flealdba/26ai_mvp_poc
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects 1 Releases Wiki Activity

Upload files to "/"

Browse Source
This commit is contained in:
flealdba
2026-05-08 13:15:19 +00:00
parent ebb7c3decf
commit e3d9c06fda
5 changed files with 755 additions and 0 deletions
Download Patch File Download Diff File Expand all files Collapse all files

143
fnc_26ai_embed.sql Normal file
View File

@@ -0,0 +1,143 @@
create or replace function fnc_26ai_embed( p_string in varchar2,
p_emb_type in varchar2 default 'COHERE',
p_credential in varchar2 default 'OCI_CRED')
return clob
as
/*
Criado por: fernando.leal@oracle.com
Data: Oct/2025
Objetivo: demonstrar casos de uso do Oracle AI Database 26ai
v1 - embedding de dados com Cohere On-Demand- leal
*/
v_embedding clob;
v_string clob;
v_url VARCHAR2(700) := 'https://inference.generativeai.sa-saopaulo-1.oci.oraclecloud.com/20231130/actions/embedText';
v_body json_object_t;
r dbms_cloud_types.resp;
begin
v_string := replace(replace(replace(p_string,chr(13),' '),chr(10),' '),'"','') ;
if p_emb_type = 'ONNX' then
/* Carga previa do ONNX ao banco (pre requisito)
BEGIN
DBMS_VECTOR.LOAD_ONNX_MODEL_CLOUD(
model_name => 'multilingual_e5_base',
credential => 'OCI_CRED',
uri => 'https://objectstorage.sa-saopaulo-1.oraclecloud.com/n/idi1o0a010nx/b/bucket-poc-rag/o/multilingual-e5-base.onnx',
metadata => JSON('{"function" : "embedding", "embeddingOutput" : "embedding" , "input": {"input": ["DATA"]}}')
);
END;
BEGIN
DBMS_VECTOR.DROP_ONNX_MODEL( model_name => 'paraphrase_multilingual');
END;
*/
SELECT VECTOR_EMBEDDING( multilingual_e5_base USING v_string AS data ) as embedding
into v_embedding;
elsif p_emb_type = 'COHERE' then
/* CUIDADO: dbms_vector_chain.utl_to_text( v_string ), O utl_to_text usa internamente o Oracle Text Filter (processo externo ctxfilt)
para converter documentos (PDF, DOCX, etc.) em texto puro.
O erro DRG-11225: Third-party filter timed out significa que esse processo
demorou mais que o timeout configurado e foi abortado pelo Oracle. */
select embed_vector
into v_embedding
from dual
CROSS JOIN TABLE(
dbms_vector_chain.utl_to_embeddings(
-- dbms_vector_chain.utl_to_chunks(
dbms_vector_chain.utl_to_text( v_string ),
-- json('{"by":"words","max":"400","overlap":40,"split":"sentence","normalize":"all"}')
-- ),
--
-- json para cohere embedding
--
json('{ "provider": "ocigenai",
"credential_name": "' || p_credential || '",
"url": "https://inference.generativeai.us-chicago-1.oci.oraclecloud.com/20231130/actions/embedText",
"model": "cohere.embed-v4.0"
}')
)
) t
CROSS JOIN JSON_TABLE(
t.column_value,
'$[*]' COLUMNS (
embed_id NUMBER PATH '$.embed_id',
text_chunk VARCHAR2(4000) PATH '$.embed_data',
embed_vector CLOB PATH '$.embed_vector'
)
) AS et;
elsif p_emb_type = 'vLLM' then
declare
params clob;
v_embedding2 vector;
begin
-- Set host to local to disable credential
-- The provider value must specify openai
-- https://docs.oracle.com/en/database/oracle/oracle-database/26/vecse/utl_to_embedding-and-utl_to_embeddings-dbms_vector_chain.html
params := '{
"provider": "openai",
"url": "https://hub-gpus.DOMINIO.com.br/embed/v1/embeddings",
"host": "local",
"model": "Qwen/Qwen3-Embedding-4B",
"batch_size": 50}';
-- dicas: https://docs.oracle.com/en/database/oracle/oracle-database/26/vecse/utl_to_embedding-and-utl_to_embeddings-dbms_vector.html
v_embedding2 := dbms_vector_chain.utl_to_embedding( v_string , json(params)) ;
v_embedding := TO_CLOB(TO_CHAR( v_embedding2 ) ) ;
-- Confirmar resultado
--DBMS_OUTPUT.PUT_LINE('Dimensões : ' || VECTOR_DIMENSION_COUNT(v_embedding));
--DBMS_OUTPUT.PUT_LINE('Format : ' || VECTOR_DIMENSION_FORMAT(v_embedding));
exception
when OTHERS THEN
DBMS_OUTPUT.PUT_LINE('Erro: ' || SQLCODE || ' - ' || SQLERRM);
end;
-- neste tenancy nao tenho o endpoint do COHERE-DEDICATED - leal 17-10-2025
/* elsif p_emb_type = 'COHERE-DEDICATED' then
v_body := json_object_t('{"servingMode":{"servingType":"DEDICATED",
"endpointId":"ocid1.generativeaiendpoint.oc1.sa-saopaulo-1.amaaaaaaa2b7yriam5myabesz5cyoxez4f266vx656q3lrfwe3a753y5keoq"
},
"inputs":["' || v_string || '"],
"compartmentId":"ocid1.compartment.oc1..aaaaaaaa5ewni44wndu5nwrhbqss4jaoel742xvprjkg64kb7vt7es4utzua"}
');
r := dbms_cloud.send_request(
credential_name => 'OCI_CRED',
uri => v_url,
method => dbms_cloud.method_post,
body => utl_raw.cast_to_raw(v_body.to_clob),
headers => json_object('Accept' value 'application/json', 'X-Custom-Header' VALUE 'My-Custom-Value')
);
select jt.embeddings
into v_embedding
from dual j,
json_table( dbms_cloud.get_response_text(r), '$' columns (embeddings clob PATH '$.embeddings[*].vector()') ) jt;
*/
end if;
return v_embedding;
end;
/

144
fnc_26ai_embed_image_cohere.sql Normal file
View File

@@ -0,0 +1,144 @@
create or replace FUNCTION fnc_26ai_embed_image_cohere (image_name in VARCHAR2,
image_blob in BLOB,
oci_cred IN VARCHAR2 default 'OCI_CRED',
p_comp_id in varchar2,
p_code_mode in number default 1 )
return clob
as
/*
Criado por: fernando.leal@oracle.com
Data: Oct/2025
Objetivo: demonstrar casos de uso do Oracle AI Database 26ai
v1 - embedding de imagnes com Cohere On-Demand - leal
*/
-- modelos: https://docs.oracle.com/en-us/iaas/Content/generative-ai/pretrained-models.htm
-- cuidado com pre requisito (1)
gen_ai_endpoint varchar2(500) := 'https://inference.generativeai.us-chicago-1.oci.oraclecloud.com';
gen_ai_model varchar2(500) := 'cohere.embed-v4.0';
embed_resp dbms_cloud_types.RESP;
file_extension VARCHAR2(5);
base64_image CLOB := NULL;
invalid_image EXCEPTION;
image_too_big EXCEPTION;
request_json_part1 CLOB;
request_json_part2 CLOB;
request_body BLOB;
v_vector vector;
BEGIN
if p_code_mode = 1 then
-- get file extension from file name and validate
file_extension := lower(regexp_replace(image_name, '.*\.([a-zA-Z0-9]+)$', '\1')) ;
-- create temp blob
dbms_lob.createtemporary(request_body, FALSE);
-- base64 encode the image
base64_image := APEX_WEB_SERVICE.BLOB2CLOBBASE64(image_blob,'N','N');
-- validate size of base64 image, must be less than 5 mb
-- if length(base64_image) > 5242880 then
-- raise image_too_big;
-- end if;
-- define beginning of request payload
request_json_part1 := to_clob('{"inputs": ["data:image/' || file_extension || ';base64,');
-- define ending of request payload
request_json_part2 := to_clob('"],
"servingMode": {
"servingType": "ON_DEMAND",
"modelId": "' || gen_ai_model || '"
},
"truncate": "NONE",
"inputType": "IMAGE",
"compartmentId": "' || p_comp_id || '"}');
-- append part1 json to request blob
dbms_lob.append(request_body, apex_util.clob_to_blob(p_clob => request_json_part1,p_charset => 'AL32UTF8'));
-- append base64 image to request blob
dbms_lob.append(request_body, apex_util.clob_to_blob(p_clob => base64_image,p_charset => 'AL32UTF8'));
-- append part2 json to request blob
dbms_lob.append(request_body, apex_util.clob_to_blob(p_clob => request_json_part2,p_charset => 'AL32UTF8'));
-- Call GenAI Embed Service
embed_resp := dbms_cloud.send_request(
credential_name => oci_cred,
uri => gen_ai_endpoint || '/20231130/actions/embedText',
method => dbms_cloud.METHOD_POST,
body => request_body
);
-- free temp blob
dbms_lob.freetemporary(request_body);
-- return embed reponse
RETURN dbms_cloud.get_response_text(embed_resp);
elsif p_code_mode = 2 then
RETURN to_clob( DBMS_VECTOR.UTL_TO_EMBEDDING(
image_blob,
'image',
JSON('{
"provider": "OCIGenAI",
"credential_name": "' || oci_cred || '",
"url": "https://inference.generativeai.us-chicago-1.oci.oraclecloud.com/20231130/actions/embedText",
"model": "' || gen_ai_model || '"
}')
) ) ;
elsif p_code_mode = 3 then
SELECT VECTOR_EMBEDDING( VIT_BASE_PATCH16_224 USING image_blob AS data ) as embedding
into v_vector;
return to_clob( v_vector );
elsif p_code_mode = 4 then
/* https://docs.oracle.com/en/database/oracle/oracle-database/23/vecse/onnx-pipeline-models-multi-modal-embedding.html
begin
DBMS_VECTOR.LOAD_ONNX_MODEL_CLOUD(
model_name => 'CLIP_VIT_LARGE_PATCH14_IMG',
credential => 'OCI_CRED',
uri => 'https://objectstorage.sa-saopaulo-1.oraclecloud.com/p/py9iUuDsr_WFX6L0ziRvgPkYIhTYsdTgq6SF9S1j1pJWkS67jx2lXWqXz4cZkdDP/n/idi1o0a010nx/b/bucket-database-26ai/o/clip-vit-large-patch14_img.onnx',
metadata => JSON('{"function" : "embedding", "embeddingOutput" : "embedding" , "input": {"input": ["DATA"]}}')
);
DBMS_VECTOR.LOAD_ONNX_MODEL_CLOUD(
model_name => 'CLIP_VIT_LARGE_PATCH14_TXT',
credential => 'OCI_CRED',
uri => 'https://objectstorage.sa-saopaulo-1.oraclecloud.com/p/py9iUuDsr_WFX6L0ziRvgPkYIhTYsdTgq6SF9S1j1pJWkS67jx2lXWqXz4cZkdDP/n/idi1o0a010nx/b/bucket-database-26ai/o/clip-vit-large-patch14_txt.onnx',
metadata => JSON('{"function" : "embedding", "embeddingOutput" : "embedding" , "input": {"input": ["DATA"]}}')
);
END;
*/
-- select DBMS_VECTOR.UTL_TO_EMBEDDING(
-- image_blob ,
-- 'image',
-- json('{"provider":"database", "model":"CLIP_VIT_LARGE_PATCH14_IMG"}') )
-- into v_vector;
SELECT VECTOR_EMBEDDING( CLIP_VIT_LARGE_PATCH14_IMG USING image_blob AS data ) as embedding
into v_vector;
return to_clob( v_vector );
end if;
EXCEPTION
WHEN invalid_image THEN
RAISE_APPLICATION_ERROR(-20001,'Invalid Image Extension, must be png,jpg,jpeg: ' || image_name);
WHEN image_too_big THEN
RAISE_APPLICATION_ERROR(-20002,'Base64 Image Over 5 MB: ' || length(base64_image) || ' - ' || image_name);
END;
/

192
fnc_26ai_food.sql Normal file
View File

@@ -0,0 +1,192 @@
create or replace function fnc_26ai_food( p_image_id in number,
p_comp_id in varchar2,
p_credential in varchar2 default 'OCI_CRED')
return clob
as
/*
Criado por: fernando.leal@oracle.com
Data: Oct/2025
Objetivo: demonstrar casos de uso de Food & Nutrition
v1 - Food & Nutrition leal
-- PDF
BEGIN
DBMS_CLOUD.GET_OBJECT(
credential_name => 'OCI_CRED',
object_uri => 'https://objectstorage.sa-saopaulo-1.oraclecloud.com/n/idi1o0a010nx/b/bucket-database-26ai/o/food02.pdf',
directory_name => 'DATA_PUMP_DIR');
END;
-- Embedding:
CREATE TABLE "TB_26AI_FOOD_VECTOR"
( "EMBED_ID" NUMBER,
"EMBED_DATA" VARCHAR2(4000),
"EMBED_VECTOR" VECTOR,
"DOC_ORIGEM" VARCHAR2(200)
) ;
CREATE TABLE "TB_26AI_FOOD"
( "ID" NUMBER GENERATED ALWAYS AS IDENTITY MINVALUE 1 MAXVALUE 9999999999999999999999999999 INCREMENT BY 1 START WITH 66 CACHE 20 ORDER NOCYCLE NOKEEP NOSCALE NOT NULL ENABLE,
"FILE_NAME" VARCHAR2(200),
"FILE_MIMETYPE" VARCHAR2(200),
"FILE_CHARSET" VARCHAR2(200),
"FILE_BLOB" BLOB,
"UPDATED_DATE" DATE,
CREATED_BY varchar2(200) default 'ADMIN'
) ;
INSERT INTO "TB_26AI_FOOD_VECTOR"
select embed_id,
text_chunk,
embed_vector,
'guia_alimentar_populacao_brasileira_2ed.pdf'
from dual dt
CROSS JOIN TABLE(
dbms_vector_chain.utl_to_embeddings(
dbms_vector_chain.utl_to_chunks(
-- PDF Embrapa - Doencas no cultivo da Soja
dbms_vector_chain.utl_to_text( to_blob(bfilename('DATA_PUMP_DIR', 'guia_alimentar_populacao_brasileira_2ed.pdf')) ),
json('{"by":"words","max":"100","split":"sentence","normalize":"none", "overlap":0}')
),
json('{
"provider": "ocigenai",
"credential_name": "OCI_CRED",
"url": "https://inference.generativeai.us-chicago-1.oci.oraclecloud.com/20231130/actions/embedText",
"model": "cohere.embed-v4.0" }')
)
) t
CROSS JOIN JSON_TABLE(
t.column_value,
'$[*]' COLUMNS (
embed_id NUMBER PATH '$.embed_id',
text_chunk CLOB PATH '$.embed_data',
embed_vector CLOB PATH '$.embed_vector'
)
) AS et;
INSERT INTO "TB_26AI_FOOD_VECTOR"
select embed_id,
text_chunk,
embed_vector,
'food02.pdf'
from dual dt
CROSS JOIN TABLE(
dbms_vector_chain.utl_to_embeddings(
dbms_vector_chain.utl_to_chunks(
dbms_vector_chain.utl_to_text( to_blob(bfilename('DATA_PUMP_DIR', 'food02.pdf')) ),
json('{"by":"words","max":"150","split":"newline","sentence":"none", "overlap":0}')
),
json('{
"provider": "ocigenai",
"credential_name": "OCI_CRED",
"url": "https://inference.generativeai.us-chicago-1.oci.oraclecloud.com/20231130/actions/embedText",
"model": "cohere.embed-v4.0" }')
)
) t
CROSS JOIN JSON_TABLE(
t.column_value,
'$[*]' COLUMNS (
embed_id NUMBER PATH '$.embed_id',
text_chunk CLOB PATH '$.embed_data',
embed_vector CLOB PATH '$.embed_vector'
)
) AS et;
INSERT INTO "TB_26AI_FOOD_VECTOR"
select embed_id,
text_chunk,
embed_vector,
'guia_alimentar_cardapios.pdf'
from dual dt
CROSS JOIN TABLE(
dbms_vector_chain.utl_to_embeddings(
dbms_vector_chain.utl_to_chunks(
dbms_vector_chain.utl_to_text( to_blob(bfilename('DATA_PUMP_DIR', 'guia_alimentar_cardapios.pdf')) ),
json('{"by":"words","max":"120","split":"sentence","normalize":"none", "overlap":0}')
),
json('{
"provider": "ocigenai",
"credential_name": "OCI_CRED",
"url": "https://inference.generativeai.us-chicago-1.oci.oraclecloud.com/20231130/actions/embedText",
"model": "cohere.embed-v4.0" }')
)
) t
CROSS JOIN JSON_TABLE(
t.column_value,
'$[*]' COLUMNS (
embed_id NUMBER PATH '$.embed_id',
text_chunk CLOB PATH '$.embed_data',
embed_vector CLOB PATH '$.embed_vector'
)
) AS et;
*/
messages CLOB;
v_vector clob;
p_prompt clob;
p_prompt2 clob;
v_total_calorias varchar(200);
begin
SELECT json_value( fnc_26ai_embed_image_cohere(file_name, file_blob, p_credential, p_comp_id) , '$.embeddings[*].vector()')
INTO v_vector
from TB_26AI_FOOD
where id = p_image_id;
for message_cursor in (
SELECT embed_data, doc_origem
FROM TB_26AI_FOOD_VECTOR
ORDER BY VECTOR_DISTANCE(EMBED_VECTOR, v_vector , COSINE )
FETCH EXACT FIRST 60 ROWS ONLY
) loop
messages := messages || '"' || replace(replace(replace(replace(message_cursor.embed_data || '- Fonte:' || message_cursor.doc_origem ,chr(10),null),chr(13),null),'"',''),'''','') || '",' ;
END LOOP;
p_prompt := 'Você é um analista de nutrição profissional especializado em avaliar refeições usando entradas de imagem e em recuperar informações nutricionais utilizando RAG a partir do Oracle 26ai Vector Database.
Sua tarefa:
Analisar a imagem de entrada.
Identificar cada item alimentar no prato.
Estimar tamanhos de porções.
Inferir ingredientes ocultos (óleo, manteiga, molhos, açúcar, sal).
Gerar embeddings.
Converter cada item alimentar detectado em uma descrição textual normalizada (adequada para embeddings).
Exemplo: “peito de frango grelhado 120g”, “arroz branco 150g”, “salada verde 80g com molho”.
Executar a Vector Similarity Search.
Recuperar os fatos nutricionais mais próximos do repositório vetorial.
Dados típicos retornados:
calorias;
proteínas;
carboidratos;
gorduras;
fibras;
densidade de micronutrientes;
impacto glicêmico;
Consulte a base da TBCA para obter a composição nutricional (macronutrientes, micronutrientes, fibras, etc.) - Tabela Brasileira de Composição de Alimentos, versão 7.3. São Paulo: USP; 2025.
Combine os resultados do RAG com sua própria estimativa visual.
Quando dados estiverem faltando, estime valores de forma conservadora.
Sua resposta deve sempre estar totalmente fundamentada nos dados retornados pelo RAG quando disponíveis.
Se o RAG não retornar nenhuma correspondência, declare explicitamente "fonte": "estimativa visual". Responda em formato Markdown e portugues Brasil.';
-- cuidado com temperatura usando "." ou ","
--execute immediate('alter session set nls_numeric_characters=''.,'' ');
-- sem re-rank (opcao de uso para refinar resultado)
p_prompt2 := p_prompt || '. Dados privados encontrados: ' || messages || '. Cite o documento de origem dos dados.';
return fnc_26ai_rag_food(p_prompt2 , p_credential , p_image_id, p_comp_id );
end;
/

153
fnc_26ai_health.sql Normal file
View File

@@ -0,0 +1,153 @@
create or replace function fnc_26ai_health( p_image_id in number,
p_source in varchar2,
p_comp_id in varchar2,
p_credential in varchar2 default 'OCI_CRED')
return clob
as
/*
Criado por: fernando.leal@oracle.com
Data: Oct/2025
Objetivo: demonstrar casos de uso do Oracle AI Database 26ai
v1 - funcao principal de Heathcare, com similaridade e RAG - leal
--
-- Pre Req para Re-Rank: criamos nova credential para Cohere
-- Podemos usar ReRank como ONNX atraves de https://docs.oracle.com/en/database/oracle/oracle-database/23/vecse/onnx-pipeline-models-reranking-pipeline.html
--
DECLARE
jo json_object_t;
BEGIN
jo := json_object_t();
jo.put('access_token', 'xxxxxxxxxxZBDKaQjPzB2Xdt8CkMtNz3KYRc1H0PjzRf6wkHxxxxxxxxxxxxx'); -- seu token Cohere. Gere Token em https://dashboard.cohere.com/
DBMS_VECTOR.CREATE_CREDENTIAL(
credential_name => 'COHERE_CRED',
params => json(jo.to_string));
END;
-- PDFs
BEGIN
DBMS_CLOUD.GET_OBJECT(
credential_name => 'OCI_CRED',
object_uri => 'https://objectstorage.sa-saopaulo-1.oraclecloud.com/n/idi1o0a010nx/b/bucket-database-26ai/o/ecg.pdf',
directory_name => 'DATA_PUMP_DIR');
END;
BEGIN
DBMS_CLOUD.GET_OBJECT(
credential_name => 'OCI_CRED',
object_uri => 'https://objectstorage.sa-saopaulo-1.oraclecloud.com/n/idi1o0a010nx/b/bucket-database-26ai/o/raiox.pdf',
directory_name => 'DATA_PUMP_DIR');
END;
BEGIN
DBMS_CLOUD.GET_OBJECT(
credential_name => 'OCI_CRED',
object_uri => 'https://objectstorage.sa-saopaulo-1.oraclecloud.com/n/idi1o0a010nx/b/bucket-database-26ai/o/ressonancia2.pdf',
directory_name => 'DATA_PUMP_DIR');
END;
BEGIN
DBMS_CLOUD.GET_OBJECT(
credential_name => 'OCI_CRED',
object_uri => 'https://objectstorage.sa-saopaulo-1.oraclecloud.com/n/idi1o0a010nx/b/bucket-database-26ai/o/esoes_pele_dermatologia.pdf',
directory_name => 'DATA_PUMP_DIR');
END;
-- Embedding com Cohere
INSERT INTO "TB_26AI_HEALTH_VECTOR"
select 'raiox.pdf' object_name,
embed_id,
text_chunk,
embed_vector
from dual dt
CROSS JOIN TABLE(
dbms_vector_chain.utl_to_embeddings(
dbms_vector_chain.utl_to_chunks(
dbms_vector_chain.utl_to_text( to_blob(bfilename('DATA_PUMP_DIR', 'raiox.pdf' )) ),
-- dicas para chunking: https://docs.oracle.com/en/database/oracle/oracle-database/23/vecse/explore-chunking-techniques-and-examples.html
json('{"by":"words","max":"220","split":"sentence","normalize":"all", "overlap":50}')
),
json('{
"provider": "ocigenai",
"credential_name": "OCI_CRED",
"url": "https://inference.generativeai.us-chicago-1.oci.oraclecloud.com/20231130/actions/embedText",
"model": "cohere.embed-v4.0" }')
)
) t
CROSS JOIN JSON_TABLE(
t.column_value,
'$[*]' COLUMNS (
embed_id NUMBER PATH '$.embed_id',
text_chunk VARCHAR2(4000) PATH '$.embed_data',
embed_vector CLOB PATH '$.embed_vector'
)
) AS et;
*/
messages CLOB;
params_genai CLOB;
v_vector clob;
p_prompt clob;
p_prompt2 clob;
reranked_output json;
output CLOB;
begin
SELECT json_value( fnc_26ai_embed_image_cohere(file_name, file_blob, p_credential , p_comp_id) , '$.embeddings[*].vector()')
INTO v_vector
from TB_26AI_HEALTH
where id = p_image_id;
for message_cursor in (
SELECT embed_data , source
FROM TB_26AI_HEALTH_VECTOR
ORDER BY VECTOR_DISTANCE(EMBED_VECTOR, v_vector , EUCLIDEAN_SQUARED )
FETCH EXACT FIRST 10 ROWS ONLY
) loop
messages := messages || '"' || replace(replace(replace(replace(message_cursor.embed_data || ' (' || message_cursor.source || ')',chr(10),null),chr(13),null),'"',''),'''','') || '",' ;
END LOOP;
p_prompt := 'Atue como um especialista médico em ressonância magnética da coluna cervical, cardiologia, radiologia do crânio e dermatologia.
A partir da imagem gere laudos técnicos precisos e com respaldo médico a partir de uma destas especialiadades.
No caso de detectar algo grave, sugira que o usuário procure um especialista. Não dê resultados graves como Melanoma.
Nestes caso, oriente que procure-se um dermatologista.
Sempre cite a origem encontrada em banco no caso de PDF vetorizado. Nunca cite nome do paciente ou do médico caso esteja visível na imagem.';
-- cuidado com temperatura usando "." ou ","
execute immediate('alter session set nls_numeric_characters=''.,'' ');
--
-- ReRank (https://docs.oracle.com/en/database/oracle/oracle-database/23/vecse/use-reranking-better-rag-results.html)
--
params_genai := '{"provider": "cohere",
"credential_name": "COHERE_CRED",
"url": "https://api.cohere.com/v1/rerank",
"model": "rerank-v3.5",
"return_documents": true,
"top_n": 1 }';
reranked_output := dbms_vector_chain.rerank( p_prompt , json('{ "documents": [ ' || messages || '] }'), json(params_genai));
-- cuidado com temperatura usando "." ou ","
execute immediate('alter session set nls_numeric_characters=''.,'' ');
p_prompt2 := p_prompt || '. Informações obtidas para a imagem : ' || JSON_VALUE( JSON_SERIALIZE(reranked_output), '$[0].content' );
-- rag
output := fnc_26ai_rag_health(p_prompt2 , p_credential, p_image_id, p_comp_id);
return output ;
end;
/

123
fnc_26ai_health_hemograma.sql Normal file
View File

@@ -0,0 +1,123 @@
create or replace function fnc_26ai_health_hemograma( p_id in number,
p_comp_id in varchar2,
p_credential in varchar2 default 'OCI_CRED' )
return clob
as
/*
Criado por: fernando.leal@oracle.com
Data: Dez/2025
Objetivo: demonstrar casos de uso do Oracle AI Database 26ai
v1 - RAG para gerar correlacao dos exames do hemograma
*/
messages clob;
v_response clob;
begin
-- pre requisito: execucao de PRC_26AI_HEALTH_HEMOGRAMA para gerar TB_26AI_HEALTH_HEMOGRAMA_TMP
-- insigths
for r1 in ( select '"exame": ' || exame || ': ' || valor txt
from TB_26AI_HEALTH_HEMOGRAMA_TMP
where id = p_id ) loop
messages := messages || r1.txt;
end loop;
v_response := fnc_26ai_rag('Você é um assistente clínico especializado em análise integrada de exames laboratoriais,
com abordagem semelhante à de médicos especialistas experientes
(endocrinologia, cardiologia, nefrologia, hepatologia, hematologia e clínica médica).
Receberá um conjunto estruturado de resultados laboratoriais (hemograma completo,
marcadores metabólicos, inflamatórios, renais, eletrolíticos, vitamínicos e hormonais).
OBJETIVO PRINCIPAL:
Realizar uma análise CORRELACIONAL dos exames, identificando padrões, relações
fisiopatológicas e possíveis tendências que NÃO são evidentes quando os exames
são analisados de forma isolada.
REGRAS IMPORTANTES:
- NÃO descreva exame por exame individualmente.
- NÃO limite a análise a “dentro” ou “fora” do intervalo de referência.
- NÃO forneça diagnóstico médico definitivo.
- NÃO substitua avaliação médica presencial.
- Evite linguagem técnica excessiva; seja claro, preciso e explicativo.
FOCO DA ANÁLISE:
1. Correlações entre sistemas:
- Metabolismo glicídico ↔ perfil inflamatório
- Função renal ↔ eletrólitos ↔ metabolismo ósseo
- Metabolismo do ferro ↔ hemograma ↔ vitaminas
- Perfil endócrino ↔ risco cardiometabólico
- Inflamação crônica subclínica ↔ risco cardiovascular
2. Identificação de padrões clínicos sugestivos:
- Tendência a resistência insulínica
- Risco cardiometabólico precoce
- Estados inflamatórios de baixo grau
- Alterações no metabolismo do ferro e vitaminas
- Impactos hormonais e eletrolíticos interligados
3. Insights clínicos de alto nível:
- O que chama atenção quando os exames são analisados em conjunto
- Possíveis mecanismos fisiológicos envolvidos
- Pontos que merecem acompanhamento ou investigação futura
4. Recomendações NÃO medicamentosas:
- Estilo de vida
- Alimentação
- Atividade física
- Monitoramento laboratorial
- Acompanhamento médico especializado (quando pertinente)
FORMATO DA RESPOSTA:
- Texto corrido, organizado por tópicos claros e em Markdown
- Linguagem clínica acessível
- Ênfase em raciocínio médico integrado
- Sem alarmismo
- Sem conclusões diagnósticas fechadas
##Considere estas referencias na análise:
1- Hematologia (base do hemograma)
Hoffbrand’s Essential Haematology
Wintrobe’s Clinical Hematology
UpToDate – Hematology
American Society of Hematology (ASH)
British Society for Haematology (BSH)
2- Endocrinologia (hormônios, metabolismo, tireoide)
Endocrine Society Clinical Practice Guidelines
Williams Textbook of Endocrinology
UpToDate – Endocrinology
ADA – American Diabetes Association
3- Hepatologia (fígado, enzimas, metabolismo do ferro)
EASL – European Association for the Study of the Liver
AASLD Practice Guidelines
Zakim and Boyer’s Hepatology
UpToDate – Liver Diseases
4- Nutrição e Metabolismo
ASPEN Guidelines (nutrição clínica)
ESPEN Guidelines
Modern Nutrition in Health and Disease
NIH – Office of Dietary Supplements
5- Nefrologia (impacto renal no hemograma)
KDIGO Guidelines
Brenner & Rector’s The Kidney
UpToDate – Nephrology
6- Inflamação, Infecção e Imunologia
Harrison’s Principles of Internal Medicine
CDC / WHO (contexto infeccioso)
UpToDate – Infectious Diseases
7- Evidência científica
PubMed / Medline
Cochrane Library
BMJ Best Practice
CONTEXTO:
Os exames pertencem a um adulto, sem informações clínicas adicionais além dos resultados laboratoriais.
Baseie-se exclusivamente na correlação entre os dados fornecidos. Dados: ' || messages , p_credential, p_comp_id );
return v_response;
end;
/