Los clientes podr\u00e1n crear aplicaciones de IA generativa sin necesidad de contar con experiencia en IA, migrar datos ni pagar costos adicionales. HeatWave GenAI procesa vectores 30 veces m\u00e1s r\u00e1pido que Snowflake, 18 veces m\u00e1s r\u00e1pido que Google BigQuery y 15 veces m\u00e1s r\u00e1pido que Databricks.<\/p>\n
Oracle anunci\u00f3 hace unas semanas la disponibilidad general de HeatWave GenAI, que incluye los primeros grandes modelos de lenguaje (LLM) del sector, un almac\u00e9n de vectores automatizado en la base de datos, procesamiento de vectores escalable horizontalmente y la capacidad de mantener conversaciones contextuales en lenguaje natural basadas en contenido no estructurado. Estas nuevas funcionalidades permiten a los clientes llevar el poder de la IA generativa a sus datos empresariales sin necesidad de contar con experiencia en IA ni de migrar datos a una base de datos vectorial. HeatWave GenAI est\u00e1 disponible inmediatamente en todas las regiones de Oracle Cloud, Oracle Cloud Infrastructure (OCI) Dedicated Region y en todas las nubes sin costo adicional para los clientes de HeatWave.<\/p>\n
Con HeatWave GenAI, los desarrolladores pueden crear un almac\u00e9n de vectores para contenido empresarial no estructurado con un solo comando SQL, mediante modelos de incrustaci\u00f3n incorporados. Los usuarios pueden realizar b\u00fasquedas en lenguaje natural en un solo paso gracias a los LLM externos o la base de datos. Los datos no salen de la base de datos y, debido a la escala y el rendimiento extremos de HeatWave, no es necesario aprovisionar GPU. Como resultado, los desarrolladores pueden reducir la complejidad de las aplicaciones, impulsar el rendimiento, mejorar la seguridad de los datos y reducir costos.<\/p>\n
\u00abEl asombroso ritmo de innovaci\u00f3n de HeatWave contin\u00faa con la incorporaci\u00f3n de HeatWave GenAI a las capacidades integradas existentes de HeatWave: HeatWave Lakehouse, HeatWave Autopilot, HeatWave AutoML y HeatWave MySQL\u00bb, coment\u00f3 Edward Screven, arquitecto jefe corporativo de Oracle. \u00abLas actuales mejoras integradas y automatizadas de la IA permiten que los desarrolladores creen aplicaciones ricas en IA generativa con mayor rapidez, sin necesidad de tener conocimientos previos en el asunto ni de migrar datos. Ahora, los usuarios disponen de una forma intuitiva de interactuar con sus datos de la organizaci\u00f3n y obtener r\u00e1pidamente las respuestas precisas que necesitan para su empresa\u00bb.<\/p>\n
\u00abHeatWave GenAI consigue que resulte extremadamente sencillo aprovechar la IA generativa\u00bb, se\u00f1ala Vijay Sundhar, director ejecutivo de SmarterD. \u00abEl soporte para LLM y creaci\u00f3n de vectores en la base de datos se traduce en una reducci\u00f3n significativa de la complejidad de las aplicaciones, una latencia de inferencia predecible y, sobre todo, ning\u00fan costo adicional para nosotros al utilizar los LLM o crear las incrustaciones. Esto es realmente la democratizaci\u00f3n de la IA generativa y creemos que dar\u00e1 lugar al desarrollo de aplicaciones m\u00e1s ricas con HeatWave GenAI y ganancias significativas en la productividad de nuestros clientes\u00bb.<\/p>\n
\u2022 Los LLM en base de datos simplifican el desarrollo de aplicaciones de IA generativa a un menor costo. Los clientes pueden beneficiarse de la IA generativa sin la complejidad de la selecci\u00f3n e integraci\u00f3n de LLM externos, y sin preocuparse por la disponibilidad de LLM en los centros de datos de varios proveedores de nube. Los LLM de la base de datos permiten que los clientes busquen datos, generen o resuman contenidos y realicen una generaci\u00f3n aumentada por recuperaci\u00f3n (RAG) con HeatWave Vector Store. Adem\u00e1s, pueden combinar la IA generativa con otras capacidades integradas de HeatWave, como AutoML, para desarrollar aplicaciones m\u00e1s completas. HeatWave GenAI tambi\u00e9n se integra con el servicio OCI Generative AI para acceder a modelos fundacionales preentrenados de los principales proveedores de LLM.<\/p>\n
\u2022 El almacenamiento vectorial automatizado en la base de datos permite que los clientes utilicen IA generativa con sus documentos empresariales sin necesidad de trasladar los datos a una base de datos vectorial independiente y sin conocimientos previos de IA. Todos los pasos para crear un almac\u00e9n vectorial e incrustaciones vectoriales est\u00e1n automatizados y se ejecutan dentro de la base de datos, incluida la detecci\u00f3n de los documentos en el almacenamiento de objetos, su an\u00e1lisis sint\u00e1ctico, la generaci\u00f3n de incrustaciones de forma altamente paralela y optimizada, y su inserci\u00f3n en el almac\u00e9n vectorial, lo que hace que HeatWave Vector Store sea eficiente y f\u00e1cil de usar. El uso de un almac\u00e9n vectorial para RAG ayuda a resolver el reto de las alucinaciones de los LLM, ya que los modelos pueden buscar datos propios con el contexto adecuado para proporcionar respuestas m\u00e1s precisas y relevantes.<\/p>\n
\u2022 El procesamiento vectorial a escala ofrece resultados de b\u00fasqueda sem\u00e1ntica muy r\u00e1pidos sin p\u00e9rdida de precisi\u00f3n. HeatWave admite un nuevo tipo de datos VECTOR nativo y una mejor implementaci\u00f3n de la funci\u00f3n de distancia, lo que permite que los clientes realicen consultas sem\u00e1nticas con SQL est\u00e1ndar. La representaci\u00f3n columnar h\u00edbrida en memoria y la arquitectura escalable de HeatWave permiten que el procesamiento vectorial se ejecute con un ancho de banda cercano a la memoria y se paralelice en hasta 512 nodos HeatWave. De este modo, los clientes reciben respuestas r\u00e1pidas. Los usuarios tambi\u00e9n pueden combinar la b\u00fasqueda sem\u00e1ntica con otros operadores SQL para, por ejemplo, unir varias tablas con documentos diferentes y realizar b\u00fasquedas por similitud en todos los documentos.<\/p>\n
\u2022 HeatWave Chat es un complemento de Visual Code para MySQL Shell que proporciona una interfaz gr\u00e1fica para HeatWave GenAI y permite que los desarrolladores planteen preguntas en lenguaje natural o SQL. Lakehouse Navigator integrado permite a los usuarios seleccionar archivos del almacenamiento de objetos y crear un almac\u00e9n de vectores. Los usuarios pueden buscar en toda la base de datos o restringir la b\u00fasqueda a una carpeta. HeatWave mantiene el contexto con el historial de las preguntas formuladas, las citas de los documentos fuente y la indicaci\u00f3n al LLM. Esto facilita una conversaci\u00f3n contextual y permite que los usuarios verifiquen la fuente de las respuestas generadas por el LLM. Este contexto se mantiene en HeatWave y est\u00e1 disponible para cualquier aplicaci\u00f3n que la use.<\/p>\n
La creaci\u00f3n de un almac\u00e9n vectorial para documentos en formato PDF, PPT, WORD y HTML es hasta 23 veces m\u00e1s r\u00e1pida con HeatWave GenAI y a 1\/4 del costo de utilizar Knowledge base para Amazon Bedrock.<\/p>\n
Seg\u00fan demuestra un benchmark de terceros utilizando una variedad de consultas de b\u00fasqueda de similitud en tablas que van desde 1,6 GB a 300 GB de tama\u00f1o, HeatWave GenAI es 30 veces m\u00e1s r\u00e1pido que Snowflake y cuesta un 25 por ciento menos, 15 veces m\u00e1s r\u00e1pido que Databricks y cuesta un 85 por ciento menos, y 18 veces m\u00e1s r\u00e1pido que Google BigQuery y cuesta un 60 por ciento menos.<\/p>\n
Una prueba comparativa independiente revela que los \u00edndices vectoriales en Amazon Aurora PostgreSQL con pgvector pueden tener un alto grado de imprecisi\u00f3n y pueden arrojar resultados incorrectos. Por el contrario, el procesamiento de b\u00fasqueda de similitudes de HeatWave proporciona siempre resultados precisos, tiene un tiempo de respuesta predecible, se realiza a una velocidad cercana a la de la memoria y es entre 10 y 80 veces m\u00e1s r\u00e1pido que Aurora, utilizando el mismo n\u00famero de n\u00facleos.<\/p>\n
\u00abNos complace continuar nuestra s\u00f3lida colaboraci\u00f3n con Oracle para ofrecer la potencia y la productividad de la IA con HeatWave GenAI para cargas de trabajo y conjuntos de datos empresariales cr\u00edticos\u00bb, declar\u00f3 Dan McNamara, vicepresidente s\u00e9nior y director general de la Unidad de Negocio de Servidores de AMD. \u00abEl trabajo de ingenier\u00eda conjunto llevado a cabo por AMD y Oracle est\u00e1 permitiendo a los desarrolladores dise\u00f1ar innovadoras soluciones de IA empresarial aprovechando HeatWave GenAI impulsado por la densidad de n\u00facleo y el excepcional rendimiento-precio de los procesadores AMD EPYC\u00bb.<\/p>\n
HeatWave es el \u00fanico servicio en la nube que ofrece IA generativa automatizada e integrada y aprendizaje autom\u00e1tico juntos para transacciones y an\u00e1lisis a escala de lagos de datos. Componente central de la estrategia de nube distribuida de Oracle, HeatWave est\u00e1 disponible de forma nativa en OCI y Amazon Web Services, en Microsoft Azure a trav\u00e9s de Oracle Interconnect para Azure, y en los centros de datos de los clientes con OCI Dedicated Region y Oracle Alloy.<\/p>\n","protected":false},"excerpt":{"rendered":"
Los clientes podr\u00e1n crear aplicaciones de IA generativa sin necesidad de contar con experiencia en IA, migrar datos ni pagar costos adicionales. HeatWave GenAI procesa vectores 30 veces m\u00e1s r\u00e1pido que Snowflake, 18 veces m\u00e1s r\u00e1pido que Google BigQuery y 15 veces m\u00e1s r\u00e1pido que Databricks.<\/p>\n","protected":false},"author":1,"featured_media":15769,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"jnews-multi-image_gallery":[],"jnews_single_post":[],"jnews_primary_category":[],"jnews_social_meta":[],"jnews_override_counter":[],"footnotes":""},"categories":[12],"tags":[],"class_list":["post-15770","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-noticias-industria"],"acf":[],"yoast_head":"\n