تواجه نماذج اللغات الضخمة (Large Language Models) تحديات كبيرة في عمليات تحويل النص إلى SQL، حيث تعيق مشاكل موثوقية هذه النماذج تطبيقها في بيئات العالم الحقيقي. بالرغم من النجاح الملحوظ لتلك النماذج، إلا أن اكتشاف نقاط الضعف المحتملة يُعد أمراً محورياً لبناء واجهات قواعد بيانات موثوقة.

اعتمدت الأساليب الحالية لتشخيص هذه المشكلات بشكل كبير على قواعد ثابتة مُعرّفة بواسطة خبراء، وهو ما يُعيق القدرة على الاستكشاف الشامل والآلي. هنا يأتي دور الإطار الجديد SAGE (الاستكشاف الموجه الآلي النظامي)، الذي يهدف إلى كشف أنماط الفشل الكامنة في عملية تحويل النص إلى SQL بشكل ذاتي.

يعمل SAGE على توليد فرضيات احتمالية للثغرات بناءً على عينات محددة ويشير إلى كود الثغرات المتطور باستمرار لتصميم انحرافات مستهدفة، مما يتيح التحقق الوثيق والتوثيق المتكرر للعيوب المحتملة.

أظهرت التجارب الواسعة على نماذج اللغات الضخمة المفتوحة المصدر من الجيل الحالي أن SAGE يكشف عن عدد كبير من حالات الفشل، مما يُسلط الضوء على الهشاشة الكبيرة للنماذج الحالية. علاوة على ذلك، تكشف التحليلات أن كود الثغرات يتمتع بقابلية نقل قوية بين النماذج، ما يعني أن الأنماط المكتشفة تمثل نقاط ضعف هيكلية عامة.

وفي ختام البحث، تم استكشاف إمكانيات SAGE في معالجة هذه الثغرات. رغم أن التحسينات الأولية باستخدام ضبط خفيف على العينات المُولَّدة أظهرت نتائج واعدة، فإن هذه الخطوات تضعنا على الطريق نحو تحقيق موثوقية أكبر في المستقبل.