تعد دقة الاستعلامات الناتجة عن الذكاء الاصطناعي من الموضوعات البالغة الأهمية في تنفيذ نظم إدارة قواعد البيانات. حيث قام باحثون بتطوير دراسة شاملة حول التوقّعات المتعلقة بدقة استعلامات SQL عند استخدام النصوص كمدخلات، بينما يتوجه الاهتمام إلى كيفية قياس هذه الدقة.

تتضمن الدراسة استخدام معايير تقييم متعددة، مثل AUROC، لقياس فعالية كل إشارة في تصنيف الاستعلامات الصحيحة عن غير الصحيحة. وقد وجدت الدراسة أن إشارات مثل تناسق النص، التركيب، والقدرة على التنفيذ تحقق متوسط درجات بين 0.61 و0.68، حيث كانت إشارة تناسق النص هي الأقوى مع درجة 0.675.

من ناحية أخرى، كانت هناك إشارات تعتمد على التحقق مثل نموذج اللغة الضخم (Large Language Model) الذي أظهر تحسناً ملحوظاً، حيث بلغت درجاته بين 0.72 إلى 0.78. ومع ذلك، أظهرت الدراسة أن الأخطاء اختلفت بين موزعي النماذج، مما جعل الحلول المخصصة للتعاون بين موزعين مختلفين قادرة على تحقيق درجة AUROC تصل إلى 0.82 مع نسبة خطأ متوقعة منخفضة.

ومع اعتراف الباحثين بالتحديات في تحسين دقة التحقق عبر مخططات جديدة، تم اكتشاف أن العوامل المرتبطة بالتفكير والإدراك تلعب دوراً مهماً في إمكانية التحقق. بينما توفر الطرق الحالية أدوات مفيدة في النطاق المحدد، فإن تطوير نموذج تحقق يتعدى هذا النطاق يتطلب هياكل أكبر وأكثر تعقيداً.

لذا، فإن الأسئلة المطروحة الآن تتعلق بما إذا كان يمكن تدريب مُتحقق فعّال أو عدم إمكانية تقليل هذه الفجوة عبر التقنيات الحالية. تشير النتائج إلى مستقبل مثير ينتظر تطوير نماذج تفكير أكثر تقدماً قادرة على التعامل مع تنوع البيانات بفعالية أكبر. ما رأيكم في هذا التطور؟ شاركونا في التعليقات!