[공지사항]을 빙자한 안부와 근황 
Show more

Daily Arxiv

Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo.
La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro.
Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.

THOR: Heurísticas de transformadores para la recuperación a demanda

Created by
  • Haebom

Autor

Isaac Shi, Zeyuan Li, Fan Liu, Wenli Wang, Lewei He, Yang Yang, Tianyu Shi

Describir

El módulo Transformer Heuristics for On-Demand Retrieval (THOR), desarrollado por eSapiens, es un motor seguro y escalable que transforma preguntas en lenguaje natural en consultas analíticas SQL validadas de solo lectura. Basado en una arquitectura de orquestación/ejecución desacoplada, el agente supervisor enruta las consultas, el descubrimiento de esquemas inyecta dinámicamente metadatos de tablas y columnas, y el agente de generación SQL genera consultas SELECT de una sola sentencia protegidas por protecciones de solo lectura. El bucle integrado de autocorrección y evaluación detecta resultados vacíos, errores de ejecución o resultados de baja calidad e intenta la regeneración basada en LLM hasta cinco veces. Finalmente, el agente de interpretación de resultados genera información concisa y legible para el usuario y envía las filas sin procesar al motor de Insights and Intelligence para su visualización o predicción. Las pruebas de humo para escenarios financieros, comerciales y operativos demuestran la fiabilidad de las consultas ad hoc y la generación de informes periódicos automatizados. Al incorporar reconocimiento de esquemas, ejecución con tolerancia a fallos y protecciones de cumplimiento, el módulo THOR permite a los usuarios sin conocimientos técnicos acceder de forma segura a datos en tiempo real sin usar SQL.

Takeaways, Limitations

Takeaways:
Traducir preguntas en lenguaje natural en consultas SQL para mejorar la accesibilidad a los datos para usuarios no técnicos.
Mejore la seguridad de los datos con protección de solo lectura.
Aumenta la confiabilidad de la ejecución de consultas mediante bucles de autocorrección y evaluación.
Aplicable a diversos escenarios de negocio (finanzas, ventas, operaciones).
Proporciona capacidades de informes periódicos automatizadas.
Limitations:
Debido a las limitaciones en la regeneración basada en LLM, la precisión para ciertas preguntas complejas puede verse reducida.
El rendimiento del sistema puede depender de la precisión del reconocimiento del esquema.
Se necesita una mayor validación del rendimiento y la escalabilidad en grandes conjuntos de datos.
Falta de información sobre la variedad de tipos de bases de datos y esquemas admitidos actualmente.
Es necesario revisar la estabilidad a largo plazo y el mantenimiento en entornos operativos reales.
👍