Mesa Redonda: Alavancando Esquema Dinâmico e Autocompletar Contextual para Aumentar a Precisão da Consulta em Perguntas e Respostas Tabulares

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

August 22, 2024

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

cs.AI

Resumo

Com os avanços em Modelos de Linguagem de Grande Escala (LLMs), um importante caso de uso que surgiu é a consulta a bancos de dados em inglês simples, traduzindo perguntas de usuários em consultas de banco de dados executáveis, o que melhorou significativamente. No entanto, conjuntos de dados do mundo real frequentemente apresentam uma vasta gama de atributos e valores complexos, complicando a tarefa dos LLMs de identificar com precisão colunas ou valores relevantes a partir de consultas em linguagem natural. Métodos tradicionais não conseguem transmitir totalmente o tamanho e a complexidade dos conjuntos de dados para o LLM. Para enfrentar esses desafios, propomos um novo framework que aproveita a Pesquisa de Texto Completo (FTS) na tabela de entrada. Esta abordagem não apenas permite a detecção precisa de valores e colunas específicos, mas também reduz o espaço de busca para os modelos de linguagem, melhorando assim a precisão da consulta. Além disso, suporta um recurso de auto-completar personalizado que sugere consultas com base nos dados na tabela. Essa integração refina significativamente a interação entre o usuário e conjuntos de dados complexos, oferecendo uma solução sofisticada para as limitações enfrentadas pelas capacidades atuais de consulta de tabelas. Este trabalho é acompanhado por um aplicativo para plataformas Mac e Windows, que os leitores podem experimentar por si mesmos com seus próprios dados.

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.