Photon : Salesforce applique le langage naturel à SQL

Data & StockageDeep Learning
Salesforce Research Photon SQL langage naturel

Salesforce Research accentue sa communication sur Photon, un projet d’interface en langage naturel pour les bases de données SQL.

Want create site? Find Free WordPress Themes and plugins.

Proposer une interface en langage naturel pour interroger les bases de données relationnelles : c’est le principe de Photon.

Salesforce Research élargit sa communication à propos de ce projet qui a débouché, voilà quelques semaines, sur la publication d’un prototype.

Le groupe américain n’en est pas à ses premiers travaux dans le domaine. Il est notamment à l’origine du modèle Seq2SQL et du jeu de données WikiSQL utilisé pour l’entraîner.

Avec Photon, son ambition est de tendre vers un système « universel », face à un constat : le manque de compatibilité entre les « dialectes » de SQL qu’utilisent les principaux SGBD.

Photon comprend un interpréteur sémantique, un module de correction de requêtes, un moteur de base de données et un générateur de réponses.

La requête en langage naturel et le schéma de la base de données cible sont concaténés en une séquence encodée avec BERT, puis avec un réseau neuronal de type LSTM. La partie « question » fait l’objet un encodage supplémentaire. Un système de recherche de synonymes à partir des noms de champs intervient en renfort.

Photon schéma
Chaque nom de table est précédé par l’indicateur T ; chaque nom de champ, par C.

Correction intégrée

Cet ensemble est transmis générateur de réponses… sous réserve d’être traduisible. Dans la négative, le module de correction prend le relais. Objectif d’assister l’utilisateur dans la reformulation de sa requête en mettant en avant les portions problématiques.
Salesforce Research l’a entraîné à partir d’une adaptation du corpus Spider dédié aux benchmarks « text-to-SQL ». Ce en injectant des questions intraduisibles et en utilisant l’API Google Cloud Translation pour maintenir la cohérence grammaticale.

paramètres Spider

Le taux de réussite s’élève à 87,6 % pour l’identification des requêtes intraduisibles. Et à 83,6 % pour la détection des portions problématiques. Ils avoisinent 60 % avec un LSTM « de base ».

Résultats Photon

L’interpréteur atteint quant à lui 63,2 % de précision sur Spider, dans les eaux de RYANSQL.

résultats Photon EM

Pour l’utilisateur final, l’interface se compose d’une fenêtre de saisie, d’un aperçu du schéma et d’une zone pour les résultats. Photo accepte aussi les requêtes SQL « traditionnelles ».

Salesforce Research entend approfondir ses travaux en introduisant notamment les requêtes à la voix. L’autocomplétion est aussi sur la liste. Tout comme l’affichage des traductions de requêtes, « lorsque ce sera pertinent ».

Illustration principale via shutterstock.com

Did you find apk for android? You can find new Free Android Games and apps.

Lire aussi :

Lire la biographie de l´auteur  Masquer la biographie de l´auteur 
Avis d'experts de l'IT