في عالم تكنولوجيا المعلومات الحديثة، تلعب قواعد البيانات دوراً مركزياً في تخزين وإدارة البيانات. ولتسهيل ذلك، يسعى الباحثون لاستخدام الذكاء الاصطناعي، وخاصة نماذج اللغة الكبيرة (Large Language Models) مثل GPT-3، لدعم تصميم قواعد البيانات.

في دراسة جديدة، تم تحليل كيفية استخدام هذه النماذج في توليد مخططات الكيان-علاقة (Entity-Relationship diagrams) من متطلبات اللغة الطبيعية. تم الجمع بين عدة نماذج لغوية وتقنيات هندسة الموجهات (prompt engineering) لتقييم قدرتها على التعرف على الكيانات والعلاقات والسمات بشكل متسق.

شملت التجارب ثلاث نماذج للغة الكبيرة، تم اختبار كلٍ منها باستخدام ثلاث تقنيات موجهة مختلفة: "Zero-Shot"، و"Chain of Thought"، و"Chain of Thought + Verifier"، وذلك في إطار سيناريوهات متطلبات متزايدة التعقيد. وقد أظهرت النتائج أن أداء النماذج كان معقولًا في السيناريوهات الأقل تعقيدًا، لكن بدءًا من التعقيدات الكبيرة، لاحظ الباحثون زيادة في الفجوات وعدم الاتساق والدقة في تمثيل القيود.

تعكس هذه النتائج أن النماذج اللغوية الكبيرة ليست بالدرجة الكافية من النضج في الوقت الحالي لاستخدامها بشكل موثوق في السيناريوهات المعقدة. وهذا يشير إلى أن تكلفة التحقق من النتائج قد تفوق الفوائد المبدئية المترتبة على زيادة الإنتاجية.