Yapay zeka alanında büyük dil modelleri (LLM), doğal dili çalıştırılabilir kod haline çevirmede önemli başarılar elde etti. Bu teknolojinin en önemli uygulamalarından biri Text-to-SQL sistemidir - kullanıcıların günlük dilde yazdıkları soruları veritabanı sorgularına çeviren sistemler.
Ancak mevcut teknoloji hala ciddi sınırlamalara sahip. Özellikle çoklu tablo birleştirmeleri, iç içe geçmiş koşullar ve gerçek dünyadan gelen düzensiz veritabanı şemaları ile başa çıkmakta zorlanıyor. Bu durum, teknolojinin pratik kullanımını sınırlıyor.
Araştırmacılar bu sorunu çözmek için LeGo-Code adlı yeni bir yaklaşım geliştirdi. Sistem, 'müfredat öğrenmesi' (curriculum learning) prensibini kullanıyor - tıpkı okullarda basit konulardan karmaşığa doğru öğretim yapılması gibi.
Spider ve BIRD gibi standart test setlerinde yapılan deneyler ilginç sonuçlar ortaya koydu. Basit karmaşıklık sıralaması yapan naif yaklaşım, standart eğitim yöntemlerinden bile daha kötü performans gösterdi. Bunun nedeni 'katastrofik unutma' - modelin yeni öğrendiklerini eskiler pahasına öğrenmesi.
Buna karşılık, daha sofistike modüler stratejiler umut verici sonuçlar verdi. Bu bulgular, yapay zekanın karmaşık kod üretme yeteneklerini geliştirmek için önemli ipuçları sunuyor ve gelecekteki araştırmalara yön veriyor.