SoraniSQL: A Novel Synthetic Text-to-SQL Dataset and Benchmark for Low-Resource Central Kurdish (Sorani)
تقدم هذه الورقة البحثية SoraniSQL، وهي أول مجموعة بيانات ومعيار لتقنية تحويل النص إلى SQL للغة الكردية المركزية (سوراني)، والتي تضم 7,518 زوجًا من الأسئلة ورموز SQL التي تُظهر فعالية النماذجة الدقيقة في تحقيق دقة تنفيذ عالية عبر تحديات لغوية متنوعة مع تمكين نشر التطبيقات دون اتصال بالإنترنت.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلف. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل عالماً يمكنك فيه أن تسأل جهاز كمبيوتر سؤالاً بسيطاً بلغتك الخاصة، وتحصل على إجابة مستخرجة مباشرة من قاعدة بيانات معقدة، دون الحاجة إلى معرفة الشفرة السرية التي تتحكم بها عادةً. هذا هو الوعد الذي تقدمه تقنية "النص إلى SQL" (text-to-SQL). لعقود من الزمن، تم تدريب هذه الأنظمة بشكل أساسي على اللغة الإنجليزية، حيث تعلمت ترجمة الأسئلة البشرية إلى اللغة المهيكلة التي تتحدث بها قواعد البيانات. وبينما يعمل هذا بشكل جيد مع اللغات واسعة الانتشار، فإنه يترك خلفه مئات الملايين من الأشخاص الذين يتحدثون لغات ذات موارد منخفضة، مثل اللهجات المختلفة للغة الكردية. في هذه المناطق، يعتمد أصحاب المتاجر الصغيرة والمديرون غالباً على أجهزة نقاط البيع، وهي آلات بسيطة تعمل دون اتصال بالإنترنت؛ فهي لا تستطيع إرسال بياناتها إلى السحابة لمعالجتها، وتفتقر إلى الأدوات التي تمكنهم من سؤال حواسيبهم بلغتهم الأم. إن الفجوة بين ما يمكن لهذه الأنظمة فعله وما تحتاجه هذه المجتمعات واسعة، ويرجع ذلك إلى أنه لم يقم أحد بعد ببناء أرض اختبار موثوقة لمعرفة ما إذا كانت الحواسيب تستطيع حقاً فهم اللغة الكردية.
لقد ملأ باحث في جامعة بوليتكنيك سليمانية في العراق هذه الفجوة الآن من خلال مشروع جديد يسمى "SoraniSQL". يقدم هذا العمل أول مجموعة بيانات ومعيار اختبار مصمم خصيصاً للغة الكردية المركزية، المعروفة باسم "سوراني". لم يكن الهدف مجرد ترجمة الاختبارات الإنجليزية الموجودة، بل بناء مورد يفهم الخصائص الفريدة للغة الكردية، والتي تمزج بين أشكال الحروف العربية والفارسية، وتستخدم أرقاماً مختلفة، وغالباً ما تُكتب الكلمات بطرق متعددة اعتماداً على لوحة المفاتيح المستخدمة. ولتحقيق ذلك، قام الباحث بإنشاء نسخة رقمية لسلسلة متاجر بقالة تضم ثمانية فروع، كاملة بآلاف سجلات المبيعات، وقوائم المنتجات، وتفاصيل الموظفين. ومن قاعدة البيانات هذه، قام بتوليد أكثر من 7,500 سؤال باللغة السورانية، تتراوح بين عمليات البحث البسيطة مثل "إلى أي فئة ينتمي هذا الكعك؟" إلى الطلبات المعقدة مثل "أظهر لي متوسط قيمة الإيصال حسب الشهر لمدفوعات البطاقة". وقد تم إقران كل سؤال بكود الكمبيوتر الدقيق اللازم لاسترجاع الإجابة، كما قامت لجنة من المتحدثين الأصليين بتقييم الأسئلة من حيث التدفق الطبيعي والدقة، لضمان أنها تبدو كشيء قد يسأله شخص حقيقي.
ثم أخضع البحث مجموعة متنوعة من أنظمة الكمبيوتر للاختبار لمعرفة مدى قدرتها على ترجمة هذه الأسئلة السورانية إلى أوامر قواعد بيانات صالحة للعمل. وقسم الباحثون الأسئلة إلى فئات مختلفة لمعرفة المواضع التي ستواجه فيها الأنظمة صعوبة. استخدمت بعض الأسئلة أسماء منتجات جديدة ولكنها اتبعت هياكل جمل مألوفة، بينما استخدمت أخرى طرقاً جديدة تماماً في الصياغة أو دمجت الأفكار بطرق لم يرها الكمبيوتر من قبل. وأظهرت النتتائج انقساماً واضحاً بين الأنظمة البسيطة والأكثر تقدماً. فالنظام الأساسي الذي حاول مطابقة الأسئلة مع الإجابات التي حفظها مسبقاً، أدى أداءً جيداً في الأسماء الجديدة البسيطة، لكنه فشل تماماً عندما طُلب منه دمج الأفكار بطرق جديدة. ومع ذلك، فإن النظام الأكثر تطوراً الذي قام بتفكيك السؤال إلى أجزاء — عبر تحديد الموضوع، والفعل، والفلاتر بشكل منفصل — كان قادراً على التعامل مع هذه التوليفات الجديدة بدقة عالية، حيث أجاب على جميعها تقريباً بشكل صحيح.
ولعل الاكتشاف الأكثر إثارة للدهشة تعلق باستخدام نماذج اللغة الحديثة سابقة التدريب، وهي أدوات ذكاء اصطناعي قوية تُستخدم غالباً للبرمجة. عندما عُرضت هذه النماذج فقط على بضعة أمثلة لكيفية ترجمة الكردية إلى كود، كان أداؤها ضعيفاً، حيث أجابت على أقل من نصف الأسئلة البسيطة وفشلت تماماً في الأسئلة المعقدة. ولكن عندما أخذ الباحث نسخة أصغر من هذا النموذج ودربها بعناية على القواعد المحددة لمجموعة البيانات هذه، قفز أداؤها بشكل كبير. هذا النموذج الذي تم ضبطه بدقة، والذي يمكنه العمل على جهاز كمبيوتر محمول عادي دون الحاجة إلى حاسوب فائق، حقق معدلات دقة تضاهي أفضل الأنظمة المتخصصة. لقد نجح في التعامل مع الصياغات الجديدة والتوليفات المعقدة، مما أثبت أنه مع التدريب الصحيح، حتى النماذج الصغيرة يمكنها إتقان المهمة.
كما عالج البحث الواقع الفوضوي لكيفية الكتابة الفعلية. في اللغة الكردية، يخلط المستخدمون غالباً بين تخطيطات لوحات المفاتد المختلفة، أو يحذفون حروفاً معينة، أو يستبدلون حروفاً تبدو متشابهة. ووجد البحث أن هذه الاختلافات في الإملاء تسببت في أخطاء كبيرة، ولكن النظام الذي يمكنه إجراء "المطابقة التقريبية" (fuzzy-match) للكلمات — أي إدراك أن كلمة "milk" و "mlik" تشيران إلى الشيء نفسه — استعاد معظم الدقة المفقودة. ولضمان السلامة، بنى الفريق أيضاً حارساً رقمياً يتحقق من كل أمر يتم توليده للتأكد من عدم إمكانية خداعه للكشف عن بيانات خاصة أو إتلاف قاعدة البيانات. وأخيراً، قاموا بتعبئة النظام الأفضل أداءً في تطبيق مستقل يعمل بنظام ويندوز يسمى "DanaText2SQL". يعمل هذا البرنامج بالكامل دون اتصال بالإنترنت، ويتصل مباشرة بقاعدة البيانات المحلية المستخدمة في المتاجر. وفي الاختبارات، أجاب على الأسئلة في أقل من نصف ثانية، مما يثبت أن متجراً صغيراً في منطقة كردستان يمكنه قريباً امتلاك كمبيوتر يفهم لغته، ويحترم خصوصيته، ويعمل دون الحاجة إلى اتصال بالإنترنت.
لا يدعي هذا العمل حل كل مشكلة في تكنولوجيا اللغة، ولا يشير إلى أن الحواسيب أصبحت مترجمة مثالية. فقد أظهرت الدراسة صراحةً أن الأنظمة لا تزال تعاني مع بعض هياكل الجمل المعقدة التي لم ترها من قبل، وأن الثقة في الإجابة ليست دائماً ضماناً لصحتها. ومع ذلك، فإنه يوفر أساساً صلباً وقابلاً للتكرار لأول مرة. ومن خلال إنشاء مجموعة بيانات مخصصة، واختبار نهج مختلف، وإثبات أن وجود نظام يعمل دون اتصال بالإنترنت وبشكل آمن هو أمر ممكن، يقدم البحث مساراً واضحاً للمضي قدماً. إنه يشير إلى أنه مع التدريب الدقيق والتركيز على التحديات المحددة للغة، يمكن أخيراً جلب التكنولوجيا إلى الشركات الصغيرة والمجتمعات التي تخلفت عن الركب الرقمي.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.