RoundTable: Benutten van dynamische schema's en contextuele automatische aanvulling voor verbeterde queryprecisie in tabelvraagbeantwoording

RoundTable: Leveraging Dynamic Schema and Contextual Autocomplete for Enhanced Query Precision in Tabular Question Answering

August 22, 2024

Auteurs: Pratyush Kumar, Kuber Vijaykumar Bellad, Bharat Vadlamudi, Aman Chadha

cs.AI

Samenvatting

Met de vooruitgang in Grote Taalmodellen (LLM's) is een belangrijke toepassing ontstaan: het bevragen van databases in gewoon Engels, waarbij gebruikersvragen worden vertaald naar uitvoerbare databasequery's, wat aanzienlijk is verbeterd. Echter, datasets in de praktijk bevatten vaak een breed scala aan attributen en complexe waarden, wat het voor LLM's moeilijk maakt om relevante kolommen of waarden nauwkeurig te identificeren op basis van natuurlijke taalvragen. Traditionele methoden kunnen de omvang en complexiteit van de dataset niet volledig overbrengen naar het LLM. Om deze uitdagingen aan te pakken, stellen we een nieuw raamwerk voor dat gebruikmaakt van Volledige Tekst Zoeken (FTS) op de invoertabel. Deze aanpak maakt niet alleen een nauwkeurige detectie van specifieke waarden en kolommen mogelijk, maar verkleint ook de zoekruimte voor taalmodel, waardoor de nauwkeurigheid van query's wordt verbeterd. Daarnaast ondersteunt het een aangepaste auto-complete functie die query's voorstelt op basis van de gegevens in de tabel. Deze integratie verfijnt de interactie tussen de gebruiker en complexe datasets aanzienlijk en biedt een geavanceerde oplossing voor de beperkingen van de huidige tabelbevragingsmogelijkheden. Dit werk wordt vergezeld door een applicatie voor zowel Mac- als Windows-platforms, die lezers zelf kunnen uitproberen met hun eigen gegevens.

English

With advancements in Large Language Models (LLMs), a major use case that has emerged is querying databases in plain English, translating user questions into executable database queries, which has improved significantly. However, real-world datasets often feature a vast array of attributes and complex values, complicating the LLMs task of accurately identifying relevant columns or values from natural language queries. Traditional methods cannot fully relay the datasets size and complexity to the LLM. To address these challenges, we propose a novel framework that leverages Full-Text Search (FTS) on the input table. This approach not only enables precise detection of specific values and columns but also narrows the search space for language models, thereby enhancing query accuracy. Additionally, it supports a custom auto-complete feature that suggests queries based on the data in the table. This integration significantly refines the interaction between the user and complex datasets, offering a sophisticated solution to the limitations faced by current table querying capabilities. This work is accompanied by an application for both Mac and Windows platforms, which readers can try out themselves on their own data.