[공지사항]을 빙자한 안부와 근황 
Show more

Daily Arxiv

Cette page résume et organise les publications en intelligence artificielle du monde entier.
Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif.
Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.

THOR : Heuristiques de transformateur pour la récupération à la demande

Created by
  • Haebom

Auteur

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

Contour

Le module THOR (Transformer Heuristics for On-Demand Retrieval) est un moteur sécurisé et évolutif, conçu et implémenté par eSapiens, qui convertit les questions en langage naturel en analyses SQL de bases de données d'entreprise validées et en lecture seule. Ce module texte-SQL suit une architecture d'orchestration/exécution découplée. L'agent de supervision achemine les requêtes, la découverte de schémas insère dynamiquement les métadonnées des tables et des colonnes, et l'agent de génération SQL génère des requêtes SELECT à instruction unique protégées par des protections en lecture seule. La boucle d'autocorrection et d'évaluation intégrée détecte les résultats vides, les erreurs d'exécution ou les sorties de mauvaise qualité et déclenche jusqu'à cinq tentatives de régénération basées sur LLM. Enfin, l'agent d'interprétation des résultats génère des informations concises et lisibles par l'utilisateur et transmet les lignes brutes au moteur Insights and Intelligence à des fins de visualisation ou de prédiction. Les tests de détection de fumée pour les scénarios financiers, commerciaux et opérationnels démontrent la fiabilité des requêtes ad hoc et la production de rapports périodiques automatisés. En intégrant la connaissance des schémas, l'exécution tolérante aux pannes et les garanties de conformité, les modules THOR permettent aux utilisateurs non techniques d'accéder aux données en direct avec la simplicité zero-SQL et une sécurité de niveau entreprise.

Takeaways, Limitations_

Takeaways:
Traduisez les questions en langage naturel en requêtes SQL pour améliorer l'accessibilité des données pour les utilisateurs non techniques
Construire un système stable et tolérant aux pannes avec une architecture découplée et des boucles autocorrectrices
Sécurité des données renforcée avec protection en lecture seule
Fonctionnement efficace prouvé dans divers scénarios commerciaux (finances, ventes, opérations)
Fournir des résultats concis et lisibles par l'homme
Limitations:
Limite du nombre de tentatives de régénération basées sur LLM (maximum 5)
Seuls les résultats des tests de fumée sont présentés, une vérification supplémentaire des performances et de la stabilité dans les environnements d'exploitation réels est donc nécessaire.
Manque d'informations sur les types de modèles LLM spécifiques ou sur leurs performances
Manque de description détaillée de la compatibilité avec divers systèmes de bases de données.
Des explications supplémentaires sont nécessaires concernant la précision et l’efficacité de la recherche de schéma.
👍