ВИКОРИСТАННЯ ВЕЛИКИХ МОВНИХ МОДЕЛЕЙ ДЛЯ ПЕРЕТВОРЕННЯ ПРИРОДНОЇ МОВИ В SQL ЗАПИТ

В. М. Борисюк, А. В. Козловський · Таврійський науковий вісник Серія Технічні науки · 2025

Проблема автоматичного перетворення запитань, сформульованих природною мовою, у структуровані SQL-запити (технологія Text-to-SQL), залишається актуальною впродовж останніх десятиліть через постійне зростання обсягів даних і потребу в доступі до них з боку нефахових користувачів. Основними викликами цього завдання є складність інтерпретації запитів користувачів, необхідність врахування структур баз даних, неоднозначність природної мови, а також забезпечення високої точності синтезу SQL-запитів. Традиційні підходи, що поєднують ручну розробку правил із використанням глибоких нейронних мереж, продемонстрували значний прогрес, однак часто вимагають значних людських ресурсів для створення та підтримки правил, а також демонструють обмежену здатність до узагальнення на нові домени. Подальший розвиток у цій сфері був пов’язаний із появою попередньо натренованих мовних моделей (PLM), які забезпечили суттєве покращення результатів у задачах Text-to-SQL за рахунок глибшого розуміння семантики природної мови. Проте зі зростанням складності схем баз даних і мовних формулювань виникає проблема: моделі, обмежені за розміром, часто генерують некоректні SQL-запити, що зумовлює потребу в складних оптимізаційних стратегіях та знижує масштабованість таких рішень. У цьому кон- тексті великі мовні моделі (LLM) демонструють нові можливості завдяки своїй високій здатності до розуміння природної мови, багатозадачності, контекстної обізнаності та глибокого семантичного аналізу, що покращується зі зростанням розміру моделей.У статті проведено ґрунтовний аналіз ключових технічних викликів, таких як лінгвіс- тична неоднозначність, розуміння та репрезентація схеми бази даних, генерація рідкісних SQL-операцій і проблема узагальнення на різні домени. Описано основні етапи розвитку напряму Text-to-SQL, розглянуто актуальні набори даних, що охоплюють мультидоменні, багатомовні, контекстно-залежні та знання-доповнені задачі, а також наведено харак- теристики метрик оцінювання якості генерації SQL, серед яких Component Matching, Exact Matching, Execution Accuracy і Valid Efficiency Score. Також узагальнено останні наукові досягнення, зокрема інтеграцію великих мовних моделей, використання стратегій навчання з контекстом (in-context learning), донавчання (fine-tuning), аугментацію даних та багатозадачне налаштування.

Cited by 0 works. doi:10.32782/tnv-tech.2025.2.4 Open-access PDF

Authors