OmniSQL

Franchir le fossé entre les questions en langage naturel et les requêtes structurées de bases de données peut s'avérer un défi de taille. Vous avez besoin d'un moyen fiable de traduire l'intention de l'utilisateur en SQL précis, en particulier lorsque vous travaillez avec des bases de données complexes et des formulations variées. OmniSQL offre une gamme de modèles sophistiqués de conversion texte-SQL, construits sur un ensemble de données synthétiques vaste et de haute qualité, conçus pour vous aider à atteindre cet objectif.

Développé à l'aide d'un nouveau cadre de synthèse automatique de données, OmniSQL exploite l'ensemble de données SynSQL-2.5M. Cet ensemble de données fondamental contient plus de 2,5 millions d'échantillons texte-SQL répartis sur plus de 16 000 bases de données, fournissant l'échelle et la diversité nécessaires pour former des modèles hautement performants. Les modèles OmniSQL, disponibles en tailles de paramètres 7B, 14B et 32B, sont ensuite affinés sur des benchmarks établis tels que Spider et BIRD, intégrant des données étiquetées par des humains pour une qualité améliorée.

Principales caractéristiques et composants

• 📊 Tailles de modèles multiples : Sélectionnez le modèle OmniSQL (7B, 14B, 32B) qui correspond le mieux à vos ressources de calcul et à vos exigences de performance. Chaque modèle est affiné pour de solides capacités de conversion texte-SQL.

• 📚 Ensemble de données d'entraînement massif (SynSQL-2.5M) : Profitez de modèles entraînés sur plus de 2,5 millions d'échantillons texte-SQL divers, couvrant 16 583 bases de données synthétiques dans divers domaines et niveaux de complexité SQL (simple à très complexe).

• 🧠 Intégration de la chaîne de pensée (CoT) : Chaque échantillon de SynSQL-2.5M inclut une solution CoT, permettant aux modèles d'apprendre les étapes de raisonnement pour générer des requêtes complexes.

• 📈 Haute performance démontrée : Les modèles OmniSQL affichent de solides résultats sur de nombreux benchmarks texte-SQL (y compris Spider, BIRD, Spider-DK, Spider-Syn), dépassant souvent les performances d'autres modèles d'une échelle similaire et même de modèles propriétaires plus grands sur des ensembles de données spécifiques, en fonction des métriques d'exactitude d'exécution (EX) et d'exactitude de la suite de tests (TS). Consultez le tableau complet des performances pour plus de détails.

• 🔧 Cadre de synthèse open source : Accédez au cadre sous-jacent utilisé pour créer SynSQL-2.5M, vous permettant de générer des ensembles de données texte-SQL personnalisés et à grande échelle, adaptés à des domaines spécifiques ou à des dialectes SQL au-delà de SQLite.

• 💻 Intégration facile : Démarrez rapidement en utilisant des outils familiers comme vLLM et Hugging Face Transformers avec des extraits de code fournis et des modèles d'invites clairs.

Cas d'utilisation

1. Pour les analystes de données et les scientifiques : Vous recevez fréquemment des demandes de données ad hoc formulées en langage naturel. Au lieu d'écrire manuellement du SQL à chaque fois, vous pouvez utiliser OmniSQL pour générer rapidement des requêtes SQLite précises à partir de questions telles que "Montrez-moi la valeur moyenne des commandes pour les clients de Californie au cours du dernier trimestre" ou "Énumérez les 5 meilleurs produits vendus dans la région de l'UE cette année, ainsi que leur chiffre d'affaires total". Cela accélère l'exploration des données et la génération de rapports.

2. Pour les chercheurs en TALN : Vous étudiez les défis de la traduction complexe texte-SQL. Vous pouvez utiliser l'ensemble de données SynSQL-2.5M, avec son échelle vaste, ses styles linguistiques divers, ses complexités SQL variées et son raisonnement CoT inclus, comme une ressource complète pour l'entraînement, l'évaluation et l'analyse de nouveaux modèles ou techniques. Vous pouvez également exploiter le cadre de synthèse de données open source pour explorer des variations ou des extensions.

3. Pour les développeurs d'applications : Vous visez à créer une fonctionnalité d'application permettant aux utilisateurs non techniques d'interroger une base de données en utilisant le langage naturel. Vous pouvez intégrer un modèle OmniSQL (par exemple, OmniSQL-7B pour l'efficacité des ressources) dans votre backend. En utilisant la structure d'invite fournie, votre application peut prendre la question d'un utilisateur (par exemple, "Quels tickets de support ont été ouverts hier et sont toujours non résolus ?") et la transmettre, avec le schéma de base de données SQLite pertinent, à OmniSQL pour obtenir en retour une requête SQL exécutable.

Conclusion

OmniSQL, optimisé par l'ensemble de données à grande échelle SynSQL-2.5M, fournit une solution robuste et performante pour les tâches de conversion texte-SQL. Que vous analysiez des données, meniez des recherches ou construisiez des applications, OmniSQL offre des modèles performants construits sur une base de données diversifiées et de haute qualité. La disponibilité de plusieurs tailles de modèles, de solides performances de benchmark et la nature open source du cadre de synthèse en font un atout précieux pour quiconque travaille à l'intersection du langage naturel et des bases de données.