گذار از پرس وجوی متنی به سیستم های عامل محور مرور نظام مند و تحلیل روندهای نوین در تعامل مدل های زبانی بزرگ با داده های ساختاریافته

ظهور مدل های زبانی بزرگ (LLMS) انقلابی در تعامل انسان با سیستم های داده ای ایجاد کرده و پتانسیل بی سابقه ای برای پل زدن بر شکاف معناشناختی بین زبان طبیعی و زبان های پرس وجوی ساختاریافته ارائه داده است. این مقاله مروری نظام مند با تحلیل پژوهش های پیشرو در بازه ۲۰۲۳ تا ۲۰۲۵ به بررسی و دسته بندی معماری های طراحی شده برای این تعامل می پردازد. یافته ها نشان می دهد که راهکارهای موجود در پنج چارچوب کلان قابل طبقه بندی هستند: مهندسی پرامپت، تنظیم دقیق تخصصی، معماری بازیابی تولید تقویت شده (RAG)، عامل های خودمختار تک وظیفه ای و سیستم های چندعاملی. مقاله با ارائه تحلیلی مقایسه ای نقاط قوت و ضعف ذاتی هر معماری را در معیارهایی چون دقت، مقیاس پذیری، امنیت و قابلیت تفسیر برمی شمارد و مصالحه های کلیدی بین آنها را آشکار می سازد. تحلیل ها حاکی از آن است که هیچ راه حل جامعی برای همه سناریوها وجود ندارد و انتخاب بهینه به شدت وابسته به الزامات خاص کاربرد است. در ادامه چالش های حل نشده کلیدی از جمله مقیاس پذیری محاسباتی، تضمین قابلیت اطمینان و امنیت و نیاز به تفسیرپذیری عمیق تر مورد بحث قرار می گیرند. در نهایت نقشه راه پژوهشی آینده با تاکید بر توسعه معماری های هیبریدی عصبی نمادین، عامل های خودمختار بلندمدت و چارچوب های ارزیابی چندبعدی ترسیم می شود.

کلیدواژه ها:

مدل های زبانی بزرگ ، Text-to-SQL ، بازیابی تولید تقویت شده (RAG) ، سیستم های چندعاملی ، عامل های هوشمند ، داده های ساختاریافته