Analytics Publisherによるデータを使用した機械学習モデルの構築 (2025/07/01)

Analytics Publisherによるデータを使用した機械学習モデルの構築 (2025/07/01)

https://blogs.oracle.com/machinelearning/post/building-machine-learning-models-using-data-through-analytics-publisher

投稿者：Shankar Duvvuri | Principal Technical Support Engineer

Oracle Autonomous Databaseを使用して機械学習モデルを構築できることはご存知かもしれませんが、Fusion ApplicationsベースのAnalytics Publisher（旧BI Publisher）レポートの出力を使用して構築できることをご存知でしたか？これらのレポートは、Fusionからデータを抽出するための承認された方法の1つであり、財務、注文管理、サプライチェーンなどのさまざまなFusionモジュールからデータを取得できます。これにより、支払いの遅延の追跡、フォローアップが必要な請求書、在庫切れの可能性がある製品など、さまざまなユースケース向けのカスタム機械学習モデルの効果的なデータソースになります。このブログでは、Analytics Publisher（AP）レポートを使用して機械学習モデルを構築するために必要な手順を説明します。 

注 - 前提条件として、 Analytics Publisher のレポート出力にアクセスし、それを Autonomous Database にテーブルとして保存する方法の詳細については、 ブログを参照してください。

APレポートとデータの例の詳細

このレポートは、Oracle Transactional Business Intelligence (OTBI) のサブジェクトエリア「売掛金 - 支払スケジュール リアルタイム」から取得したデータを使用して作成されています（下図参照）。このクエリには追加の計算式と、「Followup_Required」という列が含まれており、この列は各取引について追加のフォローアップが必要かどうかを示します。有効な値は「はい」または「いいえ」です。 

このレポートに使用されているデータは、Vision Corpのデータ（Fusion Applicationsに付属する、架空の企業Vision Corpに基づいた架空のサンプルデータ）を使用したデモポッドから取得されています。実際のレポート出力は10列で構成され、詳細は次のとおりです。

列名説明
トランザクションID取引の一意の識別子
エイジングバケット延滞バケットを「延滞1～30日」、「延滞31～60日」、「延滞61～90日」、または「延滞90日以上」として定義します。
期日からの日数支払期限からの合計日数
残高お支払いいただく残額
予想未回収額ビジネス要件に一致する計算式に基づいて回収されない可能性が高い予想金額
AR_Overdue_1_30_郡    
AR_Overdue_31_60_郡    
AR_Overdue_61_90_郡    
AR_Overdue_90plus_郡		それぞれのバケットに該当する未払い金額。各取引は一意であるため、4つのバケットのうち1つでは金額は0以外となり、残りのバケットでは0となります。
フォローアップ必須この列は、ビジネス要件に基づいた数式を使用して入力され、このトランザクションに関するさらなるフォローアップが必要かどうかを判断します。現在構築している機械学習モデルの目的は、この列の値を予測することです。

この例では、ロジスティック回帰を用いて「Followup_Required」を予測します。「Followup_Required」（ターゲット列）は、主に様々な経過期間バケットの金額値とバケットの種類に基づいて「はい」または「いいえ」に設定されるため、「Transaction_ID」、「Days_since_due」、「Expected_Uncollected_amount」、「Amount_Remaining」列は削除します。残りの列は予測の特徴量として使用されます。 

以下は、Analytics Publisher でレポートを作成する際に使用したサンプルクエリです。ご自身の環境で試してみたい方は、ぜひご覧ください。このクエリは、OTBI サブジェクトエリア「売掛金 - 支払スケジュール リアルタイム」に基づいている点にご注意ください。ご覧のとおり、未払金額と「Aging_Bucket」（現在未払金額がどのバケットに該当するか）に基づいて、「Followup_Required」列が追加されています。


クリップボードにコピーされました
エラー: コピーできませんでした
クリップボードにコピーされました
エラー: コピーできませんでした
SELECT "Receivables - Payment Schedules Real Time"."Payment Schedules Details"."Transaction ID" Transaction_ID,
   CASE WHEN TIMESTAMPDIFF(SQL_TSI_DAY,"Receivables - Payment Schedules Real Time"."Payment Schedules Details"."Due Date",CURRENT_DATE) BETWEEN 1 AND 30 THEN 'Overdue 1-30 Days' WHEN TIMESTAMPDIFF(SQL_TSI_DAY,"Receivables - Payment Schedules Real Time"."Payment Schedules Details"."Due Date",CURRENT_DATE) BETWEEN 31 AND 60 THEN 'Overdue 31-60 Days' WHEN TIMESTAMPDIFF(SQL_TSI_DAY,"Receivables - Payment Schedules Real Time"."Payment Schedules Details"."Due Date",CURRENT_DATE) BETWEEN 61 AND 90 THEN 'Overdue 61-90 Days' WHEN TIMESTAMPDIFF(SQL_TSI_DAY,"Receivables - Payment Schedules Real Time"."Payment Schedules Details"."Due Date",CURRENT_DATE)>90 THEN 'Overdue 90+ Days' ELSE 'Other (Error)' END Aging_Bucket,
   TIMESTAMPDIFF(SQL_TSI_DAY,"Receivables - Payment Schedules Real Time"."Payment Schedules Details"."Due Date",CURRENT_DATE) Days_since_due,
   "Receivables - Payment Schedules Real Time"."Payment Schedules"."Line Entered Amount Remaining" Amount_Remaining,
   CASE WHEN TIMESTAMPDIFF(SQL_TSI_DAY, "Payment Schedules Details"."Due Date", CURRENT_DATE) BETWEEN 1 AND 30 THEN .01 * "Payment Schedules"."Line Entered Amount Remaining" WHEN TIMESTAMPDIFF(SQL_TSI_DAY, "Payment Schedules Details"."Due Date", CURRENT_DATE) BETWEEN 31 AND 60 THEN .03 * "Payment Schedules"."Line Entered Amount Remaining" WHEN TIMESTAMPDIFF(SQL_TSI_DAY, "Payment Schedules Details"."Due Date", CURRENT_DATE) BETWEEN 61 AND 90 THEN .10 * "Payment Schedules"."Line Entered Amount Remaining" WHEN TIMESTAMPDIFF(SQL_TSI_DAY, "Payment Schedules Details"."Due Date", CURRENT_DATE) > 90 THEN .40 * "Payment Schedules"."Line Entered Amount Remaining" ELSE 0 END Expected_Uncollected_amout,
   case (CASE WHEN TIMESTAMPDIFF(SQL_TSI_DAY,"Receivables - Payment Schedules Real Time"."Payment Schedules Details"."Due Date",CURRENT_DATE) BETWEEN 1 AND 30 THEN 'Overdue 1-30 Days' WHEN TIMESTAMPDIFF(SQL_TSI_DAY,"Receivables - Payment Schedules Real Time"."Payment Schedules Details"."Due Date",CURRENT_DATE) BETWEEN 31 AND 60 THEN 'Overdue 31-60 Days' WHEN TIMESTAMPDIFF(SQL_TSI_DAY,"Receivables - Payment Schedules Real Time"."Payment Schedules Details"."Due Date",CURRENT_DATE) BETWEEN 61 AND 90 THEN 'Overdue 61-90 Days' WHEN TIMESTAMPDIFF(SQL_TSI_DAY,"Receivables - Payment Schedules Real Time"."Payment Schedules Details"."Due Date",CURRENT_DATE)>90 THEN 'Overdue 90+ Days' ELSE 'Other (Error)' END) when 'Overdue 1-30 Days' then "Receivables - Payment Schedules Real Time"."Payment Schedules"."Line Entered Amount Remaining" else 0 end AR_Overdue_30_Amount,
   case (CASE WHEN TIMESTAMPDIFF(SQL_TSI_DAY,"Receivables - Payment Schedules Real Time"."Payment Schedules Details"."Due Date",CURRENT_DATE) BETWEEN 1 AND 30 THEN 'Overdue 1-30 Days' WHEN TIMESTAMPDIFF(SQL_TSI_DAY,"Receivables - Payment Schedules Real Time"."Payment Schedules Details"."Due Date",CURRENT_DATE) BETWEEN 31 AND 60 THEN 'Overdue 31-60 Days' WHEN TIMESTAMPDIFF(SQL_TSI_DAY,"Receivables - Payment Schedules Real Time"."Payment Schedules Details"."Due Date",CURRENT_DATE) BETWEEN 61 AND 90 THEN 'Overdue 61-90 Days' WHEN TIMESTAMPDIFF(SQL_TSI_DAY,"Receivables - Payment Schedules Real Time"."Payment Schedules Details"."Due Date",CURRENT_DATE)>90 THEN 'Overdue 90+ Days' ELSE 'Other (Error)' END) when 'Overdue 31-60 Days' then "Receivables - Payment Schedules Real Time"."Payment Schedules"."Line Entered Amount Remaining" else 0 end AR_Overdue_3160_Amount,
   case (CASE WHEN TIMESTAMPDIFF(SQL_TSI_DAY,"Receivables - Payment Schedules Real Time"."Payment Schedules Details"."Due Date",CURRENT_DATE) BETWEEN 1 AND 30 THEN 'Overdue 1-30 Days' WHEN TIMESTAMPDIFF(SQL_TSI_DAY,"Receivables - Payment Schedules Real Time"."Payment Schedules Details"."Due Date",CURRENT_DATE) BETWEEN 31 AND 60 THEN 'Overdue 31-60 Days' WHEN TIMESTAMPDIFF(SQL_TSI_DAY,"Receivables - Payment Schedules Real Time"."Payment Schedules Details"."Due Date",CURRENT_DATE) BETWEEN 61 AND 90 THEN 'Overdue 61-90 Days' WHEN TIMESTAMPDIFF(SQL_TSI_DAY,"Receivables - Payment Schedules Real Time"."Payment Schedules Details"."Due Date",CURRENT_DATE)>90 THEN 'Overdue 90+ Days' ELSE 'Other (Error)' END) when 'Overdue 61-90 Days' then "Receivables - Payment Schedules Real Time"."Payment Schedules"."Line Entered Amount Remaining" else 0 end AR_Overdue_6190_Amount,
   case (CASE WHEN TIMESTAMPDIFF(SQL_TSI_DAY,"Receivables - Payment Schedules Real Time"."Payment Schedules Details"."Due Date",CURRENT_DATE) BETWEEN 1 AND 30 THEN 'Overdue 1-30 Days' WHEN TIMESTAMPDIFF(SQL_TSI_DAY,"Receivables - Payment Schedules Real Time"."Payment Schedules Details"."Due Date",CURRENT_DATE) BETWEEN 31 AND 60 THEN 'Overdue 31-60 Days' WHEN TIMESTAMPDIFF(SQL_TSI_DAY,"Receivables - Payment Schedules Real Time"."Payment Schedules Details"."Due Date",CURRENT_DATE) BETWEEN 61 AND 90 THEN 'Overdue 61-90 Days' WHEN TIMESTAMPDIFF(SQL_TSI_DAY,"Receivables - Payment Schedules Real Time"."Payment Schedules Details"."Due Date",CURRENT_DATE)>90 THEN 'Overdue 90+ Days' ELSE 'Other (Error)' END) when 'Overdue 90+ Days' then "Receivables - Payment Schedules Real Time"."Payment Schedules"."Line Entered Amount Remaining" else 0 end AR_Overdue_90_Amount
FROM "Receivables - Payment Schedules Real Time"
WHERE
((("Payment Schedules"."Line Entered Amount Remaining" > 0) AND (TIMESTAMPDIFF(SQL_TSI_DAY, "Payment Schedules Details"."Due Date", CURRENT_DATE) > 0) AND ("Payment Schedules Details"."Transaction Type" = 'Invoice')))

使用されたツール 

この例では、Autonomous DatabaseのOMLノートブックと、Oracle Machine Learning for Python（OML4Py）を使用したPython言語のパラグラフを使用しています。Conda環境は、サードパーティ製のライブラリZeepを使用して作成しました。Zeepライブラリは、PythonでSOAPベースのWebサービスを処理するために使用されます。Zeepライブラリの詳細については、こちらのGitHubページをご覧ください。

データの取得と準備

最初のステップとして、前回のブログで詳しく説明したように、zeepライブラリを含むConda環境をダウンロードしてアクティブ化します。詳細については、 「Autonomous Databaseで使用するためのカスタムサードパーティ製PythonおよびRパッケージの発表」とドキュメントを参照してください。ここで使用したサンプルでは、Conda環境は「mypyenv」という名前で作成されました。

1. Analytics Publisher レポートにアクセスするために必要なライブラリをインポートします。


クリップボードにコピーされました
エラー: コピーできませんでした
クリップボードにコピーされました
エラー: コピーできませんでした
%conda

download mypyenv --overwrite
activate mypyenv

%python

import requests
from zeep.transports import Transport
from zeep import Client
from zeep import helpers

2. 以下のようにレポートリクエストを定義します。ただし、<server_name>、user_name、passwd は実際の値に置き換えてください。チャンク化の要件と属性形式の詳細については、こちらを参照してください。Fusion Applications における BI Publisher Web サービスのベストプラクティスドキュメントも併せてご覧ください。


クリップボードにコピーされました
エラー: コピーできませんでした
クリップボードにコピーされました
エラー: コピーできませんでした
%python

WSDL = "https://<server_name>/xmlpserver/services/ExternalReportWSSService?wsdl"
user_name = "???"
passwd = "***"

bip_report_request = {
    'reportAbsolutePath': '/Custom/ADB_OML/RP_AR_Inv.xdo',
    'sizeOfDataChunkDownload': '10000',
    'byPassCache': 'False',
    'flattenXML': 'False',
    'attributeFormat': 'csv'
}

3. runReport メソッドを呼び出して、次の手順を実行します。

  • request.Session() を通じて有効なセッションを取得します。 
  • ユーザー名とパスワードでセッションを承認しました。 
  • 承認されたセッションを渡してトランスポート オブジェクトを取得します。 
  • WSDL とトランスポート オブジェクトを指定して、bip_client オブジェクトを初期化します。 
  • 上記で宣言した bip_report_request ディクショナリとレポート固有のパラメータ値 (この特定のケースでは必要ありません) を渡して、Analytics Publisher Web サービス ExternalReportWSSService の runReport メソッドを呼び出します。

クリップボードにコピーされました
エラー: コピーできませんでした
クリップボードにコピーされました
エラー: コピーできませんでした
%python

bip_session = requests.Session()
bip_session.auth = (user_name, passwd)
bip_transport = Transport(session=bip_session)

bip_client = Client(wsdl=WSDL, transport=bip_transport)
bip_rep_result = bip_client.service.runReport(reportRequest=bip_report_request, appParams="")


4. Webサービス呼び出しから得られた結果は、helpers.serialize_objectを使用してPython辞書に変換されます。Python辞書変数bip_rep_result_dictには、Webサービス呼び出しから返された様々なキーと値のペアが格納されます。そのうち、「reportBytes」キーには、エンコードされたバイト形式でレポート出力が格納されます。デコードされたレポート出力は文字列変数rows_strに格納されます。これにより、rows_strには、人間が読めるCSV形式の文字列でレポート出力が格納されます。この段落の最後のステップとして、bip_sessionを終了します。


クリップボードにコピーされました
エラー: コピーできませんでした
クリップボードにコピーされました
エラー: コピーできませんでした
%python

bip_rep_result_dict = helpers.serialize_object(bip_rep_result, target_cls=dict)

rows_byte = bip_rep_result_dict['reportBytes']
rows_str = rows_byte.decode()

bip_session.close()
z.show(rows_str)

5. Analytics Publisher から取得したレポート出力を印刷します。


クリップボードにコピーされました
エラー: コピーできませんでした
クリップボードにコピーされました
エラー: コピーできませんでした
RANSACTION_ID,AGING_BUCKET,DAYS_SINCE_DUE,AMOUNT_REMAINING,EXPECTED_UNCOLLECTED_AMOUNT,AR_OVERDUE_1_30_AMT,AR_OVERDUE_31_60_AMT,AR_OVERDUE_61_90_AMT,AR_OVERDUE_90PLUS_AMT,FOLLOWUP_REQUIRED
1285059,"Overdue 1-30 Days",26,34698,347,34698,0,0,0,No
1284978,"Overdue 31-60 Days",44,46982,1409,0,46982,0,0,Yes
1284963,"Overdue 61-90 Days",71,86942,8694,0,0,86942,0,Yes
1284954,"Overdue 90+ Days",632,1304130,521652,0,0,0,1304130,Yes
1286115,"Overdue 1-30 Days",15,607719,6077,607719,0,0,0,Yes
1284561,"Overdue 1-30 Days",25,10430,104,10430,0,0,0,No
1286108,"Overdue 90+ Days",554,786969,314788,0,0,0,786969,Yes
1284551,"Overdue 31-60 Days",58,10061,302,0,10061,0,0,Yes
1286101,"Overdue 61-90 Days",63,74140,7414,0,0,74140,0,Yes
1284540,"Overdue 90+ Days",179,4182,1673,0,0,0,4182,Yes
1286092,"Overdue 1-30 Days",22,46982,470,46982,0,0,0,No
1286208,"Overdue 31-60 Days",35,148354,4451,0,148354,0,0,Yes
1284528,"Overdue 61-90 Days",80,4253,425,0,0,4253,0,Yes
1286202,"Overdue 90+ Days",99,154790,61916,0,0,0,154790,Yes
1284517,"Overdue 90+ Days",120,4756,1902,0,0,0,4756,Yes
1284505,"Overdue 1-30 Days",12,2800,28,2800,0,0,0,No
1284494,"Overdue 31-60 Days",45,6385,192,0,6385,0,0,No
1286037,"Overdue 61-90 Days",68,285386,28539,0,0,285386,0,Yes
1284481,"Overdue 90+ Days",96,4852,1941,0,0,0,4852,Yes
1286030,"Overdue 1-30 Days",17,103975,1040,103975,0,0,0,Yes
1284664,"Overdue 1-30 Days",22,761,8,761,0,0,0,No
1286177,"Overdue 1-30 Days",29,30958,310,30958,0,0,0,No

6. レポート出力をPandasのDataFrameに変換し、数行のデータを表示します。完全なレポートには150行あります。


クリップボードにコピーされました
エラー: コピーできませんでした
クリップボードにコピーされました
エラー: コピーできませんでした
%python

import pandas as pd
from io import StringIO

inv_df = pd.read_csv(StringIO(rows_str))
z.show(inv_df.head())

DataFrameの内容を表示する

カテゴリデータ

OMLインデータベースアルゴリズムは、カテゴリ変数のエンコードを自動的に処理します。サンプルデータでは、2つの列（「AGING_BUCKET」と「FOLLOWUP_REQUIRED」）が文字列であるため、インデータベースアルゴリズムで使用するためにコード内で特に処理する必要はありません。

トレーニングと予測

7. 次に、以下の手順に従ってモデルを構築し、データベース内アルゴリズムを使用して結果を予測します。 

  • Pandas DataFrame「invdf」を使用してテーブルを作成します。まず、テーブルが存在するかどうかを確認します。存在する場合はテーブルを削除し、Pandas DataFrame「inv_df」を渡してoml.createメソッドを呼び出します。 
  • split関数を使用して、テーブルデータをOMLデータフレーム「data_prep」にロードします。split関数は、トレーニングデータとテストデータの比率を80:20に設定します。 
  • X_train を宣言し、トレーニングセット部分の「FOLLOWUP_REQUIRED」（予測変数のみ）を除くすべての列を保持します。y_train には、トレーニングセット部分の「FOLLOWUP_REQUIRED」（ターゲット列）のみを使用します。test_data を宣言し、テストセット部分のすべてのデータを保持します。
  • 設定変数を辞書型として宣言し、キーを「GLMS_SOLVER」（一般化線形モデル）、値を「dbms_data_mining.GLMS_SOLVER_QR」とします。一般化線形モデルの詳細については、ドキュメントをご覧ください。 
  • olm.glm関数を呼び出す際に「classification」オプションを使用して、線形回帰に関心があることを示します。次に、glm_mod.fitを呼び出してモデルを学習します。
  • モデルを学習した後、スコア関数を呼び出してテストデータセットを用いた予測値を取得します。glm_mod.score を呼び出す際、予測変数には test_data.drop(“FOLLOWUP_REQUIRED”) （ターゲットとなる列を除くすべての列）を使用し、ターゲットには “FOLLOWUP_REQUIRED” のみを使用します。

クリップボードにコピーされました
エラー: コピーできませんでした
クリップボードにコピーされました
エラー: コピーできませんでした
%python

import oml

try:
    oml.drop('AR_INV')
except:
    pass

oml_ar_inv = oml.create(inv_df, table = 'AR_INV')

data_prep = oml.sync(table = 'AR_INV').split(ratio=(.80, .20), seed = 1)
X_train   = data_prep[0].drop('FOLLOWUP_REQUIRED')
y_train   = data_prep[0]['FOLLOWUP_REQUIRED']
test_data = data_prep[1]

setting = {'GLMS_SOLVER': 'dbms_data_mining.GLMS_SOLVER_QR'}
glm_mod = oml.glm("classification", **setting)
glm_mod = glm_mod.fit(X_train, y_train)
z.show('Score: ' + str(glm_mod.score(test_data.drop('FOLLOWUP_REQUIRED'), test_data[:, ['FOLLOWUP_REQUIRED']])))

suppl_cols = ['AGING_BUCKET', 'AR_OVERDUE_1_30_AMT', 'AR_OVERDUE_31_60_AMT', 'AR_OVERDUE_61_90_AMT', 'AR_OVERDUE_90PLUS_AMT', 'FOLLOWUP_REQUIRED']
z.show(glm_mod.predict(test_data.drop('FOLLOWUP_REQUIRED'), supplemental_cols = test_data[:, suppl_cols]))

8. 大規模なデータセットの場合、トレーニングデータは可能な限り多くのシナリオをカバーする必要があります。これは、トレーニングに提供するデータ量を増やしたり、テストに異なるデータセットを使用したりすることで、モデルのパフォーマンスが変化する可能性があるためです。テスト結果によっては、モデルの調整が必要になる場合があります。このOMLノートブックの段落の最後のステップとして、テストデータと予測データを表示します。変数suppl_colsには、出力に含めるすべての列、テストセット内の「FOLLOWUP_REQUIRED」の元の値、およびモデルによる予測値（「FOLLOWUP_REQUIRED」）が含まれています。

DataFrameで結果を表示

結果を分析する

9. 次のステップでは、混同行列、スコア、分類レポートなどを通じて結果を分析します。この OML ノートブックの最後の段落として、Conda 環境を非アクティブ化します。


クリップボードにコピーされました
エラー: コピーできませんでした
クリップボードにコピーされました
エラー: コピーできませんでした
%conda

deactivate

Conda environment 'conda' deactivated


まとめ

Oracle Machine LearningとAutonomous Databaseは、データベースのパワーをフルに活用し、Python（OML4Py経由）と組み合わせた堅牢な機械学習環境を提供します。Autonomous Databaseに取り込まれた外部データは、OML Notebooksを利用してSQL、R、Pythonからアクセスできるデータベース表に簡単に変換できます。


コメント

コメントを投稿

このブログの人気の投稿

Oracle Database 19cサポート・タイムラインの重要な更新 (2024/11/20)

イメージ
Oracle Database 19cサポート・タイムラインの重要な更新 (2024/11/20) https://mikedietrichde.com/2024/11/20/important-update-to-oracle-database-19c-support-timelines/ 長い沈黙は、私が隠れているという意味ではありません。つまり、今はとても忙しいということです。そして、より少ない旅行で、私はあなたのコメントにもブログと返信するより多くの時間を持っていることを願っています。それでも、Oracle Database 19cサポート・タイムラインの非常に重要な更新について説明します。 * 更新された内容 2024年11月19日現在、Oracle Database 19cのサポート・タイムラインが調整されています。 MOSノート: 742060.1 – 現在のデータベース・リリースのリリース・スケジュールを見ると、新しい日付が表示されます。 Premier Support、2029年12月31日まで 2030年1月1日から2032年12月31日までの拡張サポート 2033年1月1日から2034年12月31日までのアップグレード・サポート これは知ることがとても大切です。 他のリリースの更新はありますか。 MOSノートの終わりにある変更ログ: 742060.1 – 現在のデータベース・リリースのリリース・スケジュールでは、Oracle Database 21cの最新の更新も確認できます。このリリースのPremier Support期間は、2027年7月31日まで延長されました。 また、Oracle Database 23aiのパッチ適用終了日は2032年12月31日に設定されています。 Lifetime Support Policy 更新は、Oracle Technology Productsの Oracle Lifetime Support Policy (6ページ)でも確認できます。 From: Oracle Lifetime Support Policy for Oracle Technology Product s – page 6 – Nov 19, 2024 特に、次の表に示す制限事項に注意してください。 Oracle Database 1...
続きを読む

Oracle GoldenGate 23aiでMicrosoft Fabricでのオープン・ミラーリングがサポートされるようになりました (2024/11/19)

イメージ
Oracle GoldenGate 23aiでMicrosoft Fabricでのオープン・ミラーリングがサポートされるようになりました (2024/11/19) https://blogs.oracle.com/dataintegration/post/how-to-replicate-to-mirrored-database-in-microsoft-fabric-using-goldengate 投稿者： Shrinidhi Kulkarni | Principal Product Manager Oracle GoldenGate 23aiでは、オープン・ミラーリングを介したMicrosoft Fabricへの統合のパブリック・プレビューがサポートされるようになりました。この強力な組み合わせにより、リアルタイムのデータ統合が可能になり、ハイブリッド環境とマルチクラウド環境のデータをMicrosoft Fabricのミラー化されたデータベースに継続的に同期できるため、データは常にAIと分析に対応できます。 Microsoft Fabric統合のOpen Mirroring は、GoldenGate for Distributed Applications and Analytics 23ai (GG for DAA) (23.6)製品を介して提供されます。 既存の Azure統合の詳細については、 ドキュメント を参照してください。 オープン・ミラーリングは、オープン・デルタ・レイク表形式に基づいて、データISVがMicrosoft Fabricのミラーリングを拡張できるように設計されています。この機能により、Oracle GoldenGate 23aiは、オープン・ミラー化パブリックAPIおよびアプローチに基づいて、Microsoft Fabricのミラー化データベースに変更データを直接書き込むことができます。Microsoft FabricでのOpen Mirroringの詳細については、「 Microsoft FabricでのOpen Mirroringの概要 」を参照してください。 このブログ投稿では、この統合の実装の側面について深く掘り下げ、GoldenGate統合の構成方法を示します。 構成ステップ: リファレンス・アーキテクチャの理解 前提条件 ...
続きを読む

OCIサービスを利用したWebサイトの作成 その4～Identity Cloud Serviceでサイトの一部を保護 (2021/12/30)

イメージ
OCIサービスを利用したWebサイトの作成 その4～Identity Cloud Serviceでサイトの一部を保護 (2021/12/30) https://blogs.oracle.com/cloudsecurity/post/using-oci-services-part-4 投稿者： Christopher Johnson 今回は、OCI Native Servicesを使って完全にサーバーレスでWebサイトをホスティングするシリーズの第4弾です。     パート1 では、OCI WAF + API Gateway + Functionを使用して、OCI Object Store Bucketから静的コンテンツを提供する基本的な方法を紹介しました。     パート2 では、バケットを（公開ではなく）非公開にし、Resource Prinicpalを使用して安全にアクセスする方法を紹介しました。     パート3 では、ハードコードされた設定を削除し、代わりにそれらの設定をアプリケーションに保存する方法を紹介しました。 パート4では、サイトの一部をログインの後ろに置いてみようと思っています。 この記事は、ちょっとした「フクロウの描き方」のようなものになりそうです。でも、コードを見ればきっと理解できるはずです! IDCSでアプリケーションを作成 注：OCI Identity Domains は、OCI の新規顧客に対して IDCS の機能を直ちに提供します。現在 IDCS を使用している顧客については、既存の IDCS ストライプは今後数ヶ月の間に OCI Identity Domains に移行される予定です。詳細については、OCI Identity Domainの ドキュメント を参照してください。この変更は、このブログで説明したセキュリティ・パターンに影響を与えるものではありません。このブログで IDCS に起因するセキュリティ機能は、OCI Identity Domainsでも提供されます。 まず最初に、サイトを表現するために IDCS で実際にアプリケーションを作成する必要があります。 IDCSコンソールを開き、「アプリケーション」に移動し、「作成」をクリックします。Functionアプリケーシ...
続きを読む