في مجال تحويل النص إلى SQL، تواجه معظم الطرق الحالية بعض التحديات الكبرى، مثل الاعتماد على معلومات غير دقيقة عن القوالب وعدم القدرة على الكشف عن العلاقات الدقيقة بين الأعمدة. لكن مع تقدم تقنيات الذكاء الاصطناعي، تظهر حلول جديدة قادرة على معالجة هذه المعوقات.

قدم الباحثون في ورقة جديدة نظاماً يسمى DexterSQL، والذي يعمل على تحسين عملية تحويل النص إلى SQL مع الحفاظ على دقة النتائج. يعتمد DexterSQL على ثلاثة مكونات رئيسية:
1. **مستكشف القالب العميق (Deep Schema Explorator)**: يقوم هذا المكون بتحديد الأعمدة الغامضة ويحلل توزيع بياناتها للكشف عن العلاقات بينها.
2. **صانع القواعد غير المعتمد على قاعدة البيانات (Database-Agnostic Rule Creator)**: يُنتج هذا المكون قواعد تصحيحية تستند إلى الفجوات بين SQL الناتج وSQL المثالي لتقليل الأخطاء المتكررة.
3. **توليد SQL متعدد المسارات (Multi-path SQL Generation)**: يُدخل هذا النظام تمثيلاً يعتمد على شجرة الاعتماد لاستخدام بنية جملة السؤال في توجيه عملية التحليل والتوليد.

وكشفت الدراسات أنه مع استخدام نموذج ذا وزن مفتوح (مثل GPT-OSS-120B)، حققت DexterSQL دقة تُقدر بحوالي 67.6% بإضافة تحسين قدره 2.7%. لكن الأمر لم يتوقف هنا، حيث حققت تحسناً قدره 0.9% باستخدام نماذج ذات أوزان مغلقة، مع دقة تصل إلى 71.6% و72.2% مع نماذج مثل GPT-4o وGPT-5.2.

تشير هذه النتائج إلى تقديم DexterSQL جهة اتصال جديدة بين المستخدمين والنظم المعقدة للبيانات، مما يفتح آفاقاً واسعة لتحسين الدقة والأداء في عالم الذكاء الاصطناعي.

هل تتخيل كيف سيساهم هذا النظام في تطوير التطبيقات المستقبلية للذكاء الاصطناعي؟ شاركونا آرائكم في التعليقات.