تواجه قواعد البيانات العلائقية التقليدية (RDBMS) العديد من التحديات، أبرزها بطء التنفيذ عند التعامل مع الاستعلامات المعقدة، وصعوبة تفسير النتائج بشكل الرسوم البيانية. في ظل هذا التحدي، قدمت قواعد البيانات الرسومية (Graph Database) بديلاً أكثر كفاءة وسهولة، حيث تتيح نماذج بيانات أكثر فاعلية مع زيادة سرعة التنفيذ على مجموعات البيانات الضخمة.

تناولت دراسة حديثة أهمية استخدام نموذج لغوي ضخم (LLM) في تحسين مهام تحويل قواعد البيانات، حيث تقترح تقنية جديدة تجمع بين قواعد البيانات العلائقية وقواعد البيانات الرسومية، باستخدام وكيل ETL مدعوم بالذكاء الاصطناعي. تعمل هذه التقنية على توحيد أسماء الجداول والأعمدة قبل حفظها في نظام البيانات.

يتضمن النظام المعتمد مجموعة من الوكلاء، تشمل وكلاء ETL والمحلل والرسوم البيانية، حيث يدور نقاش فعال بينهم لتعزيز التصميم النهائي من خلال عملية تكرارية تهدف إلى اقتراح وتقييم مخطط قاعدة البيانات الرسومية. لضمان جودة التحويل، تم وضع ثلاثة معايير مهمة يجب توافرها وهي: الدقة (Accuracy)، والتأسيس (Groundedness)، والأمانة (Faithfulness).

أظهرت نتائج الدراسة كفاءة بارزة في استخدام قاعدة البيانات الرسومية المحوّلة، حيث تم قياس الأداء على 1,081 عينة من بيانات قطاع الخدمات المالية والتأمين (BFSI) عبر ثلاثة مستويات من التعقيد (سهل، متوسط، وصعب). وتبين أن وكيل CypherAgent حقق دقة بلغت 85.6% في مهام الأسئلة والأجوبة باستخدام قاعدة البيانات الرسومية، وهو ما يمثل زيادة بنسبة 12.12% مقارنة بدقة وكيل SQLAgent على قاعدة البيانات العلائقية من نوع PostgreSQL. بالإضافة إلى ذلك، أظهرت قواعد البيانات الرسومية أداءً أسرع، حيث تمكنت من تقليل زمن الاستجابة بما يصل إلى ثلاث مرات.

تبرز هذه الدراسة أهمية الاستفادة من الذكاء الاصطناعي والنماذج اللغوية في تحويل قواعد البيانات، مما يوفر حلاً مبتكرًا لمواجهة التحديات التقليدية في عالم البيانات.