La inteligencia artificial (IA) y los sistemas de gestión de bases de datos han convergido cada vez más, con un potencial significativo para mejorar la forma en que los usuarios interactúan con grandes conjuntos de datos. Los avances recientes tienen como objetivo permitir a los usuarios plantear preguntas en lenguaje natural directamente a las bases de datos y obtener respuestas detalladas y complejas. Sin embargo, las herramientas actuales son limitadas para abordar las demandas del mundo real. Los modelos de IA tradicionales, como los modelos de lenguaje (LM), ofrecen potentes capacidades de razonamiento, mientras que las bases de datos proporcionan cálculos de alta precisión a escala. El desafío es unificar estas dos capacidades para mejorar el alcance y la precisión de las respuestas que los usuarios pueden recibir de las consultas impulsadas por bases de datos.

Un problema acuciante en este campo es la insuficiencia de los métodos existentes, como Text2SQL y Retrieval-Augmented Generation (RAG). Text2SQL se centra en traducciones simples de consultas de lenguaje natural a SQL, lo que limita su capacidad para responder a consultas más complejas y basadas en el contexto que requieren razonamiento semántico. Por ejemplo, los usuarios comerciales a menudo necesitan responder preguntas como «¿Por qué cayeron nuestras ventas durante el último trimestre?» o «¿Qué reseñas de clientes del producto X son positivas?» Text2SQL no puede responder adecuadamente a este tipo de preguntas, ya que exigen una comprensión del lenguaje natural más allá de los datos relacionales simples. De manera similar, los sistemas RAG realizan búsquedas de puntos básicas en bases de datos. Aun así, son ineficientes para manejar consultas más amplias de varios pasos que requieren interacciones en varias filas de datos o la agregación de resultados de múltiples tablas. Esta falta de complejidad en los modelos actuales dificulta sus aplicaciones en el mundo real, en particular en contextos comerciales donde el análisis y la interpretación de datos van más allá de la simple recuperación de datos.

Investigadores de la Universidad de California en Berkeley y la Universidad de Stanford han propuesto un nuevo método llamado Generación aumentada por tablas (TAG)TAG está diseñado para combinar las capacidades de razonamiento semántico de los LM con el poder de cálculo escalable de las bases de datos, lo que permite interacciones más sofisticadas entre ambos. Este método reconoció que los usuarios del mundo real con frecuencia hacen preguntas que exceden las capacidades de Text2SQL y RAG. TAG primero transforma la consulta de lenguaje natural de un usuario en una consulta de base de datos ejecutable, que luego es procesada por la base de datos para recuperar datos relevantes. Los datos recuperados se combinan con la consulta original y un modelo de lenguaje genera una respuesta integral. Este proceso permite a TAG manejar consultas que requieren conocimiento del mundo, razonamiento lógico y cálculos precisos sobre grandes conjuntos de datos.

El modelo TAG divide el proceso de preguntas y respuestas en tres pasos clave: síntesis de la consulta, ejecución y generación de la respuesta. En primer lugar, el sistema interpreta la consulta en lenguaje natural y la traduce en una consulta de base de datos. A continuación, esta consulta se ejecuta en la base de datos, recuperando las filas de datos pertinentes. Por último, el modelo de lenguaje procesa estos datos recuperados, generando una respuesta detallada y contextualmente relevante para el usuario. Este proceso de tres pasos permite a TAG gestionar una amplia variedad de preguntas que serían demasiado complejas para los métodos existentes. Los investigadores demostraron la capacidad del sistema a través de pruebas comparativas, que mostraron que el modelo TAG podía responder correctamente hasta el 65% de las consultas complejas, una mejora significativa con respecto a la tasa de éxito del 20% lograda por los mejores modelos existentes.

Además de superar a Text2SQL y RAG, TAG es versátil en cuanto a los tipos de consultas que puede procesar. Los investigadores probaron el sistema en múltiples dominios, incluidos inteligencia empresarial, análisis de sentimientos de los clientes y análisis de tendencias financieras. Por ejemplo, una consulta resumió las críticas de la película romántica más taquillera considerada un clásico. TAG sintetizó datos relevantes, incluido el título de la película, los ingresos y las críticas, y proporcionó una respuesta detallada, algo que los sistemas tradicionales no podían hacer. El sistema se probó en 80 consultas, que abarcaban dominios como Fórmula 1, uso de tarjetas de débito y educación. En la mayoría de los casos, el rendimiento de TAG superó al de los modelos existentes, lo que confirmó su aplicabilidad más amplia.

Los resultados de la evaluación comparativa mostraron que TAG logró una precisión de coincidencia exacta promedio del 55 % en varios tipos de consultas, y que tipos específicos como las consultas de comparación alcanzaron una precisión del 65 %. Por el contrario, Text2SQL tuvo dificultades para alcanzar el 20 % en la mayoría de los casos, y RAG no logró proporcionar una sola respuesta correcta en muchos casos. La secuencia de comandos TAG escrita a mano, construida sobre el entorno de ejecución de LOTUS, también demostró una ventaja en el tiempo de ejecución, ya que completó la mayoría de las tareas en un promedio de 2,94 segundos, hasta 3,1 veces más rápido que los métodos tradicionales. Esta eficiencia, junto con una precisión mejorada, convierte a TAG en una herramienta muy prometedora para el futuro de la gestión de bases de datos impulsada por IA.

En conclusión, al unificar los modelos de lenguaje con las bases de datos, TAG abre nuevas posibilidades para responder a consultas complejas en lenguaje natural que requieren un razonamiento detallado y un cálculo preciso. Este enfoque aborda una limitación clave de los modelos actuales al permitirles procesar una gama más amplia de consultas con mayor precisión y eficiencia. La capacidad de TAG para manejar preguntas que requieren conocimiento del mundo, lógica y razonamiento semántico demuestra su potencial para transformar la toma de decisiones basada en datos en varios campos, incluidos la inteligencia empresarial, el análisis de comentarios de los clientes y la previsión de tendencias. A través de esta innovación, los investigadores han resuelto un problema de larga data en la integración de bases de datos e IA y han allanado el camino para nuevos avances en la forma en que los usuarios interactúan con los datos a gran escala.

Echa un vistazo a la Papel. Todo el crédito por esta investigación corresponde a los investigadores de este proyecto. Además, no olvides seguirnos en Gorjeo y LinkedInÚnete a nuestro Canal de Telegram.

Si te gusta nuestro trabajo, te encantará nuestro hoja informativa..

No olvides unirte a nuestro Subreddit con más de 50 000 millones de usuarios

Asif Razzaq es el director ejecutivo de Marktechpost Media Inc. Como ingeniero y emprendedor visionario, Asif está comprometido con aprovechar el potencial de la inteligencia artificial para el bien social. Su iniciativa más reciente es el lanzamiento de una plataforma de medios de inteligencia artificial, Marktechpost, que se destaca por su cobertura en profundidad de noticias sobre aprendizaje automático y aprendizaje profundo que es técnicamente sólida y fácilmente comprensible para una amplia audiencia. La plataforma cuenta con más de 2 millones de visitas mensuales, lo que ilustra su popularidad entre el público.