AgentNLQ: A General-Purpose Agent for Natural Language to SQL
यह शोध पत्र AgentNLQ को प्रस्तुत करता है, जो एक सामान्य-उद्देश्य वाला मल्टी-एजेंट सिस्टम है जो स्व-सुधार (self-correction) के लिए एक अनुकूलित ऑर्केस्ट्रेटर और उच्च गुणवत्ता वाली SQL क्वेरी उत्पन्न करने के लिए एक नवीन स्कीमा संवर्धन (schema enrichment) विधि का लाभ उठाकर BIRD बेंचमार्क पर 78.1% सिमेंटिक सटीकता प्राप्त करता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आपके पास व्यावसायिक डेटा का एक विशाल, अविश्वसनीय रूप से जटिल पुस्तकालय है। यह पुस्तकालय हजारों पुस्तकों (टेबल्स) में व्यवस्थित है जिनमें लाखों पृष्ठ (रोज़/पंक्तियाँ) हैं, और ये पुस्तकें जटिल, अदृश्य धागों (संबंधों/रिलेशनशिप्स) द्वारा आपस में जुड़ी हुई हैं। आमतौर पर, इस पुस्तकालय में किसी विशिष्ट तथ्य को खोजने के लिए, आपको एक ऐसे लाइब्रेरियन की आवश्यकता होती है जो SQL नामक एक बहुत ही सख्त, तकनीकी भाषा बोलता हो। यदि आप एक सामान्य प्रश्न पूछते हैं जैसे, "पिछले साल कितने ग्राहकों ने लाल जूते खरीदे?", तो लाइब्रेरियन आपको तब तक नहीं समझ पाएगा जब तक कि आप अपने प्रश्न को उनके सख्त कोड में अनुवादित न कर दें।
AgentNLQ AI सहायकों की एक नई टीम है जिसे उस अनुवादक के रूप में डिज़ाइन किया गया है। केवल एक AI द्वारा कोड का अनुमान लगाने के बजाय, इसके लेखक एक मल्टी-एजेंट टीम का उपयोग करते हैं जो आपके साधारण अंग्रेजी प्रश्नों को सटीक SQL कोड में बदलने के लिए मिलकर काम करती है।
इसे कैसे किया गया है, यहाँ सरल उपमाओं के माध्यम से समझाया गया है:
1. समस्या: "अनुवाद में खो जाने" की समस्या (The "Lost in Translation" Issue)
अतीत में, AI मॉडल अकेले यह काम करने की कोशिश करते थे। यह एक अकेले व्यक्ति को पूरा पुस्तकालय याद करने, इमारत के नियमों को याद रखने और एक साथ कोड लिखने के लिए कहने जैसा था। वे अक्सर भटक जाते थे, नियम भूल जाते थे, या ऐसा कोड लिखते थे जो काम नहीं करता था। पेपर नोट करता है कि उन्नत AI के बावजूद, ये एकल मॉडल मानव विशेषज्ञों जितने सटीक नहीं थे।
2. समाधान: एक विशेषज्ञ टीम (द "ऑर्केस्ट्रा")
लेखकों ने AgentNLQ बनाया है, जो एक एकल प्रदर्शन के बजाय एक सुव्यवस्थित प्रोडक्शन टीम की तरह कार्य करता है। वे तीन भूमिकाओं का उपयोग करते हैं:
- योजनाकार (The Planner - कंडक्टर): यह AI तुरंत कोड नहीं लिखता है। इसके बजाय, यह आपके प्रश्न को सुनता है, इसे चरणों में तोड़ता है, और निर्णय लेता है कि पुस्तकालय के किन हिस्सों को देखना है। यह सरल प्रश्नों के लिए "तेज सोच" (fast thinking) मोड और कठिन प्रश्नों के लिए "धीमी सोच" (slow thinking) मोड का उपयोग करता है।
- लेखक (The Writer - लिपिक): यह AI विशेषज्ञ कोडर है। यह योजनाकार के निर्देशों को लेता है और वास्तविक SQL क्वेरी लिखता है।
- जांचकर्ता (The Checker - संपादक): यह AI कोड को डेटाबेस के विरुद्ध चलाता है। यदि कोड क्रैश हो जाता है या गलत उत्तर देता है, तो यह योजनाकार और लेखक को सुधारने के लिए एक नोट वापस भेजता है। वे तब तक प्रयास करते रहते हैं जब तक कि उत्तर सही न हो जाए।
3. गुप्त सूत्र: "समृद्ध मेटाडेटा" (The Library Map)
एक बड़ी बाधा यह है कि AI को यह नहीं पता होता कि डेटा का अर्थ क्या है। उदाहरण के लिए, एक कॉलम को cust_id लेबल किया जा सकता है, लेकिन AI को यह नहीं पता कि इसका मतलब "ग्राहक आईडी" (Customer ID) है या "कस्टोडियन आईडी" (Custodian ID)।
लेखकों ने इसे हल करने के लिए AI के काम शुरू करने से पहले ही डेटाबेस का एक सुपर-चार्ज्ड मैप तैयार किया।
- उपमा: कल्पना कीजिए कि आप AI को एक ऐसा पुस्तकालय दे रहे हैं जहाँ प्रत्येक पुस्तक के साथ एक विस्तृत सारांश, उसके अन्य पुस्तकों के साथ संबंधों की सूची और इस बात का नोट है कि शब्दावली का अर्थ क्या है।
- उन्होंने इसे कैसे किया: उन्होंने डेटाबेस संरचना को स्वचालित रूप से पढ़ने और इन सारांशों (टेबल्स और कॉलम्स के विवरण) को लिखने और कनेक्शन (फॉरेन कीज़) को मैप करने के लिए AI का उपयोग किया। यह "समृद्ध स्कीमा" (enriched schema) AI को बिना मानवीय लेखन के संदर्भ समझने में मदद करता है।
4. "भूसे के ढेर में सुई" का समाधान (Vector Search)
कभी-कभी डेटाबेस इतना विशाल होता है कि AI को एक साथ पूरा नक्शा दिखाना बहुत अधिक हो जाता है (यह एक शब्द खोजने के लिए पूरी विश्वकोश को पढ़ने जैसा है)।
- समाधान: वे एक स्मार्ट सर्च टूल (वेक्टर सर्च) का उपयोग करते हैं। जब आप कोई प्रश्न पूछते हैं, तो सिस्टम तुरंत आपके प्रश्न से संबंधित विशिष्ट कुछ पृष्ठों को ढूंढ लेता है, बाकी को अनदेखा कर देता है। यह AI को केंद्रित और तेज़ रखता है।
5. "तथ्य पत्रक" (The Fact Sheet - स्क्रैचपैड)
AI को कई प्रयासों के बाद भ्रमित होने से बचाने के लिए, वे एक संरचित "फैक्ट शीट" का उपयोग करते हैं।
- उपमा: एक जासूस की कल्पना करें जो एक केस सुलझा रहा है। हर एक बातचीत को याद रखने के बजाय, वह एक साफ सारांश लिखता है: "प्रश्न X था। हमने Y आजमाया, और यह Z के कारण विफल रहा। अब हम W का प्रयास करेंगे।"
- यह AI की स्मृति को साफ और लक्ष्य पर केंद्रित रखता है, जिससे उसे अपने पिछले गलतियों से अभिभूत होने से बचाया जा सके।
6. परिणाम: यह कितना अच्छा है?
टीम ने इसे BIRD बेंचमार्क पर टेस्ट किया, जो वास्तविक दुनिया के व्यावसायिक डेटा (वित्त, खेल, स्वास्थ्य सेवा, आदि) से जुड़े AI सिस्टम के लिए एक विशाल, कठिन परीक्षा की तरह है।
- स्कोर: AgentNLQ ने 78.1% सटीकता प्राप्त की।
- तुलना:
- एक बुनियादी AI (वह "एकल कलाकार") ने लगभग 60% स्कोर किया।
- एक मानव विशेषज्ञ (स्वर्ण मानक) लगभग 93% स्कोर करता है।
- AgentNLQ इनके बीच में सहजता से स्थित है, जो यह सिद्ध करता है कि मिलकर काम करने वाली AI एजेंटों की एक टीम, अकेले सब कुछ करने की कोशिश करने वाले एकल AI की तुलना में बहुत बेहतर है।
सारांश
AgentNLQ एक ऐसी प्रणाली है जो आपके प्राकृतिक भाषा के प्रश्नों को डेटाबेस कोड में बदल देती है, इसके लिए AI विशेषज्ञों की एक टीम का उपयोग करती है। एक योजना बनाता है, एक लिखता है, और एक जाँच करता है। उन्हें डेटा के पूर्व-निर्मित "स्मार्ट मैप" और एक ऐसी प्रणाली द्वारा सहायता दी जाती है जो उनकी स्मृति को व्यवस्थित रखती है। यह उन्हें पिछले तरीकों की तुलना में बहुत अधिक सटीकता के साथ जटिल व्यावसायिक प्रश्नों को संभालने में सक्षम बनाता है, जिससे वे एक मानव विशेषज्ञ के प्रदर्शन के करीब पहुँच जाते हैं।
नोट: पेपर इस बात पर जोर देता है कि महत्वपूर्ण व्यावसायिक निर्णयों के लिए, एक मानव को अभी भी परिणामों की समीक्षा करनी चाहिए, क्योंकि AI कभी-कभी अत्यंत जटिल या अद्वितीय डेटाबेस संरचनाओं के साथ संघर्ष कर सकता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।