A Cost-Aware Agentic Architecture for NL-to-SQL over Nested Enterprise Schemas, with a New Benchmark
تقدم هذه الورقة معيار DevRev NL2SQL، الذي يتميز بـ 900 استعلام تم التحقق من تنفيذها وتتضمن هياكل متداخلة ودرجة عمق دلالي جديدة، إلى جانب بنية وكيلة مدركة للتكلفة تحقق دقة إجابة ملحوظة بنسبة 91.7% على هذا المعيار وتظل تنافسية في Spider 2.0.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل عالماً يمكنك فيه أن تسأل جهاز كمبيوتر أسئلة معقدة حول عملك وتتلقى إجابات دقيقة بلغة إنجليزية بسيطة، دون الحاجة إلى معرفة اللغة السرية لقواعد البيانات. لسنوات، كان الباحثون يعلمون أجهزة الكمبيوتر كيفية ترجمة الأسئلة البشرية إلى أوامر قواعد بيانات، وهو مجال يُعرف باسم "الترجمة من اللغة الطبيعية إلى لغة SQL". كانت النجاحات المبكرة مثيرة للإعجاب، لكنها اعتمدت على اختبار أجهزة الكمبيوتر باستخدام قوائم بسيطة ومسطحة من البيانات، مثل جدول بيانات يحتوي على صفوف وأعمدة. ومع ذلك، فإن البيانات في عالم الأعمال الحقيقي نادراً ما تكون منظمة بهذا الشكل. فأنظمة المؤسسات الحديثة مبنية حول تدفقات عمل معقدة، حيث ترتبط مادة واحدة، مثل تذكرة دعم العملاء، بشبكة من العناصر الأخرى، وتكون متداخلة داخل قوائم، ومدفونة ضمن طبقات من المعلومات. وغالباً ما توصف هذه الهياكل بأنها تشبه الرسوم البيانية (graph-like)، مما يعني أنها تشبه خريطة من الاتصالات بدلاً من كونها مجرد جدول بسيط. وعندما حاول الباحثون تطبيق أفضل أدواتهم على هذه البيانات المعقدة والواقعية، فشلت الأنظمة، عاجزة عن التنقل عبر المسارات العميقة والمتشابكة للمعلومات.
لقد تصدى فريق من الباحثين لهذا التحدي تحديداً من خلال بناء بيئة اختبار جديدة ونظام حاسوبي أكثر ذكاءً مصمم للتعامل معه. لقد أنشأوا معياراً اختبارياً يسمى "DevRev"، والذي يحتوي على 900 سؤال من واقع الحياة بناءً على قاعدة بيانات تجارية حية. وخلافاً للاختبارات السابقة، فإن قاعدة البيانات هذه مليئة بالهياكل المتداخلة بعمق، حيث تُخزن المعلومات في قوائم تحتوي على قوائم أخرى، وحيث ترتبط العناصر ببعضها البعض بطرق معقدة تتغير حسب السياق. ولقياس مدى فهم النظام لهذه الأسئلة، استحدث الفريق طريقة تسجيل جديدة تسمى "درجة العمق الدلالي" (Semantic Depth Score). لا تكتفي هذه الدرجة بحساب طول السؤال فحسب؛ بل تقيس عدد طبقات الاستنتاج المطلوبة لإيجال الإجابة، مثل الحاجة إلى مقارنة فترات زمنية مختلفة، أو حساب قيم جديدة من قيم قديمة، أو تتبع سلسلة من الاتصالات بين أنواع مختلفة من كائنات الأعمال.
وجد الباحثون أن الأنظمة الأكثر تقدماً المتاحة في ذلك الوقت، والتي حققت أداءً جيداً في الاختبارات الأبسط، واجهت صعوبات كبيرة مع هذه البيانات الجديدة والمعقدة. هذه الأنظمة، التي غالباً ما تحاول توليد العديد من الإجابات المحتملة المختلفة ثم تختار الأفضل بينها، لم تستطع التنقل بشكل صحيح عبر القوائم المتداخلة أو فهم القواعد المحددة لربط أنواع مختلفة من سجلات الأعمال. وقد حامت نسبة نجاحها في المعيار الجديد حول الثلث، مما يعني أنها أعطت إجابة خاطئة لمعظم الأسئلة. وجادل الباحثون بأن المشكلة لم تكن مجرد نقص في الممارسة، بل كانت عدم توافق جوهري بين كيفية بناء هذه الأنظمة وكيفية هيكلة البيانات. كانت الأنظمة تحاول فرض نهج مسطح وبسيط على واقع عميق الطبقات.
ولحل هذه المشكلة، صمم الفريق بنية حاسوبية جديدة تعمل مثل محقق دقيق بدلاً من كونها مجرد آلة تخمين. فبدلاً من توليد عشرات الإجابات المحتملة والأمل في أن تكون إحداها صحيحة، يتبع هذا النظام مساراً واحداً مركزاً. يبدأ الأمر بسؤال منسق مركزي للنظر في قاعدة البيانات وتحديد قطع المعلومات المحددة المطلوبة. وإذا تعثر النظام لأنه لا يستطيع العثور على جدول أو عمود، فإنه لا يقوم بمجرد التخمين؛ بل يعود، ويطلب مزيداً من التفاصيل حول الهيكل، ثم يحاول مرة أخرى بالمعلومات الجديدة. وتتم عملية التوجيه هذه عبر خريطة تفصيلية لقاعدة البيانات تتضمن ليس فقط أسماء الأعمدة، بل أيضاً أوصافاً لما تعنيه البيانات الموجودة بداخلها فعلياً. كما يحتفظ النظام بسجل مستمر لكل خطأ يرتكبه، ويتعلم من كل إخفاق لتجنب تكرار الخطأ نفسه. كما أنه يراجع عمله قبل إرساله إلى قاعدة البيانات، لضمان أن المنطق سليم وأنه لا يتسبب عرضاً في إنشاء فوضى عارمة ومربكة من البيانات.
وعند اختباره على 900 سؤال معقد، حقق هذا النظام الجديد نسبة نجاح بلغت 91.7 بالمائة، وهو تحسن هائل مقارنة بأفضل المحاولات السابقة. لقد تمكن من الإجابة بشكل صحيح على أسئلة تتطلب اتباع خطوات متعددة، وحساب قيم مشتقة، والتنقل عبر قوائم بيانات متداخلة. كما أظهر الباحثون أن هذا النهج كان أكثر كفاءة بكثير، حيث كلف موارد أقل بكثير للتشغيل لأنه لم يهدر الموارد في توليد واختبار عشرات الإجابات غير الصحيحة. وفي اختبار منفصل واسع النطاق لبيانات أبسط، قدم النظام أداءً يضاهي المنافسين الرائدين، مما أثبت أن تصميمه المتخصص للبيانات المعقدة لم يأتِ على حساب التعامل مع البيانات القياسية.
تشير الدراسة إلى أن مستقبل طرح الأسئلة على أجهزة الكمبيوتر لا يكمن في جعلها تحاول بجهد أكبر أو تولد خيارات أكثر، بل في منحها أدوات أفضل لفهم هيكل البيانات التي تعمل عليها. ومن خلال بناء أنظمة يمكنها استكشاف قاعدة البيانات بشكل تكراري، والتعلم من أخطائها، وفهم الروابط العميقة بين مختلف قطع المعلومات، نجح الباحثون في خلق مسار نحو واجهات ذكية وموثوقة للبيانات المعقدة والمتداخلة التي تدير الأعمال الحديثة. إن هذا العمل يسلط الض�وء على أنه لكي تفهم أجهزة الكمبيوتر أسئلتنا حقاً، يجب أن تفهم أولاً العالم المعقد والمتعدد الطبقات الذي تعيش فيه بياناتنا.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.