【要約】oracle-ai-ready-data Skill 第2回: Databaseのメタデータを整備してAI Readyスコアを0.22から0.97へ改善し、Select AIで確認してみてみた [Qiita_Trend] | Summary by TechDistill
> Source: Qiita_Trend
Execute Primary Source
// Problem
データエンジニアやAI開発者が、データベースをLLMと連携させようとする際、メタデータの不足という壁に直面する。データ自体が整合していても、AIにはその業務的な意味や構造が伝わらないため、誤ったSQLが生成される。具体的には以下の問題が発生する。
- ・テーブルやカラムの目的、単位、コード値の意味が不明。
- ・主キー（PK）や外部キー（FK）が未定義で、表間の関係が判別不能。
- ・データの鮮度や出所が不明で、最新のデータか判断できない。
- ・統計情報が不足しており、AIが最適なクエリを構成できない。
// Approach
著者は、Oracleの専用ツールを用いて、メタデータの欠落を定量的に評価し、自動生成されたSQLで改善するプロセスを採用した。具体的には以下のステップで整備を行った。
- ・Skillによる現状スキャン: コメント、制約、統計、権限などのメタデータを収集し、スコア化する。
- ・改善SQLの生成とレビュー: 不足項目を補完するDDLを自動生成し、人間が業務ルールに基づき修正・実行する。
- ・構造的整備: PK/FKの追加、UPDATED_ATやSOURCE_SYSTEM列の追加、統計情報の収集を行う。
- ・Select AIへのコンテキスト注入: プロファイル設定でコメントと制約を有効化し、生成AIへ情報を渡す。
// Result
メタデータの整備により、AI Readyスコアは0.22から0.97へと劇的に向上した。これにより、Select AIを用いた自然言語からの問い合わせにおいて、以下の成果が得られた。
- ・複雑なJOINや集計、業務条件に基づいたフィルタリングの正確な実行。
- ・機微情報（個人情報）の出力を抑制する指示の遵守。
- ・コメントに基づいた、業務用語による適切なテーブル選択。
- ・ただし、文字列型に数値が格納されている等の「型設計の不備」は、LLMの挙動に依存するリスクとして残った。
Senior Engineer Insight
> AI Readyスコアによる定量評価は、レガシーDBの近代化において極めて実戦的なアプローチだ。しかし、本検証で露呈した「型設計の不備」は無視できない。LLMの暗黙変換に頼るSQLは、大規模トラフィック下では実行計画の不安定化やエラーを招く。AI活用を前提とするなら、コメントによる補完だけでなく、物理的なデータ型を業務定義に厳格に合わせる「Semantic-first」な設計が、運用フェーズでの信頼性を担保する鍵となる。