Talk to your data: Enhancing Business Intelligence and Inventory Management with LLM-Driven Semantic Parsing and Text-to-SQL for Database Querying
Notice bibliographique
Résumé
This paper delves into the potential of Large Language Models (LLMs) in revolutionizing business intelligence and inventory management through semantic parsing and text-to-SQL methodologies. It assesses various LLM models, such as DIN-SQL, DSP, NSQL, GPT, CoPilot, and LLaMa, elucidating their capabilities and contributions. Two critical analyses are presented here. The first compares cutting-edge LLM models using cosine similarity and cost efficiency metrics. The second analysis enhances GPT’s precision through prompt engineerings, like few-shot techniques, and explores frameworks like DIN-SQL, NSQL, and DSP. DIN-SQL substantially boosts accuracy, and NSQL demonstrates potential in specific scenarios. This research underscores the transformative potential of LLM-driven models in business intelligence and inventory management. DIN-SQL, in particular, emerges as a game-changer with the potential to reshape inventory management practices. GPT showcases its versatility through fine-tuning for tasks beyond conventional programming, while CoPilot offers a cost-effective alternative. This study emphasizes the importance of cost-effectiveness in real-world applications, with LLaMa and CoPilot being practical choices. NSQL, with its budget-friendly and semi-accurate solution, holds promise for semantic parsing in growing companies. These insights are a foundation for further innovation, promising unmatched efficiency and competitiveness across industries in the evolving Artificial intelligence landscape.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,006 | 0,010 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».