Материал подготовлен автоматически по первоисточникам: ссылки на них — в конце статьи.
FLINT научили превращать обычные вопросы в SQL для финансовых баз, где понятия скрыты за числовыми идентификаторами и длинными цепочками связей. В препринте команды Kensho Technologies, который не проходил рецензирование, авторы сами получили точность 65,2–68,8%, тогда как ни одна из систем сравнения не достигла 50%. Здесь точность означает долю вопросов, для которых запрос вернул семантически правильный результат.
Система сначала выясняет, какие строки справочников соответствуют словам вроде «квартальная EBITDA». Отдельный агент запрашивает подходящие справочные таблицы и превращает найденные идентификаторы в условия SQL. Затем FLINT подбирает похожие запросы из подготовленного экспертами набора, находит нужные таблицы и промежуточные связи, генерирует SQL и при ошибке выполнения исправляет его.
Главное узкое место оказалось не в синтаксисе SQL. Запросы конкурирующих систем выполнялись почти всегда, но до 96% их ошибок были связаны с неверными идентификаторами в фильтрах. Дополнительные варианты запроса и повторные попытки плохо помогают, если модель не знает, какое число означает нужный финансовый показатель. Медианное время полного прохода FLINT составляло 10–20 секунд, и среди проверенных систем она работала быстрее остальных.
Основной результат проверяли на двух закрытых наборах из 359 вопросов к рабочим финансовым схемам; все системы использовали одну и ту же Claude 4.5 Opus. Вопросы взяли из журналов реальных запросов, а эталонный SQL написали специалисты предметной области. FLINT уже работает в сервисе получения финансовых данных, но перенос на новую базу требует вручную описать схему, правила предметной области и набор эталонных запросов. Архитектура подходит там, где ошибка чаще возникает при выборе данных, чем при написании самого SQL.
Источники
Похоже на вашу задачу?
Расскажите, что собираете. За полчаса разложим на этапы и назовём сроки — это бесплатно и ни к чему не обязывает.
