OCI Data Catalog 第2回：Object Storage上のOracle Databaseマニュアルと文書インベントリParquetをカタログ化してみてみた

Oracle Databaseのマニュアルは製品バージョンごとに数十種類存在する。PDFをObject Storageに配置すれば一元管理できるが、ファイル名と置き場所だけでは情報不足だ。正式な文書名、製品バージョン、文書系列、文書番号、公式URLなど、業務で必要なメタデータが記録されない。大企業ほど抱える課題は「データが多すぎて探せない」ではなく「データが散在していて検索できない」ことだ。ドキュメント管理の実務では、単なるファイル置き場から検索可能な知識ベースへの転換が求められている。

OCI Data Catalogを使った対策は、文書管理情報をCSVで先に作成し、Pythonで型と内容を検証してParquetに変換する方法だ。その上で、PDF本体と文書インベントリParquetの両方をData Catalogでハーベスト（自動収集）する。PDFから取得されるのはファイル名やパスの技術情報だけだが、Custom Propertiesという拡張フィールドを使って、バージョン・正式文書名・公式URLといった業務メタデータを個別に付与できる。これによってドキュメントが検索可能になり、将来的にはRAG（検索拡張生成）やベクトル検索に直結する。

実は、日本の製造業にも同じ課題がある。設計書、手順書、マニュアル、QA報告書が紙とメール、フォルダにばらばらで、誰も検索できない。生成AIを業務に乗せる前に、そもそも情報が整理されているのか、という基本が問われている。Oracleの事例は大げさだが、「CSVで事前に清掃してからデータベース化する」という流れは、中小企業のドキュメント整理でも同じだ。RAGやAI検索を導入する前に、社内ドキュメントの棚卸しと分類を機械的にやる準備を始めておくことが、実は一番重い仕事になる。そこをサボるとAIが何も拾ってくれない。