Büyük dil modelleri, doğal dilde sorulan soruları SQL veritabanı sorgularına çevirebiliyor ancak karmaşık durumlarda hata yapabiliyor. Araştırmacılar, geçmiş sorgu örneklerinden şablon oluşturan TeCoD sistemini geliştirdi. Bu sistem, benzer soruları tanıyıp önceden test edilmiş şablonları kullanarak %36 daha yüksek başarı oranı elde ediyor. Özellikle tekrar eden sorular için güvenilir yanıtlar üretiyor ve geçersiz SQL kodları oluşturma riskini minimize ediyor. Sistem, şablon seçimi ve dilbilgisi kısıtlamalı kod üretimi olmak üzere iki ana bileşenden oluşuyor.

Büyük dil modelleri, doğal dilden SQL'e çeviri testlerinde etkileyici başarılar sergiliyor. Ancak yeni bir araştırma, bu başarının yanıltıcı olabileceğini ortaya koyuyor. Araştırmacılar, modellerin eğitim sırasında benzer sorulara maruz kaldığı için testlerde haksız avantaj elde ettiğini keşfetti. SPENCE adlı yeni test yöntemi, bu durumu tespit etmek için geliştirildi. Çalışma, modellerin gerçek anlama yerine ezber yapıyor olabileceğini gösteriyor. Bu bulgu, yapay zeka değerlendirmelerindeki güvenilirlik sorunlarına ışık tutuyor ve daha adil test yöntemlerine duyulan ihtiyacı vurguluyor. Araştırma, yapay zeka alanındaki performans ölçümlerinin yeniden gözden geçirilmesi gerektiğini işaret ediyor.

Araştırmacılar, doğal dili kod haline çeviren büyük dil modellerinin karmaşık veritabanı sorgularında yaşadığı zorlukları çözmek için yeni bir yaklaşım geliştirdi. Text-to-SQL teknolojisi, teknik bilgisi olmayan kullanıcıların doğal dille veritabanlarından bilgi almasını sağlıyor ancak çoklu tablolar arası karmaşık bağlantılar ve iç içe geçmiş sorguları işlemekte zorlanıyor. LeGo-Code adlı yeni sistem, modüler müfredat öğrenme yöntemiyle bu sorunu çözmeyi hedefliyor. Geleneksel yaklaşımların aksine, basit örneklerden karmaşığa doğru sıralı öğrenme stratejisi uyguluyor. Spider ve BIRD gibi benchmark testlerde yapılan denemeler, naif müfredat yaklaşımının yeterli olmadığını, ancak daha sofistike stratejilerin umut verici sonuçlar verdiğini gösteriyor. Bu çalışma, yapay zekanın kod üretme kabiliyetlerini geliştirmek için önemli ipuçları sunuyor.

Araştırmacılar, yapay zeka modellerinin doğal dille verilen talimatları SQL sorgularına dönüştürme performansını sistematik olarak ölçebilen ilk kapsamlı değerlendirme çerçevesini geliştirdi. NL2SQLBench adı verilen bu sistem, veritabanı uzmanı olmayan kullanıcıların sade Türkçe veya İngilizce sorularla karmaşık veritabanı sorgularını yapabilmesini sağlayan teknolojilerin etkinliğini test ediyor. Sistem, şema seçimi, aday sorgu üretimi ve sorgu düzeltme olmak üzere üç temel modülü ayrı ayrı analiz ederek, hangi yaklaşımların daha başarılı olduğunu belirliyor. Bu gelişme, yapay zeka destekli veritabanı araçlarının güvenilirliğini artırmak için kritik bir adım sayılıyor.

Araştırmacılar, doğal dilde sorulan soruları PostgreSQL veritabanı sorgularına çeviren açık kaynaklı bir sistem geliştirdi. SQL Query Engine adlı bu sistem, büyük dil modellerini (LLM) kullanan iki aşamalı bir yapıya sahip. İlk aşamada veritabanı şemasını otomatik analiz ederek SQL kodları üretiyor, ikinci aşamada ise sorguları çalıştırıp hata durumlarında kendini iyileştiren döngüye giriyor. Sistemin en önemli özelliği, başarısız sorguları PostgreSQL'in hata mesajlarını kullanarak düzeltebilmesi. Bu teknoloji, veritabanı sorgulamasını bilmeyen kullanıcıların kolayca veri analizi yapabilmesine olanak tanıyor.

Araştırmacılar, elektronik sağlık kayıtlarından bilgi çıkarmayı kolaylaştıran yeni bir yapay zeka sistemi geliştirdi. CBR-to-SQL adlı bu sistem, doktorların ve araştırmacıların SQL programlama bilgisi olmadan da hasta verilerini analiz edebilmelerine olanak tanıyor. Geleneksel yöntemlerin aksine, tıbbi terminolojideki tutarsızlıkları ve karmaşıklıkları daha iyi anlayabilen bu sistem, vaka tabanlı akıl yürütme yaklaşımını kullanıyor. Sistem, doğal dilde sorulan soruları otomatik olarak veritabanı sorgularına çevirerek, klinik karar verme süreçlerini hızlandırıyor ve tıbbi araştırmaları destekliyor.

Araştırmacılar, doğal dil komutlarını SQL sorgularına çeviren yapay zeka sistemlerinin en büyük sorununu çözen yeni bir yaklaşım geliştirdi. PV-SQL adlı bu sistem, karmaşık veritabanı sorgularında yaşanan anlam karışıklığını gidermek için iki aşamalı bir yöntem kullanıyor. İlk aşamada veritabanını 'yoklayarak' bağlamı anlamaya çalışıyor, ikinci aşamada ise kural tabanlı doğrulama yapıyor. BIRD test setindeki denemelerde, mevcut en iyi sistemlerden %5 daha doğru sonuçlar üretirken, %20,8 daha verimli çalıştığını gösterdi.

Araştırmacılar, yapay zeka asistanlarının belge aramalarını iyileştiren 'vstash' adlı yeni bir sistem geliştirdi. Bu sistem, vektör benzerlik araması ve tam metin anahtar kelime eşleştirmesini birleştirerek daha etkili sonuçlar üretiyor. Sistemin en önemli özelliği, tüm verileri tek bir SQLite dosyasında saklayarak yerel çalışabilmesi ve internet bağlantısı gerektirmemesi. BEIR veri setlerinde yapılan testlerde, geleneksel yöntemlere göre %19,5'e varan performans artışları elde edildi. Sistem ayrıca, farklı arama yöntemlerinin anlaşmazlıklarını kullanarak kendini geliştirebiliyor ve bu sayede insan etiketlemesine ihtiyaç duymuyor.

Onkoloji araştırmalarında çalışan klinisyenler, karmaşık veritabanlarından bilgi çekmek için genellikle SQL kod yazma bilgisine ihtiyaç duyuyorlar. Araştırmacılar, doğal dil ile sorulan soruları otomatik olarak SQL koduna çeviren FD-NL2SQL adlı bir yapay zeka sistemi geliştirdi. Sistem, kullanıcının günlük dille sorduğu soruları analiz ediyor, veritabanı yapısını anlıyor ve geçmiş örneklerden yararlanarak doğru SQL sorguları üretiyor. En önemli özelliği ise kullanıldıkça öğreniyor: doktorların düzeltmeleri sisteme ekleniyor ve mantık tabanlı geliştirmelerle performansı artıyor. Bu teknoloji, tıp alanında veri analizini demokratikleştirerek, programlama bilgisi olmayan klinisyenlerin de karmaşık veritabanı sorgularını kolayca yapabilmesini sağlıyor.

Araştırmacılar, veritabanı sorgularında hem bireysel gizliliği koruyup hem de kurumsal güvenlik kurallarına uygunluk sağlayan yeni bir SQL kütüphanesi geliştirdi. DPSQL+ adlı sistem, diferansiyel gizlilik teknolojisini minimum frekans kuralıyla birleştirerek, veri analizlerinde çifte güvenlik sunuyor. Minimum frekans kuralı, yayınlanan her veri grubunun en az belirli sayıda farklı kişiden katkı içermesini zorunlu kılar. Bu yaklaşım, hassas verilerin analiz edilirken hem akademik gizlilik standartlarını hem de kurumsal yönetişim gereksinimlerini karşılaması sorununu çözüyor. Modüler yapısıyla farklı veritabanı sistemleriyle uyumlu çalışabilen kütüphane, veri bilimcilerin güvenli analiz yapmasını kolaylaştırıyor.

Araştırmacılar, doğal dili MongoDB sorgu diline çeviren yeni bir yapay zeka sistemi geliştirdi. EvoMQL adı verilen bu sistem, geleneksel SQL veritabanlarından farklı olarak MongoDB'nin karmaşık yapısını anlayabiliyor. Sistem, Draft-Refine-Optimize döngüleri kullanarak sürekli kendini geliştiriyor ve hatalarından öğrenebiliyor. Bu gelişme, teknik bilgisi olmayan kullanıcıların modern belge tabanlı veritabanlarına kolayca erişmesini sağlayacak. MongoDB'nin iç içe geçmiş şemaları ve belirsiz değer eşlemesi gibi zorluklarla başa çıkabilen sistem, her sorgulama döngüsünde daha doğru sonuçlar üretiyor.