 |
| Bellacosa Mainframe e o hybrid search no db2 |
☕ Um Café no Bellacosa Mainframe
Hybrid Search no Db2: Quando SQL Encontra Inteligência Artificial (e o Banco de Dados Aprende a Entender Pessoas)
Como o Db2 12.1.5 transformou o banco relacional em uma plataforma de IA para busca semântica, RAG e aplicações inteligentes.
"Durante décadas perguntávamos ao banco de dados 'onde está este registro?'. Agora começamos a perguntar 'o que você sabe sobre este assunto?'. Essa pequena mudança muda absolutamente tudo."
Introdução
Se você programa em COBOL, trabalha com Db2, escreve SQL diariamente ou administra ambientes IBM, talvez tenha ouvido alguém dizer recentemente:
"O Db2 agora suporta Hybrid Search."
E a primeira reação costuma ser:
"Legal... mas o que exatamente isso significa?"
Se você pensou isso, prepare seu café.
Porque essa novidade representa uma das maiores mudanças conceituais do Db2 desde a chegada do suporte nativo a JSON, XML e às tecnologias modernas de integração.
Não estamos falando de mais um índice.
Nem de um novo tipo de tabela.
Estamos falando de ensinar um banco de dados a procurar significados, e não apenas palavras.
Uma pequena viagem no tempo
Durante praticamente cinquenta anos, bancos de dados responderam perguntas muito simples.
Você perguntava:
SELECT *
FROM CLIENTES
WHERE CPF='12345678900';
O banco respondia imediatamente.
Perfeito.
Depois surgiram buscas textuais.
Por exemplo:
SQLCODE -904
ou
CICS RESP 16
O banco localizava exatamente aquelas palavras.
Ainda perfeito.
Mas então chegou a IA.
E os usuários começaram a perguntar coisas como:
"Por que meu batch fica preso durante a madrugada?"
Ou:
"Existe algum programa parecido com este COBOL?"
Ou ainda:
"Onde existe documentação sobre autenticação?"
Nenhuma dessas perguntas possui uma resposta baseada apenas em igualdade de caracteres.
É aí que nasce a busca vetorial.
O problema da busca tradicional
Imagine uma documentação contendo:
Resource unavailable
Deadlock
Timeout
IRLM contention
Agora imagine que alguém pesquisa:
Meu programa trava esperando recursos.
Nenhuma palavra coincide.
Resultado?
0 documentos encontrados
Mas qualquer analista experiente sabe que provavelmente o problema é exatamente um deadlock ou contenção.
O computador não sabia.
A IA sabe.
Keyword Search
Na figura apresentada pelo autor vemos dois blocos.
O primeiro é:
Keyword Search
Essa é a busca clássica.
Ela utiliza motores especializados como:
OpenSearch
Elasticsearch
Esses motores trabalham com índices invertidos.
Em vez de procurar documento por documento, eles mantêm enormes catálogos de palavras.
Por exemplo:
SQLCODE
↓
Documento 14
Documento 39
Documento 122
ou
COBOL
↓
Documento 2
Documento 98
Documento 430
É extremamente rápido.
E extremamente preciso.
Onde ela é excelente?
Quando você procura:
CPF
CNPJ
Número de pedido
Código do produto
SQLCODE
Nome de programa
VSAM KSDS
DSNUTILB
IKJEFT01
Ela é praticamente imbatível.
Mas existe um limite...
Ela não entende contexto.
Para ela,
erro de conexão
é completamente diferente de
falha de comunicação
Mesmo que um ser humano saiba que são praticamente a mesma coisa.
A revolução dos Embeddings
Agora chegamos ao conceito mais importante.
Quando falamos em IA Generativa existe uma palavra que aparece o tempo inteiro:
Embedding.
Imagine duas frases.
Cliente perdeu acesso.
e
Usuário não consegue entrar.
São palavras diferentes.
Mas possuem praticamente o mesmo significado.
Como um computador entende isso?
Transformando texto em matemática.
Cada documento vira um enorme vetor.
Algo parecido com:
[0.27,
0.81,
-0.19,
...
768 números]
Ou até
1536 dimensões
dependendo do modelo utilizado.
Esses números representam o significado do texto.
Curiosidade
Quando falamos "vetor", muita gente imagina apenas três dimensões.
Como:
X
Y
Z
Na IA isso não existe.
Os vetores normalmente possuem:
384 dimensões
768 dimensões
1024 dimensões
1536 dimensões
3072 dimensões
Cada dimensão captura alguma característica semântica aprendida pelo modelo.
Nenhum ser humano consegue visualizar isso.
Mas algoritmos conseguem calcular a distância entre dois vetores em microssegundos.
Db2 12.1.2: o primeiro passo
A IBM deu um passo importante com o Db2 12.1.2, quando introduziu armazenamento nativo de vetores (Vector Data Type) e busca por similaridade.
Isso permitiu guardar embeddings diretamente nas tabelas do Db2 e realizar consultas de vizinhos mais próximos (Nearest Neighbor Search), sem depender obrigatoriamente de um banco vetorial dedicado.
Na prática, o Db2 passou a ser capaz de responder perguntas como:
"Quais documentos possuem significado semelhante a este?"
Era metade do caminho para aplicações de IA.
Db2 12.1.5: nasce o Hybrid Search
A verdadeira virada acontece com o Db2 12.1.5, disponibilizado pela IBM em 2025, quando foi anunciada a integração entre o mecanismo vetorial do Db2 e motores de busca como OpenSearch e Elasticsearch.
Agora temos duas pesquisas acontecendo simultaneamente:
Keyword Search
Vector Search
E ambas convergem para um único ranking.
Esse conceito recebe o nome de:
Hybrid Search.
Unified Ranking
Talvez este seja o recurso mais inteligente de toda a arquitetura.
Imagine uma pergunta:
Como resolver SQLCODE -904?
A busca por palavras encontra:
SQLCODE -904
Já a busca vetorial localiza documentos que mencionam:
Resource unavailable
Tablespace offline
Dataset indisponível
Problemas de I/O
Lock de recurso
Mesmo sem citar literalmente o código.
Agora imagine que os resultados sejam combinados.
Em vez de duas listas diferentes, temos apenas uma:
1 Documento A
2 Documento B
3 Documento C
4 Documento D
Todos classificados pela relevância.
É isso que o Unified Ranking faz.
Como essa arquitetura funciona?
Pergunta
│
▼
"Como resolver timeout?"
│
┌──────────────┴──────────────┐
▼ ▼
Keyword Search Vector Search
(OpenSearch) (Db2 Native)
▼ ▼
Unified Ranking
▼
Documentos Relevantes
▼
Large Language Model
▼
Resposta Final
Perceba algo interessante.
O LLM não pesquisa diretamente.
Quem faz a pesquisa continua sendo o banco.
A IA apenas utiliza os documentos encontrados.
Esse é exatamente o princípio do RAG (Retrieval-Augmented Generation).
E onde entra o SQL?
A primeira coisa que muitos desenvolvedores COBOL perguntam é:
"Vou parar de usar SQL?"
A resposta é:
Não.
Na verdade, você usará ainda mais SQL.
O que muda é que agora existirão novas funções relacionadas a vetores, similaridade e integração com índices textuais.
O SQL continua sendo o coração da solução.
Exemplo prático para quem trabalha com COBOL
Imagine um repositório com:
18.000 programas COBOL
12.000 Copybooks
4.000 Jobs JCL
8.000 documentos técnicos
30 anos de documentação
Um programador novo pergunta:
"Existe alguma rotina semelhante ao cálculo de juros compostos?"
Nenhum programa chama exatamente:
JUROS_COMPOSTOS
Mas diversos possuem comentários como:
Interest calculation
Financial accrual
Capitalization
A busca vetorial encontra todos eles.
A busca lexical encontra aqueles que realmente possuem a palavra "juros".
O Hybrid Search combina tudo.
Outro exemplo
Imagine pesquisar:
Problemas de autenticação RACF
Keyword encontra:
RACF
Vector encontra:
Security
Authorization
Login
Access denied
SAF
ACEE
Muito mais inteligente.
Por que OpenSearch?
Muita gente pergunta:
"Se o Db2 já possui vetor, por que usar OpenSearch?"
Porque são especialidades diferentes.
O OpenSearch continua sendo excelente para:
Full Text Search
BM25
Índices invertidos
Autocomplete
Facetas
Ranking lexical
Enquanto o Db2 faz muito bem:
SQL
Dados relacionais
Vetores
Similaridade
Cada um faz aquilo em que é especialista.
Curiosidade
O OpenSearch nasceu quando a Amazon criou um fork aberto do Elasticsearch após mudanças no licenciamento da Elastic.
Hoje ambos continuam extremamente populares.
O Db2 consegue integrar com os dois.
Easter Egg nº 1
Se você já assistiu Star Wars, pense assim.
Keyword Search é como procurar um Jedi pelo nome.
Luke Skywalker
Vector Search é usar a Força.
Você sente que alguém está ali mesmo sem saber exatamente quem é.
Hybrid Search?
É usar os dois ao mesmo tempo.
Easter Egg nº 2
Quem cresceu usando Google provavelmente nunca percebeu.
Quando você pesquisa:
carro vermelho
O Google não procura apenas essas duas palavras.
Ele tenta entender intenção.
Hybrid Search leva essa mesma filosofia para dentro do banco de dados corporativo.
Easter Egg nº 3
O famoso comando do TSO:
FIND
procura caracteres.
O Hybrid Search procura conhecimento.
É uma evolução conceitual parecida com sair de um índice telefônico para um assistente inteligente.
Onde veremos isso nos próximos anos?
Praticamente em todos os sistemas corporativos.
Imagine:
✔ Assistente para COBOL.
✔ Pesquisa inteligente em JCL.
✔ Busca em documentação CICS.
✔ Pesquisa em milhares de Stored Procedures.
✔ Localização automática de código semelhante.
✔ Descoberta de APIs relacionadas.
✔ Pesquisa em incidentes históricos.
✔ Chatbots internos.
✔ Copilotos para desenvolvedores.
O impacto para quem trabalha com Mainframe
Durante muito tempo existiu o mito de que IA e Mainframe eram mundos separados.
Hoje isso não faz mais sentido.
O Mainframe continua sendo responsável pelas informações mais críticas das empresas.
A IA precisa exatamente dessas informações.
E o Db2 está se tornando uma ponte entre esses dois universos.
Em vez de exportar tudo para outra plataforma, é possível realizar boa parte da recuperação inteligente diretamente onde os dados já estão, mantendo segurança, governança e consistência.
Dicas para o programador júnior
Continue estudando SQL. Ele continua sendo indispensável.
Aprenda conceitos de IA, mas não abandone fundamentos de banco de dados.
Entenda o que são embeddings, similaridade e RAG.
Familiarize-se com OpenSearch e Elasticsearch.
Estude como modelos de linguagem utilizam bases corporativas.
Explore as novidades do Db2 12.1.x e acompanhe os anúncios da IBM sobre recursos de IA.
Conclusão
Durante décadas, a missão do Db2 foi responder perguntas objetivas sobre dados estruturados. Com a chegada do suporte a vetores no Db2 12.1.2 e da integração com OpenSearch e Elasticsearch no Db2 12.1.5, o banco passa a participar de uma nova geração de aplicações capazes de compreender contexto e significado.
Essa evolução não substitui SQL nem elimina a importância dos índices tradicionais. Pelo contrário: combina o melhor dos dois mundos. A busca lexical continua sendo excelente para códigos, identificadores e termos exatos, enquanto a busca vetorial amplia a capacidade de encontrar conceitos relacionados, mesmo quando as palavras utilizadas pelo usuário são diferentes daquelas presentes nos documentos.
Para quem desenvolve em COBOL, administra ambientes IBM ou trabalha com arquitetura de sistemas, entender Hybrid Search significa compreender como serão construídos os copilotos, os assistentes técnicos e as soluções RAG que deverão fazer parte do ecossistema corporativo nos próximos anos.
A tecnologia muda. Os princípios permanecem. E talvez a maior lição seja esta: o Db2 continua sendo um banco de dados extraordinário, mas agora ele também começa a compreender o significado das perguntas que fazemos. Isso representa uma mudança de paradigma tão importante quanto a adoção do SQL décadas atrás e coloca o ecossistema IBM em uma posição estratégica para a era da Inteligência Artificial.
