مدل‌های SQRL با بازبینی پیش‌فرض داده‌ها دقت تبدیل متن به SQL را بالا بردند

تصور کنید یک تحلیلگر داده پیش از نوشتن هر خط کد، ابتدا نگاهی به مقادیر واقعی جداول می‌اندازد تا از صحت نام ستون‌ها مطمئن شود. مدل‌های جدید SQRL دقیقاً همین رفتار انسانی را شبیه‌سازی می‌کنند تا خطاهای خاموش در استخراج داده‌ها را به حداقل برسانند.

طبق اعلام Feyn AI، استارتاپی تحت حمایت Y Combinator، چالش اصلی سامانه‌های تبدیل متن به SQL (Text-to-SQL) تاکنون به عنوان یک مسئلهٔ ترجمه دیده شده است؛ یعنی تبدیل یک پرسش طبیعی به یک کوئری ساختاریافته. اما این رویکرد یک شکاف بنیادین دارد: یک کوئری می‌تواند از نظر نحوی کاملاً درست باشد و بدون خطا اجرا شود، اما به دلیل تفسیر غلط ستون‌ها یا پیوندهای اشتباه بین جداول، پاسخ کاملاً غلطی بازگرداند. این اتفاق زمانی رخ می‌دهد که مدل جداول اشتباهی را با هم پیوند می‌زند، یک ستون مبهم را نادرست تفسیر می‌کند یا مقادیری را فیلتر می‌کند که اصلاً در داده‌های واقعی وجود ندارند.

همان‌طور که در تحلیل‌های پیشین ما درباره‌ی عامل‌های هوش مصنوعی (AI Agents) اشاره کردیم، کلید موفقیت در محیط‌های پیچیده، گذار از توابع استاتیک به رفتارهای پویاست. مدل‌های سنتی تنها به طرحواره (Schema) یا همان نقشه کلی پایگاه‌داده تکیه می‌کنند که تنها نام جداول و انواع ستون‌ها را ارائه می‌دهد. اما طرحواره نمی‌تواند توزیع واقعی داده‌ها یا فرمت ذخیره‌سازی آن‌ها را فاش کند. برای مثال، یک طرحواره نمی‌تواند به مدل بگوید که نام یک شهرستان در داده‌های واقعی به صورت 'Alameda' ذخیره شده، یا به شکل 'Alameda County' و یا حتی با حروف بزرگ 'ALAMEDA'.

برای حل این مشکل، Feyn AI خانواده مدل‌های SQRL را معرفی کرد. این مدل‌ها به جای پرش مستقیم از پرسش به کوئری، به گونه‌ای طراحی شده‌اند که Text-to-SQL را به جای یک وظیفهٔ ترجمه ساده، به عنوان یک «وظیفهٔ بازبینی» (Inspection Task) مدیریت کنند. SQRL با اجرای کوئری‌های اکتشافی و پیش‌دستانه برای رفع ابهامات، اطمینان حاصل می‌کند که SQL نهایی توسط مقادیر واقعی موجود در پایگاه‌داده پشتیبانی می‌شود.

این رویکرد عامل‌محور (Agentic) به مدل اجازه می‌دهد تا پیش از تعهد به یک برنامهٔ نهایی برای اجرا، فرضیات خود را درباره داده‌ها تأیید کند. این تغییر در معماری یادآور پیشرفت‌های اخیر در بهینه‌سازی سامانه‌های توزیع‌شدهٔ عامل‌محور است که توانسته‌اند زمان پرس‌وجوهای حجیم را به‌طور چشمگیری کاهش دهند. این فرآیند باعث می‌شود نرخ «شکست‌های خاموش» — جایی که کد بدون خطا اجرا می‌شود اما نتیجهٔ استخراج شده غلط است — به‌شدت کاهش یابد.

به نقل از مستندات منتشر شده در Hugging Face، این خانواده در سه چک‌پوینت (Checkpoint) مختلف برای پاسخ به نیازهای متنوع استقرار عرضه شده است:

• SQRL-4B: نسخه‌ای سبک که نقطه ورود مناسبی برای برنامه‌های با مقیاس کوچک‌تر فراهم می‌کند.
• SQRL-9B: مدلی که تعادل بهینه‌ای بین سرعت استنتاج و عمق استدلال ایجاد می‌کند.
• SQRL-35B-A3B: مدل پرچمدار که برای محیط‌های سازمانی پیچیده، جایی که دقت در اولویت مطلق است، طراحی شده است.

بهره‌وری حاصل از این رویکرد «ابتدا بازبینی»، در بنچ‌مارک BIRD به‌وضوح دیده می‌شود. این معیار ارزیابی به دلیل استفاده از پایگاه‌های داده واقعی با مقادیر ناقص و روابط پیچیده، یکی از سخت‌ترین تست‌ها برای سیستم‌های Text-to-SQL محسوب می‌شود. در این آزمایش‌ها، مدل پرچمدار SQRL-35B-A3B به صحت اجرای ۷۰.۶ درصد در مجموعه داده BIRD Dev دست یافت. بر اساس گزارش‌های فنی، این عملکرد از مدل‌های تجاری سطح بالا، از جمله Claude Opus که در شرایط ارزیابی مشابه امتیاز ۶۸.۷۷ درصد کسب کرده بود، پیشی گرفته است.

این تغییر معماری، بازتابی از یک روند گسترده‌تر در توسعه هوش مصنوعی به سمت رفتارهای «عامل‌گونه» است. در این مدل، SQRL به جای اینکه مانند یک تابع استاتیک عمل کند که ورودی A را به خروجی B نگاشت می‌کند، مانند یک عامل عمل می‌کند که: ابتدا محیط (پایگاه‌داده) را درک می‌کند، برای اکتشاف داده‌ها استراتژی می‌بندد، با اجرای کوئری‌های اکتشافی دست به عمل می‌زند و در نهایت نتایج را بازتاب داده (Reflect) تا پاسخ نهایی را سنتز کند. در این راستا، کاهش زمان استنتاج در سیستم‌های عامل‌محور اهمیت حیاتی دارد، مشابه آنچه Morph در بهینه‌سازی سیگنال‌های رفتاری عامل‌ها به دست آورد.

این چرخه برای مدیریت «ناپاکی» داده‌های دنیای واقعی، جایی که قراردادهای نام‌گذاری نامنظم هستند و روابط بین جداول همیشه به طور صریح در متادیتا تعریف نشده‌اند، حیاتی است. با متن‌باز کردن این مدل‌ها، Feyn AI توسعه‌دهندگان را قادر می‌سازد تا ابزارهای بازجویی داده‌ای (Data-Interrogation) قابل‌اعتمادتری را در برنامه‌های خود ادغام کنند. در دسترس بودن اندازه‌های مختلف مدل (4B، 9B و 35B) به کاربران اجازه می‌دهد تا بین تأخیر محاسباتی و عمق استدلال تعادل برقرار کنند.

توانایی رفع ابهام از طریق بازبینی به این معناست که این مدل‌ها کمتر دچار توهم (Hallucination) در مورد مقادیر ستون‌ها می‌شوند و ساختارهای خیالی را به جای داده‌های واقعی فرض نمی‌کنند. این ویژگی، آن‌ها را برای موارد استفاده در محیط‌های عملیاتی (Production) که یکپارچگی داده‌ها در آن‌ها حیاتی است، بسیار مقاوم‌تر می‌کند.

در نهایت، عرضه SQRL نشان‌دهنده یک چرخش در نحوه نگاه صنعت به تعامل بین مدل‌های زبانی بزرگ (LLM) و داده‌های ساختاریافته است. گذار از «ترجمه» به «بازبینی» این حقیقت را می‌پذیرد که طرحواره تنها یک نقشه است، نه خودِ قلمرو. با توانمندسازی مدل برای گشت‌وگذار در قلمرو پیش از ترسیم نقشه، Feyn AI سیستمی ساخته است که نه تنها دقیق‌تر است، بلکه در نحوه رسیدن به نتایج نیز شفاف‌تر عمل می‌کند. این رویکرد استاندارد جدیدی برای سیستم‌های Text-to-SQL تعریف می‌کند و آن‌ها را به شیوه کار یک تحلیلگر داده انسانی نزدیک می‌کند: ابتدا اکتشاف داده‌ها، سپس تأیید فرضیات و در نهایت نوشتن کوئری نهایی برای استخراج بینش صحیح.

گام بعدی شما

• اگر از مدل‌های متنی برای تولید SQL استفاده می‌کنید، متدولوژی «بازبینی پیش از تولید» را در گردش‌کارهای خود پیاده کنید.
• مدل‌های مختلف SQRL را بر اساس محدودیت حافظه (VRAM) خود در Hugging Face تست کنید.
• برای کاهش نرخ خطای دیتابیس‌های سازمانی، ترکیب SQRL با متدولوژی‌های بازبینی انسانی را ارزیابی نمایید.

اما تأثیر این رویکرد بر کاهش هزینه‌های استنتاج مدل‌های بزرگ هنوز ناشناخته است — در گزارش بعدی به بررسی بهینه‌سازی‌های هزینه در مدل‌های SQL خواهیم پرداخت.