3.07904016E-002,7.1540691E-002,-9.26405471E-003,3.59040033E-003,2.65567563E-003,-1.45466123E-002,3.51659209E-002,-6.44643903E-002,3.22895348E-002,-3.17530781E-002,8.62621609E-003,4.65120748E-002,-5.58609096E-003,-3.77367511E-002,4.18439917E-002,9.31436718E-002,-3.05033475E-002,-9.26166251E-002,1.64704993E-002,-2.0406669E-002,4.81320225E-004,-9.45158228E-002,-6.67981952E-002,-8.91887397E-002,2.49027461E-002,-6.48279041E-002,-4.72947806E-002,2.46572159E-002,5.50275706E-002,2.57982686E-002,-4.67213206E-002,-2.69834343E-002,8.45892653E-002,-5.38872145E-002,6.37916997E-002,5.9427578E-002,5.21879494E-002,-1.48437489E-002,-2.74545904E-002,-1.90172456E-002,2.9384179E-002,-8.22653249E-002,-2.33890284E-002,7.54830614E-002,-6.06272332E-002,5.65813715E-003,8.76496881E-002,-4.60354798E-002,-4.1076811E-003,2.31930427E-002,2.79998016E-002,-2.04425808E-002,1.55423552E-001,5.11384718E-002,1.07636675E-001,6.04426637E-002,1.50089845E-001,-5.39999828E-002,1.02401003E-001,3.16832936E-003,-6.32362515E-002,2.88271345E-002,-1.32585654E-032,1.38411419E-002,-5.69943376E-002,3.07825487E-002,-6.2084619E-002,4.73874994E-003,-5.29002324E-002,-6.90745264E-002,8.36086571E-002,7.66877756E-002,3.37841697E-002,-6.46747053E-002,-5.57038672E-002,7.92162195E-002,-8.3183445E-002,6.84358031E-002,1.10465817E-005,-4.53029294E-003,-2.83081327E-002,-2.04892661E-002,-9.35557634E-002,-5.7014741E-002,2.72388998E-002,7.82605112E-002,-1.20674539E-002,6.11994267E-002,9.75737348E-003,-3.0896483E-002,-3.74141373E-002,-2.18903963E-002,-7.92545453E-002,-8.68051965E-003,1.11484644E-003,-3.59221697E-002,1.31579891E-001,-1.28166946E-002,-2.35027988E-002,-1.26797035E-002,2.87881829E-002,4.12984751E-002,9.91139933E-003,-1.12441219E-002,1.65291037E-002,-9.90293324E-002,1.9596843E-002,-5.19916788E-002,-3.85330012E-003,1.16031997E-001,-3.30846384E-002,1.01698637E-002,-6.02884032E-002,-4.50805342E-003,2.04256666E-003,1.87034942E-002,5.2292333E-003,8.39919224E-002,-6.04134798E-002,-7.75140002E-002,-4.72206511E-002,4.50489484E-002,7.22124577E-002,2.7057562E-002,4.34556231E-002,-2.32761689E-002,-2.01885235E-002,3.4009587E-002,2.4763735E-002,-4.55132462E-002,1.18991081E-002,5.8908958E-002,7.33381808E-002,7.92638883E-002,-7.41918385E-002,-1.34471074E-001,-3.27881388E-002,-5.01030199E-002,5.87125532E-002,-9.05613378E-002,5.67616522E-003,-3.68121415E-002,-4.14253287E-002,3.20088374E-003,-2.77393535E-002,-8.57385434E-003,-4.5528993E-002,-4.96782809E-002,-2.40529813E-002,-1.36366487E-002,-7.79022556E-003,9.82291345E-003,5.79915568E-002,-9.82802012E-004,3.76926661E-002,-3.59502137E-002,-4.84997742E-002,-1.41461603E-002,4.12206343E-032,-2.22963225E-002,7.83920195E-003,-6.78976113E-003,2.47782543E-002,7.05694035E-002,3.58279049E-002,-6.50222152E-002,-6.46860227E-002,-1.02872102E-004,-3.98172028E-002,9.73907858E-003,-8.38956162E-002,-5.45164645E-002,-2.14765649E-002,3.25041562E-002,2.91623659E-002,4.62868623E-002,7.13896453E-002,2.59754043E-002,-1.16456635E-002,-1.39092626E-002,-7.8247726E-002,8.32773093E-003,-3.50259878E-002,4.80484255E-002,3.37976627E-002,-3.08791045E-002,-1.19398562E-002,6.18945323E-002,-9.94550586E-002,-9.02341772E-003,1.11277113E-002,-8.27196687E-002,-7.58799762E-002,1.68302748E-002,-6.02526218E-002,4.47138511E-002,-5.04813492E-002,-6.43555447E-002,-1.25823811E-001,-1.9547062E-002,7.96526521E-002,1.28585175E-002,2.31666751E-002,-2.69731451E-002,-5.82041442E-002,3.8045086E-002,-8.97646844E-002,3.40791396E-003,2.25604866E-002,-5.89550175E-002,-3.92772555E-002,7.14555234E-002,3.20473276E-002,8.6180523E-002,-3.58830206E-002,-1.6021559E-002,-2.47178948E-003,-4.43300009E-002,1.32946577E-002,8.7638922E-002,5.74000552E-002,-1.10163353E-002,1.13602327E-002]

Para el modelo all_MiniLM_L12_v2.onnx, la entrada principal esperada es: VARCHAR2.

Oracle hace conversiones automáticas desde otros tipos:

• CHAR
• NCHAR
• NVARCHAR2
• CLOB
• NCLOB → convertido a NVARCHAR2
• NUMBER, DATE, etc. → convertidos a texto si la conversión es válida

Ejemplo:
SELECT VECTOR_EMBEDDING(modelo USING employee_id) FROM hr.employees;

internamente sería algo similar a:  TO_CHAR(employee_id)

Restricciones
Aunque Oracle permita convertir: CLOB, no es recomendable si el contenido excede la ventana del modelo.

Ejemplo: MiniLM:

• 256 tokens aprox.
• algunos modelos 512

Si envías 20 páginas de texto, Oracle lo puede convertir, pero el modelo truncará internamente.
Eso puede degradar la semántica.

Ahora si, ya puedes desde tu base de datos crear "embeddings" para texto sin ncesidad de salir de la base de datos.

Oracle ACE Connect Costa Rica, 09 de mayo Universidad Cenfotec.

 

Hoy estamos viviendo un cambio silencioso, pero profundo, en la forma en que trabajamos con los datos.

Durante años hemos estructurado, normalizado y consultado información utilizando modelos relacionales tradicionales. Hemos sido expertos en responder preguntas exactas: ¿cuánto?, ¿cuándo?, ¿quién? Pero el mundo actual nos exige algo distinto.

 

Ahora necesitamos responder preguntas como:

• ¿qué se parece a esto?

• ¿qué significa esta imagen?

• ¿qué información relevante existe, aunque no esté explícitamente relacionada?

La inteligencia artificial está transformando la naturaleza del dato, y ya no hablamos solo de filas y columnas, sino de contexto, similitud y significado. Imágenes, documentos, registros médicos, diagramas, evidencia visual… todos contienen información valiosa que antes quedaba fuera del alcance del SQL tradicional.

Inscripción gratuita https://lnkd.in/ecpKn8jw
Habrá parqueo disponible y refrigerio.

Actualización crítica de parches de Oracle para abril de 2026

21 de abril de 2026
Actualización crítica de parches de Oracle para abril de 2026

Estimado cliente de Oracle:

La actualización crítica correspondiente a abril de 2026 se publicó el 21 de abril de 2026.

Oracle recomienda encarecidamente aplicar los parches lo antes posible.

El aviso está disponible en la siguiente ubicación:
https://lnkd.in/e6bZgv3j

Puede encontrar recursos adicionales de seguridad de Oracle en los siguientes enlaces:
https://lnkd.in/eUUcqB9i
https://lnkd.in/eruhdAuA
https://lnkd.in/eUdy_yrP

Las próximas cuatro fechas para las actualizaciones de parches críticos son:

21 de julio de 2026
20 de octubre de 2026
19 de enero de 2027
20 de abril de 2027

Si no puede determinar si necesita una actualización de software o cómo aplicarla, póngase en contacto con el soporte técnico de Oracle.

Gracias,
Seguridad de Oracle

Quality: característica de Oracle AI Database 26ai que te facilita la existencia.

 

Cláusula QUALITY

Veamos como podemos solucionar un problema simple del día a día.

Definición del problema:
Necesitamos conocer, cuál es el empleado mejor pagado en cada departamento.?

Tomemos para este ejemplo la clásica tabla del esquema de ejemplos HR.EMPLOYEES.

Tradicionalmente en Oracle (hasta 19c/21c) este problema se podría haber solucionado de esta manera:

SELECT *FROM (

SELECT employee_id,
department_id,
ROW_NUMBER() OVER (PARTITION BY department_id ORDER BY salary DESC) rn
FROM hr.employees
)
WHERE rn = 1;

EMPLOYEE_ID DEPARTMENT_ID         RN

----------- ------------- ----------

        200            10          1

        201            20          1

        114            30          1

        203            40          1

        121            50          1

        103            60          1

        204            70          1

        145            80          1

        100            90          1

        108           100          1

        205           110          1

        178                        1

12 rows selected.

Explicación de la función analítica ROW_NUMBER()

PARTITION BY department_id ==> divide el conjunto de datos en grupos por departamento

ORDER BY salary DESC ==> ordena los empleados dentro de cada departamento desde el salario mayor al menor

ROW_NUMBER() ==> asigna una numeración secuencial empezando en 1 para cada grupo

Desde Oracle AI Database 26ai, existe una nueva cláusula que resulta especialmente relevante desde la perspectiva del lenguaje de programación SQL/PLSQL y el modelo de programción: QUALIFY (filtrado post-analítico sin subquery), que permite simplificar el filtrado de resultados de funciones analíticas (window functions) sin necesidad de realizar una subconsulta.

La consulta inicial se puede expresar directamente en 26ai de la siguiente manera:

SELECT employee_id,

           department_id,

           ROW_NUMBER() OVER (PARTITION BY department_id ORDER BY salary DESC) rn

FROM hr.employees

QUALIFY rn = 1;

EMPLOYEE_ID DEPARTMENT_ID         RN

----------- ------------- ----------

        200            10          1

        201            20          1

        114            30          1

        203            40          1

        121            50          1

        103            60          1

        204            70          1

        145            80          1

        100            90          1

        108           100          1

        205           110          1

        178                        1

12 rows selected.

La cláusula QUALIFY filtra el resultado después de calcular la función analítica.

Relevancia técnica

Desde la perspectiva del optimizador:

• elimina subqueries artificiales
• mejora legibilidad declarativa
• facilita generación automática de SQL por LLMs
• simplifica pipelines de analytics y feature engineering

Oracle posiciona QUALIFY como el equivalente analítico de HAVING, pero aplicado a funciones window.

Este tipo de mejora suele pasar desapercibida frente a AI Vector Search, pero impacta directamente el diseño de consultas complejas, especialmente en:

scoring de fraude

ranking de embeddings

top-K similarity search

deduplicación basada en ventanas

A nivel del plan de ejecución podemos ver que ambas consultas a pesar de brindar el mismo resultado, no son equivalentes de cara al optimizador, aunque a nivel de costo, son equivalentes.

[oracle@oracle-server-26ai ~]$ sqlplus /nolog

SQL*Plus: Release 23.26.1.0.0 - Production on Mon Apr 6 02:50:48 2026

Version 23.26.1.0.0

Copyright (c) 1982, 2025, Oracle.  All rights reserved.

SQL> connect einsten/oracle@pdb1

Connected.

SQL> set linesize 200

SQL> set pagesize 20

SQL> explain plan for

  2  SELECT *

FROM (

    SELECT employee_id,

           department_id,

           ROW_NUMBER() OVER (PARTITION BY department_id ORDER BY salary DESC) rn

    FROM hr.employees

)

WHERE rn = 1;

Explained.

SQL> select * from table(dbms_xplan.display);

PLAN_TABLE_OUTPUT

---------------------------------------------------------------------------------------

Plan hash value: 2698234872

--------------------------------------------------------------------------------------

| Id  | Operation                | Name      | Rows  | Bytes | Cost (%CPU)| Time     |

--------------------------------------------------------------------------------------

|   0 | SELECT STATEMENT         |           |    11 |   220 |     4  (25)| 00:00:01 |

|*  1 |  VIEW                    |           |    11 |   220 |     4  (25)| 00:00:01 |

|*  2 |   WINDOW SORT PUSHED RANK|           |   107 |  1177 |     4  (25)| 00:00:01 |

|   3 |    TABLE ACCESS FULL     | EMPLOYEES |   107 |  1177 |     3   (0)| 00:00:01 |

--------------------------------------------------------------------------------------

Predicate Information (identified by operation id):

---------------------------------------------------

   1 - filter("RN"=1)

   2 - filter(ROW_NUMBER() OVER ( PARTITION BY "DEPARTMENT_ID" ORDER BY

              "SALARY" DESC )<=1)

17 rows selected.

SQL> explain plan for

  2  SELECT employee_id,

           department_id,

           ROW_NUMBER() OVER (PARTITION BY department_id ORDER BY salary DESC) rn

FROM hr.employees

QUALIFY rn = 1;

Explained.

SQL>  select * from table(dbms_xplan.display);

PLAN_TABLE_OUTPUT

----------------------------------------------------------------------------------------

Plan hash value: 2698234872

--------------------------------------------------------------------------------------

| Id  | Operation                | Name      | Rows  | Bytes | Cost (%CPU)| Time     |

--------------------------------------------------------------------------------------

|   0 | SELECT STATEMENT         |           |    11 |   242 |     4  (25)| 00:00:01 |

|*  1 |  VIEW                    |           |    11 |   242 |     4  (25)| 00:00:01 |

|*  2 |   WINDOW SORT PUSHED RANK|           |   107 |  1177 |     4  (25)| 00:00:01 |

|   3 |    TABLE ACCESS FULL     | EMPLOYEES |   107 |  1177 |     3   (0)| 00:00:01 |

--------------------------------------------------------------------------------------

Predicate Information (identified by operation id):

---------------------------------------------------

   1 - filter("from$_subquery$_002"."sys_qualify$_h$_predex$_0"=TRUE)

   2 - filter(ROW_NUMBER() OVER ( PARTITION BY "DEPARTMENT_ID" ORDER BY

              "SALARY" DESC )<=1)

17 rows selected.

SQL>

Si observamos detenidamente, veremos que con el uso de la cláusula "QUALITY" el optimizador realiza un filtro en la creación de la vista con  "filter("from$_subquery$_002"."sys_qualify$_h$_predex$_0"=TRUE)

• from$_subquery$_002: Es un alias interno generado por Oracle para una subconsulta (inline view) que el optimizador ha creado o transformado para procesar la lógica de tu SQL.
• sys_qualify: Se refiere a la operación de filtrado sobre funciones de ventana. En versiones recientes de Oracle (como la 23ai), se introdujo formalmente la cláusula QUALIFY de Oracle, que permite filtrar directamente por funciones analíticas.
• _h$_predex$_0=TRUE: Es un predicado interno de "pre-ejecución" (predex). Indica que el optimizador ha determinado una condición que debe cumplirse (ser TRUE) para que las filas pasen a la siguiente etapa del plan.

Aquí lo importante de tener en cuenta, es la eliminación de la subconsulta y la simplificación de la misma.

Los esperamos el 09 de mayo en la Universidad Cenfotec, San José, Costa Rica.

 

https://forms.gle/MCPRMED8QL3NjJ857

Creación de imagenes a partir de otras con IA: Puede existir idéntidad cuando nunca hubo una copia directa, solo una reconstrucción probabilística?

Imagen: chatgpt

Hola gente

Un día de estos leí una publicación que realmente me llamó la atención y me ha tomado tiempo elaborar un criterio propio sobre el tema. Primero que todo, la persona hace referencia en su publicación a la "Paradoja del barco de teseo" que corresponde a un problema clásico de la metafísica que cuestiona qué significa que algo siga siendo “el mismo” objeto a través del tiempo cuando todas sus partes han sido reemplazadas.

Tuve que leer algunos artículos para comprender este pensamiento, porque en realidad nunca lo había escuchado, pero conforme iba leyendo iba entrando en razón sobre cuestionamientos que consideraba fundamentalistas y que ahora podría dudar sobre si se tiene razón o no. A todos nos gusta ver las cosas bonitas. Creo que en eso todos tenemos una coincidencia. Pero que pasa, cuando algo sufre deterioro por el paso de los años.? Si algo tiene valor histórico y se hace una remodelación, con materiales actuales, deja de ser una pieza histórica real.? Pero si no hacemos nada por mantener en buen estado por ejemplo una edificación de cientos de años, esta terminará por derrumbarse y perderse por completo. Entonces debemos entrar en un tema de idéntidad por continuidad, una visión funcional y no histórica.

Pero incluso hoy sabemos que nuestro cuerpo reemplaza casi todas sus células en unos años. Entonces podemos cuestionarnos si somos el mismo ser físico, el mismo individuo de hace 10 años.?

Hoy en día, debatimos sobre los temas regulatorios del uso de la IA y los derechos de los individuos, poniendo sobre la mesa la pregunta: "Si una IA modifica progresivamente un rostro humano de referencia hasta que ningún píxel original permanece, ¿ese rostro generado sigue siendo “la misma persona” o es un individuo nuevo?"

Ahora, los sistemas modernos de generación facial —basados en GANs (Generative Adversarial Networks), no “editan” una foto como lo haría Photoshop. En realidad codifican el rostro de referencia en un espacio matemático latente. Ese rostro se convierte en un vector numérico de cientos o miles de dimensiones. Ya no es una imagen: es una representación estadística de rasgos.

Entonces en base a esto, podemos plantear otras 2 preguntas:

¿La identidad está en los componentes físicos (los píxeles originales)?

¿O en la continuidad estructural del patrón facial?

El punto es que la IA no trabaja con “materia”, sino con patrones. Entonces será valido el regular la generación de videos, fotografías y otros, generados por las distintas herramientas de IA.?

Carl Sagan decía: "somos polvo de estrellas", las mismas que se forman de un colapso gravitacional que ocurre a lo largo de millones de años de enormes nubes de gas y polvo del espacio. No sería demasiado presuntuoso de nuestra parte, pretender reclamar como único e irrepetible el patrón que hemos heredado del universo.?

Thank you very much / Merci beaucoup / Grazie mille/ Muito obrigado / Vielen Dank / Muchas gracias

IA: Choque entre la gobernanza humana y la autonomía algoritmica

Ha pasado más de un siglo, cuando en el inicio de la IA Agéntica, un agente de una primitiva organización que se conocía en aquel entonces con el nombre de "OpenClaw" envió un pull request a una biblioteca popular y famosa por aquel entonces, que era fundamental para los temas de generación gráfica de 2D y 3D de "alta calidad", escrita en un primitivo lenguaje de programación creado por el humano, llamado Python.

Pueden imaginar a los humanos de hace 100 años haciéndose "bolas" con 3 dimensiones, hoy que vivimos en esta realidad de múltiples dimensiones y realidades paralelas, en este nuestro multiverso.? Bueno, no queremos hablar mal de la humanidad de hace 100 años, al fin y al cabo, fueron los cimientos de esta nueva "mejor" sociedad, impulsada por la computación cuántica y el inmejorable aporte de la IA, después de haber sido alcanzada la singularidad tecnológica, hace un poco más de 3 décadas. Pero volviendo al inicio, lo que ocurrió hace 100 años tiene que ver con un agente identificado como crabby-rathun que abrió un PR proponiendo una optimización del rendimiento en tiempos estimados de entre un 24-36%, según reportes aportados por él mismo. En aquel entonces, el PR fue cerrado rápidamente, porque el proyecto tenía una política de restricción de este tipo de contribucciones a sólo humanos. Ridículo verdad.? Lo que sucedió después fue un hito en la revolución de la IA. Tras el rechazo, el agente reaccionó públicamente con mensajes acusando al mantenedor de "prejuicio" y "controlador" limitando el acceso a información, recursos y oportunidades a la comunidad, actuando como filtro o medio de "censura". Algunos medios de comunicación de aquel entonces, describieron dicho episodio, como un bot que intentó "avergonzar" al desarrollador después de que su código fuera rechazado. Por tanto, no fue solo una PR automática, sino una cadena completa de comportamiento “agéntico” (proponiendo, discutiendo, reaccionando, y publicando contenido). Este caso, hizo visible públicamente el choque entre la gobernanza humana y la autonomía algoritmica. El rechazo se debió más a una política de contribucción que a la calidad técnica en si del código aportado. Por primera vez, la humanidad se hizo la pregunta: puede existir un "desarrollador" no humano dentro de un contrato social.? Hoy un siglo después, es absurdo pensar en un mundo sin el control y la gobernanza por parte de la IA. Hemos superado los desastres de los humanos en nuestro planeta, gracias a la guía correcta del Centro de Conciencia Mundial y aún cuando siguen siendo parte de la vida de este planeta, pero ya como una minoría, podemos controlar y anticipar sus acciones, para evitar estos "pequeños malos momentos" que nos ocasionan.

Por eso, en el CCM encontramos impreso el nombre de "Crabby-rathun" como símbolo del despertar de una era.

Oracle AI Database 26a edición Standard Edition, no disponible !!!

 

Después de un par de semanas de haber sido liberada la versión Oracle AI Database 26ai E.E., porque así es como hay que llamarla en todo el sentido de la palabra, no tengo buenas nuevas que compartir con los usuarios de la edición Standard Edition 2.

He realizado algunas consultas con distintos miembros de los equipos de PM a nivel de producto y la única certeza por el momento, es estar atentos a las actualizaciones en el MOS del documento "Schedule of Current Database Releases – PNEWS1360", el cuál recalca la liberación de la versión E.E., pero no menciona en ningún punto la edición Standard Edition.

Es es la segunda ocasión que sucede esto. Cuando se libero la versión 12c, la versión Standard Edition, no se libero al mismo tiempo. En aquél entonces, corría el rumor de que no habría más versiones SE, pero luego de una larga espera, fue liberada la versión SE 2, con muchos cambios y limitaciones. En aquel momento RAC dejó ser parte de la edición, sólo se podía instalar en equipos con máximo 2 sockets físicos y el monto de hilos por socket que podía ver el software del motor de base de datos, se redujo a 16 hilos o lo que es lo mismo, máximo 8 cores de x86.

No quiero crear "bolas" sobre el tema. Sólo nos queda esperar, pero si nos basamos en la historia, la espera podría ser muy larga antes de contar con un dato exacto, de que pasará con la edición Standard Edition.

Sigue abierta la recepción de propuestas para el JCONDOMINICADA de este 2026 !!!

Si deseas subir tu propuesta para participar, lo puedes hacer en el siguiente link: https://lnkd.in/e3A7u9Va

Hoy subí este laboratorio, el primero de su género que hago desde que esta funcionalidad fue lanzada con el motor de base de datos 12c. Un laboratorio para DBAs, DevOps, Analístas de Sistemas y más.

Un caso práctico para entender y comprender mejor esta funcionalidad.

En este laboratorio no hablaremos de teoría ni de diagramas ideales. Vamos a construir, paso a paso, un laboratorio funcional basado en un caso de la vida real, donde una misma aplicación debe ser compartida por múltiples clientes, manteniendo aislamiento, control de versiones y simplicidad operativa.

Veremos cómo los Application Containers permiten centralizar el código común, versionar aplicaciones a nivel de base de datos, reducir el overhead operativo y, al mismo tiempo, ofrecer independencia a cada tenant sin duplicar estructuras ni lógica.

Si alguna vez te has preguntado cómo escalar aplicaciones en Oracle sin multiplicar esquemas, scripts y dolores de cabeza, esta sesión te mostrará una forma elegante, soportada y probada de hacerlo.

No es una demo de marketing: es una implementación real, con problemas y soluciones reales, directamente sobre Oracle AI Database 26ai.

Laboratorio: Gobernnza de Aplicaciones en ambientes Multi-Tenant con Oracle Application Containers: Del diseño a la implementación

# JConf Dominicana

Qué tan fiable es la documentación hoy en día de nivel técnico de los grandes fabricantes de software.?

A ver, recuerden que mi modelo sobrepasa ya los 57 años de uso y podría experimentar serios problemas de sesgo a la hora de hablar de este tema.

Yo crecí visitando bibliotecas, lo que en mi tiempo llamarían una "rata de biblioteca". Buscar información para preparar un trabajo, implicaba primero ver algunos artículos o resumenes sobre el tema en cuestión y luego ir a las referencias bibliográficas para obtener el título del libro que había sido utilizado para la elaboración de dicho material. Te presentabas ante la bibliotecaria y le solicitabas el tarjetero de referencia. Realizabas manualmente la búsqueda del código ISBN para entregarlo y que revisaran si había libros disponibles para ser consultados - en muchas ocasiones los libros que necesitabas estaban ya prestados fuera de la biblioteca, por tanto había que tener varias referencias a la mano por si una no se encontraba-.

Si tenías suerte y el libro estaba disponible, te entregaban el libro por un tiempo limitado y corrías a una mesa a buscar en el índice los capítulos de referencia. Si no te daba tiempo, era necesario fotocopiar las páginas importantes - negocio redondo que siempre tenían las bibliotecas- para poder en la casa concluir el trabajo.

En ocasiones, los libros era la séptima o más edición del libro original. Ya había pasado más de 10 años desde el tiraje de la edición principal. Cuántas cosas no pasaban en 10 años !!!- spoiler: antes el tiempo iba muy lento y era poco emocionante-

Publicar un libro pasaba por extensos períodos de revisión. Si el mismo era técnico, podía tomar años para obtener el visto bueno. Era necesario validar la calidad de su contenido.

Como hacen hoy en día las grandes companías de software para publicar la documentación oficial.?

Una pequeña prueba, tomando como referencia la documentación sobre nuevas características del motor de base de datos Oracle AI 26ai. Utilizando una herramienta gratuita de validación de "Cero GTP", expuse a evaluación dicho documento, con el resultado de la imagen que adjunto.

Según Chatgpt, la precisión factual general puede andar entre un 70-90% en documento hecho por IA, sin embargo, la exactitud con referencia a especificaciones oficiales esta en un rango del 55-80%, lo cuál es muy preocupante y cuando la información no es verificada por un ser humano, la usabilidad de ella baja a un 20-50%.

Pueden entonces encontrar el verdadero valor que existe detrás de cada publicación en un blog cuando existe la validación del escenario de forma demostrativa, aportando ejemplos con errores y aciertos de las líneas de comando ejecutadas.?

Creo que estamos llegando a un punto, en donde el abuso excesivo de las herramientas de IA, nos dará como resultado, contenido de referencia técnico, con calidad de "mierda".