في عالم الذكاء الاصطناعي، تواجه أنظمة الواجهات اللغوية الطبيعية المستخدمة في تحليل البيانات المؤسسية تحديات كبيرة تتعلق بتفسير الطلبات غير المحددة وتحويلها إلى استجابات قابلة للتنفيذ. وهو ما تتمحور حوله دراسات متعددة مثل التي قدمتها SemPlan.

تهدف SemPlan إلى تقييم تصميمات معمارية خاصة بتخطيط استجابات ذكية عبر استخدام مجموعة معيارية ثنائية اللغة، تحتوي على 1800 حالة باللغة الإنجليزية والبرتغالية البرازيلية، مع 1200 حالة لتقييم علمي مجمد. تم مقارنة أربع معمارية تحت نفس التكوين النموذجي:
- **توليد SQL المباشر (A1)**
- **قاعدة أدوات محدودة (A2)**
- **توليد طلبات دلالية منظمة تليها تخطيط وتنفيذ محدد (A3)**
- **نوع توضيحي/منظم للمخطط الدلالي (A4)**

هذا البحث يجلب بصيصًا من الأمل لكن مع التحذير. دقة الإجابات كانت متدنية حيث بلغت 22.25% لـA1، و22.58% لـA2، و25.67% لـA3، و24.25% لـA4. لكن على الرغم من هذه الأرقام، فإن A3 سجلت أعلى دقة بلغت 25.67% وتفوقت بشكل ملحوظ على A1 وA2 وA4 في التحليل المقارن.

من جهة أخرى، الاحتفاظ بسياسة صحيحة كان الأعلى في A1، بينما أظهرت A4 أقل تكاليف في API وأقل معدل للرفض الخاطئ.

على حسب الحالات المحددة لاستقرار النتائج (150 حالة)، بلغ تكرار إجابات صحيحة مدى يتراوح بين 92.00% و98.67%.

تظهر هذه النتائج حقيقة أن هناك توازنًا معقدًا وليس تصنيفًا عالميًا: القيود الهيكلية الإضافية غيرت أنماط الفشل وكفاءة النظام، لكنها لم تحسن من دقة الأجوبة بشكل دائمي أو تحل الغموض.

كل هذا يشير إلى ضرورة المزيد من الأبحاث والدراسات لتحسين أداء أنظمة الذكاء الاصطناعي في التفاعل مع البيانات المؤسسية. ما رأيكم في هذا التطور؟ شاركونا في التعليقات.