Bounded Semantic Planning and Deterministic Compilation for Reliable Enterprise Text-to-SQL

في عالم الأعمال الحديثة، غالبًا ما تكون البيانات محبوسة في مستودعات رقمية شاسعة ومعقدة. إن طرح سؤال بسيط مثل "كم عدد البوالص التي باعها الوكيل رقم اثنين العام الماضي؟" يتطلب التنقل في متاهة من الجداول، والعلاقات، والقواعد التي تحدد كيفية عمل الشركة. لسنوات، حاول الباحثون تعليم الحواسيب كيفية ترجمة الأسئلة باللغة الطبيعية مباشرة إلى الكود المحدد اللازم لاستخراج الإجابات. هذا هو الوعد الذي يقدمه نظام "النص إلى SQL": آلة تفهم القصد البشري وتكتب التعليمات الصحيحة لاسترجاع البيانات. ومع ذلك، تظل هناك مشكلة كبيرة؛ فعندما يكتب الكمبيوتر هذه التعليمات بمفرده، فإنه غالبًا ما ينتج كودًا يعمل بشكل مثالي ولكنه يعطي إجابة خاطئة. قد يربط بين قطع المعلومات الخاطئة أو يحسب الأشياء بطريقة خاطئة، مما يؤدي إلى نتيجة تبدو منطقية ولكنها معيبة جوهريًا. وهذا أمر خطير في بيئة الشركات، حيث يمكن لرقم خاطئ أن يؤدي إلى قرارات تجارية سيئة.

تستكشف دراسة جديدة نهجًا مختلفًا لحل مشكلة الموثوقية هذه. فبدلاً من مطالبة الذكاء الاصطناعي بكتابة الكود بأكديد من الصفر، قام الباحثون ببناء نظام يعمل فيه الذكاء الاصطناعي كمرشد وليس كبناء. وتقتصر مهمة الذكاء الاصطناعي على فهم السؤال والاختيار من قائمة معتمدة مسبقًا من المسارات والعلاقات الصالحة. وبمجرد أن يقوم الذكاء الاصطناعي باختياره، يتولى برنامج حاسوبي منفصل وصارم المهمة؛ حيث يقوم هذا البرنامج بترجمة الاختيار إلى الكود النهائي، مما يضمن إتمام الروابط بشكل صحيح واتباع قواعد العد بدقة. وقد اختبر الباحثون هذه الطريقة مقابل النهج التقليدي القائم على "كتابة كل شيء" باستخدام مجموعة بيانات تأمين معقدة، ووجدوا أن النظام الموجه كان أكثر موثوقية بكثير، حيث أنتج إجابات صحيحة في كل مرة تقريبًا، بينما أنتج النظام التقليدي بشكل متكرر كودًا يعمل بنجاح ولكنه يعطي نتائج خاطئة.

يكمن جوهر هذا البحث في تغيير مكان وجود عدم اليقين. في النظام القياسي، يجب على نموذج الذكاء الاصطناعي أن يقرر كل شيء: أي الجداول يتم ربطها، وكيفية ربطها، وكيفية تجميع الأرقام. ولأن هذه النماذج تولد نصوصًا بناءً على الاحتمالات، فقد تختار أحيانًا مسارًا ممكنًا تقنيًا ولكنه خاطئ دلاليًا. أما النظام الجديد، الذي يسميه المؤلف "تجميع المسار الدلالي" (Semantic Path Compilation)، فيضع خطًا صارمًا في الرمال؛ حيث يُسمح للذكاء الاصطناعي بربط الكلمات الموجودة في السؤال بمفاهيم تجارية محددة والاختيار من مجموعة محدودة من الخيارات المقدمة عبر خريطة بيانات منسقة بشريًا. لا يمكنه ابتكار روابط جديدة أو كتابة أجزاء من الكود. وبمجرد اتخاذ الذكاء الاصطناعي لقراره، يتولى محرك حتمي زمام الأمور، وهذا المحرك هو قطعة من البرمجيات تتبع قواعد ثابتة لتحويل اختيار الذكاء الاصطناعي إلى استعلام قاعدة البيانات النهائي. كما يقوم بفحص الأخطاء، والتأكد من سلامة المنطق، ولا يطلق الكود إلا إذا اجتاز كل الفحوصات. وإذا كان اختيار الذكاء الاصطناعي غير واضح أو ينتهك قاعدة ما، فإن النظام يرفض الإجابة بدلاً من التخمين.

ولاختبار ذلك، استخدم الباحثون معيارًا يعتمد على بيانات شركة تأمين، يتضمن علاقات معقدة للغاية، مثل الأدوار المختلفة التي قد يلعبها الشخص (مثل حامل البوليصة، أو الوكيل، أو مُكتتب التأمين) وكيفية اتصال تلك الأدوار بالبوالص والمطالبات. وقاموا بتشغيل نظامين مختلفين على نفس المجموعة المكونة من ثمانية وثلاثين سؤالاً. النظام الأول هو النهج التقليدي، حيث يولد الذكاء الاصطناعي الكود مباشرة من هيكل قاعدة البيانات. والنظام الثاني هو النهج الموجه الجديد. وقد قاموا بتشغيل كل سؤال ثلاث مرات لمعرفة مدى اتساق النتائج. نجح النظام التقليدي في الحصول على الإجابة الصحيحة لجميع الجولات الثلاث في واحد وعشرين سؤالًا فقط من أصل ثمانية وثلاثين. وفي المقابل، نجح النظام الموجه في سبعة وثلاثين سؤالًا من أصل ثمانية وثلاثين. والأهم من ذلك، أنتج النظام التقليدي تسع وعشرين حالة تم فيها تشغيل الكود بنجاح ولكن الإجابة كانت خاطئة، بينما لم ينتج النظام الموجه أي خطأ من هذا النوع؛ فعندما فشل، اكتفى ببساطة برفض تقديم إجابة، بدلاً من تقديم رقم مضلل.

كما بحثت الدراسة فيما يحدث عندما يتم تعديل البيانات قليلاً لكشف الأخطاء الخفية. في مجموعة بيانات التأمين، تتطلب بعض الأسئلة عد العناصر عند مستوى محدد من التفاصيل. فإذا قام الكمبيوتر بربط الجداول بشكل غير صحيح، فقد يتسبب بالخطأ في مضاعفة الأرقام، مما يؤدي إلى نتيجة مرتفعة للغاية. أنشأ الباحثون نسخًا "تخيلية مضادة" (counterfactual) من قاعدة البيانات حيث تصبح أخطاء المضاعفة هذه واضحة. ووجدوا أن النظام التقليدي غالبًا ما فشل في رصد هذه الأخطاء، حيث أعطى أرقامًا متضخمة تبدو صحيحة على البيانات الأصلية ولكنها خاطئة على البيانات المعدلة. أما النظام الموجه، وبسبب إلزامه باتباع القواعد الصارمة للخريطة الدلالية، فقد تجنب هذه الفخاخ، حيث أنتج باستمرار العدد الصحيح، حتى عندما تم التلاعب بالبيانات لخداع نظام أقل دقة.

وقد أشار الباحثون بعناية إلى أن نجاحهم جاء من عمل النظام بأكمله معًا، وليس فقط من المحرك البرمجي الجديد. فالنظام الموجه لديه إمكانية الوصول إلى خريطة مفصلة ومكتوبة بشريًا لقواعد العمل، وهو ما لم يكن متاحًا للنظام التقليدي. وهذا يعني أن التحسن هو نتيجة الجمع بين المعرفة الأفضل والعملية الأكثر دقة. ولا تدعي الدراسة أن الطريقة الجديدة ستنجح في كل سؤال ممكن أو أنها تزيل كل شك، فالذكاء الاصطناعي لا يزال يتعين عليه اتخاذ القرار الأولي، وإذا لم تكن قواعد العمل معرفة بشكل صحيح في الخريطة، فسوف يرفض النظام الإجابة. ومع ذلك، بالنسبة لهذا النوع المحدد من الأسئلة المعقدة والقائمة على القواعد في مجال التأمين، فقد ثبت أن الجمع بين ذكاء اصطناعي موجه ومترجم صارم هو وسيلة قوية لضمان الموثوقية.

تشير النتائج إلى تحول في كيفية بناء هذه الأدوات في المستقبل. فبدلاً من الأمل في أن يتمكن نموذج لغوي كبير من ضبط المنطق المعقد بشكل صحيح في كل مرة، يمكننا بناء أنظمة تقيد النموذج لاتخاذ خيارات آمنة ثم استخدام برمجيات حتمية لتنفيذها. هذا النهج يستبدل بعض المرونة بدرجة أعلى بكثير من الثقة. وفي عالم تقود فيه البيانات القرارات التجارية الحاسمة، فإن القدرة على قول "لا أعرف" بدلاً من "إليك إجابة خاطئة" هي ميزة كبيرة. وتظهر الدراسة أنه من خلال نقل العبء الثقيل للمنطق والربط من النموذج الاحتمالي إلى محرك قائم على القواعد، يمكننا تحقيق مستوى من الاتساق كان من الصعب الوصول إليه سابقًا. والنتيجة هي نظام ليس ذكيًا فحسب، بل هو نظام يعتمد عليه أيضًا.