Das ist bisher meine Lieblingsoption, wenn auch eine sehr schwer zu implementierende. Daher, Sie haben es erraten, ein weiteres Paper. Auch dies ist kein maßgebliches Paper, da es viele ähnliche Ansätze gibt.
“DiagGPT: An LLM-based Chatbot with Automatic Topic Management for Task-Oriented Dialogue” von Lang Cao (pdf)
Ersetzen Sie einfach die medizinischen Informationen durch PostgreSQL-Informationen, wie benötigt. Das Schöne ist, dass das Paper die Prompts liefert und vorschlägt, welches Tool mit Agenten verwendet werden soll.
Den Kaninchenbau hinunter. (Dreieck zum Betreten anklicken)
Da Task Oriented Dialogue das zu sein scheint, was benötigt wird.
Google-Suche: task oriented dialogue
Suchergebnis enthält: Papers With Code - Task-Oriented Dialogue Systems
Der Eintrag in der Rangliste ist T5-3b(UnifiedSKG), der einen Link zum Paper enthält
“UnifiedSKG: Unifying and Multi-Tasking Structured Knowledge Grounding with Text-to-Text Language Models” von Tianbao Xie, Chen Henry Wu, Peng Shi, Ruiqi Zhong, Torsten Scholak, Michihiro Yasunaga, Chien-Sheng Wu, Ming Zhong, Pengcheng Yin, Sida I. Wang, Victor Zhong, Bailin Wang, Chengzu Li, Connor Boyle, Ansong Ni, Ziyu Yao, Dragomir Radev, Caiming Xiong, Lingpeng Kong, Rui Zhang, Noah A. Smith, Luke Zettlemoyer und Tao Yu (pdf)
Beachten Sie dies
EDIT
Von https://python.langchain.com/
Erstellen Sie einen SQL-Agenten aus einem LLM und Tools. (ref)
Es listet ein paar am Ende der Seite auf, dieser sollte beachtet werden
Anwendungsfall
Unternehmensdaten werden oft in SQL-Datenbanken gespeichert.
LLMs ermöglichen die Interaktion mit SQL-Datenbanken über natürliche Sprache.
LangChain bietet SQL Chains und Agents, um SQL-Abfragen basierend auf natürlichsprachlichen Prompts zu erstellen und auszuführen.
Diese sind mit jedem SQL-Dialekt kompatibel, der von SQLAlchemy unterstützt wird (z. B. MySQL, PostgreSQL, Oracle SQL, Databricks, SQLite).
Sie ermöglichen Anwendungsfälle wie:
- Generieren von Abfragen, die basierend auf natürlichsprachlichen Fragen ausgeführt werden
- Erstellen von Chatbots, die Fragen basierend auf Datenbankdaten beantworten können
- Erstellen benutzerdefinierter Dashboards basierend auf Erkenntnissen, die ein Benutzer analysieren möchte
EDIT (23.08.2023)
Spider ist ein großer komplexer und domänenübergreifender semantischer Parsing- und Text-zu-SQL-Datensatz, der von 11 Yale-Studenten annotiert wurde. Das Ziel der Spider-Challenge ist die Entwicklung von natürlichsprachlichen Schnittstellen zu domänenübergreifenden Datenbanken. Er besteht aus 10.181 Fragen und 5.693 komplexen SQL-Abfragen auf 200 Datenbanken mit mehreren Tabellen, die 138 verschiedene Domänen abdecken. In Spider 1.0 erscheinen unterschiedliche komplexe SQL-Abfragen und Datenbanken in den Trainings- und Testdatensätzen. Um darin gut abzuschneiden, müssen Systeme gut auf neue SQL-Abfragen und neue Datenbankschemata generalisieren.
EDIT (24.08.2023)
Dataherald ist eine Natural-Language-to-SQL-Engine, die für die Beantwortung von Fragen auf Unternehmensebene über strukturierte Daten entwickelt wurde. Sie ermöglicht es Ihnen, eine API aus Ihrer Datenbank einzurichten, die Fragen in einfacher englischer Sprache beantworten kann.
Wie ich oft anderen sage, für manche Dinge im Leben muss man einfach warten, und jemand wird die Arbeit kostenlos für Sie erledigen.