Resumen de Mejoras de Octubre 2026 a Oracle Autonomous AI Database

Después de un Septiembre tranquilo, Octubre trae varias mejoras y actualizaciones interesantes en Oracle Autonomous AI Database, las cuales vamos a analizar a continuación.

Supervisión de Métricas de Aciertos en la Caché de Almacenamiento

Ahora se puede supervisar las métricas de aciertos de lectura y escritura en la caché de almacenamiento. Estas métricas indican el porcentaje de solicitudes de entrada y salida de la base de datos que se atienden desde la caché de almacenamiento (tanto para operaciones de lectura como de escritura), lo que ayuda a evaluar la eficacia de dicha caché.

Consulte «Available Metrics: oci_autonomous_database» en la documentación para obtener más información.

Soporte de Select AI con Gemini Enterprise Agent Platform

Select AI ahora admite a Gemini Enterprise Agent Platform como proveedor de IA. Puede configurar un perfil de Select AI para utilizar modelos de Gemini Enterprise Agent Platform en acciones de Select AI, tales como la generación de SQL a partir de lenguaje natural, chat, `showsql`, `explainsql`, *embeddings* y ​​otras capacidades de Select AI. Esta compatibilidad le permite utilizar modelos disponibles en su proyecto y región de Google Cloud, manteniendo el uso de las interfaces de Select AI existentes. 

Consulte «Set Up Google Cloud Authentication for Gemini Enterprise Agent Platform» y «Example: Select AI with Gemini Enterprise Agent Platform» en la documentación para obtener más información.

Soporte de Agentes en Select AI para Java

Select AI para Java ahora admite herramientas, tareas, agentes y equipos definidos en la base de datos. Utilice la API de Java para crear y gestionar recursos de agentes, ejecutar flujos de trabajo de equipos, preservar el contexto de la conversación entre solicitudes, gestionar el estado de ejecución de los equipos, trabajar con equipos compartidos e importar o exportar definiciones de equipos. 

Para obtener más información, consulte «Support for Agents in Select AI for Java» en la documentación. Para conocer las capacidades generales del SDK, consulte «Select AI for Java».

Seguimiento (tracing) de SQL

Esta funcionalidad permite identificar el origen de cargas de trabajo excesivas en la base de datos, como sentencias SQL de alta carga en su aplicación. Puede realizar el seguimiento de la sesión actual mediante `ALTER SESSION` o utilizar el paquete `DBMS_USERDIAG` para centrarse en una sentencia SQL, sesión, identificador de cliente, servicio, módulo o acción específicos. También puede recopilar información sobre variables de enlace (bind variables), eventos de espera y planes de ejecución para obtener diagnósticos más detallados.

Consulte «Perform SQL Tracing on Autonomous AI Database» en la documentación para obtener más información.

Análisis Multidimensional con Oracle Essbase

Essbase está disponible como herramienta gestionada en Autonomous AI Database Serverless. Puede habilitar Essbase en una instancia existente de Autonomous AI Database y utilizar sus capacidades de análisis multidimensional, modelado, planificación, previsión e informes financieros, sin necesidad de implementar ni gestionar una infraestructura de Essbase independiente.

Nota: Esta funcionalidad no se encuentra disponible en instancias Always Free.

Desde la solapa de "Tool Configuration" se puede ver la configuración actual de Essbase, presionando editar se puede cambiar:

Al editar, habilitamos Essbase definiendo la cantidad de OCPU que utilizará la instancia que ejecuta el servicio, y el tiempo de inactividad que hará que el servicio se detenga:

Al aplicar los cambios, la instancia es actualizada, quedando configurado el servicio de Essbase:

Podemos copiar el link para acceder a la dirección URL pública del mismo, y abrir la consola de Essbase en un navegador:

Consulte «What-if analysis, Planning, and Business Analytics with Oracle Essbase» en la documentación para obtener más información.

Mejoras de Performance en Tablas Externas Iceberg

Mediante el uso de Partition Pruning, Autonomous AI Database ahora puede optimizar las consultas en tablas externas Iceberg utilizando la información de particionamiento de Apache Iceberg. Autonomous AI Database emplea los metadatos de Iceberg para omitir archivos que no son necesarios para una consulta determinada. Esto ayuda a reducir el acceso al almacenamiento de objetos y puede mejorar el rendimiento en tablas de gran tamaño en arquitecturas Lakehouse, permitiendo al mismo tiempo que las aplicaciones sigan utilizando SQL estándar sobre las columnas originales de la tabla.

Consulte «Optimize Iceberg Queries with Partitioning» en la documentación para obtener más información.