很多小伙伴是不是参加了 免费认证课程（限时至2025/5/15）

Oracle AI Vector Search 1Z0-184-25考试，都顺利拿到certified了没。

各行各业的AI 大模型的到来，传统的数据库中的SQL还能不能打，结构化和非结构的话数据如何和AI交互，是否有一套SQL既可以兼容传统sql同时集成vector。

如何将企业中使用的数据保存成向量、是否有集成嵌入模型的引擎，同时给于RAG提供原料时，可以做到数据不离场、不离安全域，符合数据安全要求么。

在开始AI之前，先了解下基础概念，包括初高中几何、物理中的函数知识。

1. ​向量（Vector）​​：一种数据类型，用于表示嵌入（embedding）。在Oracle 23ai中，使用VECTOR数据类型存储。
2. ​向量嵌入（Vector Embedding）​​：将非结构化数据（如文本、图像）转换为向量表示的过程。
3. ​相似性搜索（Similarity Search）​​：通过计算向量之间的距离来查找相似的数据。支持精确搜索（Exact）和近似搜索（Approximate）。
4. ​向量索引（Vector Index）​​：加速相似性搜索的索引类型。包括：

• ​In-Memory Neighbor Graph (HNSW)​​：基于图的索引，适用于高精度搜索。
• ​Neighbor Partition (IVF)​​：基于分区的索引，适用于大规模数据。

1. ​混合向量索引（Hybrid Vector Index）​​：结合全文搜索（Oracle Text）和向量搜索的索引。
2. ​距离度量（Distance Metrics）​​：用于计算向量之间距离的函数，包括：

• 欧几里得距离（Euclidean）
• 余弦相似度（Cosine）
• 点积（Dot Product）
• 曼哈顿距离（Manhattan）
• 汉明距离（Hamming） - 用于二进制向量
• Jaccard距离 - 用于二进制向量

1. 向量构造函数​：

• TO_VECTOR：将字符串或数值数组转换为向量。
• VECTOR：是TO_VECTOR的别名。

2. ​距离函数​：

• VECTOR_DISTANCE(vector1, vector2, metric)：计算两个向量之间的距离，支持多种度量标准。
• 简写函数：L1_DISTANCE（曼哈顿距离），L2_DISTANCE（欧几里得距离），COSINE_DISTANCE（余弦距离），INNER_PRODUCT（点积），HAMMING_DISTANCE（汉明距离），JACCARD_DISTANCE（Jaccard距离）。

3. ​向量生成函数​：

• VECTOR_EMBEDDING(model_name USING data AS data)：使用指定的嵌入模型将数据转换为向量。

4. ​分块函数​：

• VECTOR_CHUNKS：将文本分块。

5. ​向量属性函数​：

• VECTOR_NORM(vector)：计算向量的范数（模长）。
• VECTOR_DIMENSION_COUNT(vector)：返回向量的维度数。
• VECTOR_DIMS(vector)：同上。
• VECTOR_DIMENSION_FORMAT(vector)：返回向量维度的格式（如FLOAT32, BINARY等）。

6. 聚合函数​：

• AVG：计算向量的平均值（仅适用于浮点向量）。
• SUM：计算向量的和（仅适用于浮点向量）。

7. 混合搜索函数​：

• DBMS_HYBRID_VECTOR.SEARCH：执行混合搜索。