في عالم تكنولوجيا المعلومات، أصبحت نماذج اللغات الضخمة (LLMs) أداة محورية في تحويل الأسئلة بلغة الإنسان إلى استعلامات SQL عبر تقنية التعلم في السياق (ICL). لكن، هذه التقنية تواجه العديد من التحديات المتعلقة بالدقة، مما يثير تساؤلات حول فعاليتها.

في دراستنا الحديثة، أجرينا مسحاً شاملًا لمشكلات تحويل النصوص إلى استعلامات SQL بناءً على تقنيات ICL، حيث غطينا أربع تقنيات تمثيلية، وخمس طرق إصلاح أساسية، بالإضافة إلى اثنين من معايير التقييم وإعدادات LLM. وقد توصلنا إلى أن الأخطاء في تحويل النصوص إلى SQL ليست شائعة فحسب، بل تصدرت القائمة 27 نوعًا من الأخطاء تتوزع على سبع فئات.

مع الأسف، أظهرت محاولات الإصلاح الحالية عجزًا في تحسين الدقة مع تكاليف حسابية مرتفعة، مما أدى إلى العديد من محاولات الإصلاح الخاطئة. ولكن الأمر المثير هو تقديمنا لإطار عمل جديد يُدعى MapleDoctor، والذي يهدف إلى اكتشاف وتصحيح أخطاء تحويل النصوص إلى استعلامات SQL.

أظهرت تقييمات MapleDoctor فعاليته من خلال إصلاح 13.8% أكثر من الاستعلامات مقارنة بالحلول الموجودة، بينما قلل من وقت الإصلاح بنسبة 67.4% مع عدد ضئيل من محاولات الإصلاح الخاطئة. هذا الإنجاز يعد خطوة كبيرة نحو تحسين دقة تحويل البيانات وتحليلها. يمكنكم الاطلاع على هذا المشروع المتاح للجمهور على GitHub.

ما رأيكم في هذا التطور المثير؟ شاركونا في التعليقات!