AutoSchema: Live Schema Grounding for Agentic Text-to-Sparql over Heterogeneous Knowledge Graphs

Stel je het internet van de wetenschap voor als een enorme, chaotische bibliotheek waar elk boek in een andere taal is geschreven, zijn eigen unieke archiveringssysteem gebruikt en een bibliothecaris heeft die een dialect spreekt dat niemand anders begrijpt. Dit is de realiteit van Knowledge Graphs (kennisgrafieken) in de levenswetenschappen. In plaats van één enkele, gigantische database, hebben wetenschappers duizenden gespecialiseerde "grafieken" (digitale kaarten van feiten) voor zaken als genen, ziekten en medicijnen. Elke grafiek is een schatkist aan informatie, maar ze zijn allemaal verschillend opgebouwd. De één noemt een medicijn misschien "Drug A", terwijl een ander het "Compound X" noemt, en ze koppelen deze misschien op totaal verschillende manieren aan ziekten.

Om een computer een vraag te stellen zoals "Welke medicijnen behandelen deze specifieke kanker?", moet je je natuurlijke Engels vertalen naar een strikte, door computers leesbare code die SPARQL wordt genoemd. Het is alsof je een bibliothecaris naar een boek vraagt, maar je moet het exacte Dewey Decimal-nummer kennen, de specifieke kastcode en de precieze spelling van de naam van de auteur in de catalogus. Als je zelfs maar één klein detail fout doet, geeft de computer niets terug. Jarenlang was de oplossing om een mens (of een slimme AI) een enorme, perfecte "referentiegids" te laten schrijven voor elke afzonderlijke bibliotheek voordat je überhaupt vragen kon gaan stellen. Maar wat als de bibliotheek haar kasten 's nachts verandert? Of wat als het een gloednieuwe bibliotheek is die nog nooit iemand heeft gezien? Dat is het probleem dat dit artikel aanpakt: hoe kan een computeragent de regels van een bibliotheek ontdekken terwijl hij er middenin staat, zonder dat er vooraf een handboek nodig is?

Het artikel introduceert een nieuw framework genaamd AutoSchema, dat fungeert als een superintelligente, nieuwsgierige detective voor deze wetenschappelijke bibliotheken. In plaats van te wachten tot een mens een statische "referentiegids" schrijft (die de auteurs een MIE-bestand noemen) die mogelijk verouderd is, laat AutoSchema de AI-agent direct naar de "live" database gaan en rondkijken. Wanneer de agent een vraag heeft, raadt hij de regels niet; hij vraagt de database zelf: "Hé, hoe heten jouw kasten? Hoe spel je dit gen? Wat verbindt dit medicijn met die ziekte?" Hij verzamelt dit bewijs in realtime, precies op het moment dat de vraag wordt gesteld.

De onderzoekers testten deze detective tegen de oude methode (die leunt op die vooraf geschreven referentiegidsen) met behulp van een verscheidenheid aan moeilijke biomedische vragen. Ze ontdekten dat AutoSchema over het algemeen beter was in het vinden van de juiste antwoorden. In tests met betrekking tot genen en ziekten kreeg de nieuwe methode de feiten vaker goed en maakte minder fouten dan de oude manier. Het gebruikte ook minder "tool calls" (minder pogingen om de database vragen te stellen) en kwam minder vaak in lussen vast te zitten. De auteurs suggereren dat deze aanpak vooral nuttig is bij het werken met rommelige, onregelmatige of gloednieuwe databases waar nog geen referentiegids voor bestaat. Ze merken echter voorzichtig op dat hoewel de resultaten veelbelovend zijn, de "bridge"-functie (die helpt om twee verschillende bibliotheken met elkaar te verbinden) niet veel werd gebruikt in hun tests, en dat er meer experimenten nodig zijn om zeker te weten dat het in elk scenario perfect werkt.

Kortom, het artikel betoogt dat in plaats van te vertrouwen op een statische, vooraf geschreven kaart die misschien fout of verouderd is, we onze AI-agents de ruimte live moeten laten verkennen. Door hun vragen te funderen in de werkelijke, actuele staat van de database, kunnen ze het complexe, verschuivende landschap van de levenswetenschappelijke data nauwkeuriger en efficiënter navigeren. Het is een verschuiving van "de kaart uit het hoofd leren" naar "het terrein leren kennen terwijl je eroverheen loopt."