האם אתם מתמודדים עם מסדי נתונים ענקיים ומסובכים בארגון שלכם? מחקר חדש מציג את AgentSM, מסגרת סוכנית מבוססת זיכרון סמנטי שמשנה את חוקי המשחק בהמרת טקסט לשאילתות SQL. בעוד שמודלי שפה גדולים (LLM) מצליחים במבחנים ציבוריים כמו BIRD ו-Spider, הם נכשלים בסביבות ארגוניות אמיתיות עם סכמות גדולות, ניבים SQL מגוונים ותהליכי חשיבה רב-שלביים יקרים. AgentSM פותרת זאת באמצעות בניית זיכרון סמנטי פרשני.
AgentSM בונה ומנצלת זיכרון סמנטי פרשני על ידי לכידת עקבות ביצוע קודמים – או יצירת כאלה מסונתזים – כתוכניות מובנות שמנחות ישירות את החשיבה העתידית. במקום להסתמך על פתקים גולמיים או אחזור וקטורי, הגישה מאפשרת שימוש שיטתי במסלולי חשיבה קודמים. זה הופך את הסוכנים ליעילים יותר בקנה מידה גדול, עם יכולת להתמודד עם סכמות גדולות יותר, שאלות מורכבות יותר ומסלולים ארוכים יותר – בצורה אמינה וחסכונית.
לפי הדיווח, AgentSM משיגה יעילות גבוהה יותר בהשוואה למערכות מתקדמות: היא מקטינה את שימוש הטוקנים הממוצע ב-25% ואת אורך המסלול ב-35% במבחן Spider 2.0. בנוסף, היא משפרת את הדיוק בביצוע, ומגיעה לדיוק של 44.8% – שיא עולמי – במבחן Spider 2.0 Lite. התוצאות מדגישות את הפוטנציאל שלה בסביבות ארגוניות אמיתיות.
המשמעות העסקית של AgentSM גדולה במיוחד עבור מנהלי טכנולוגיה ישראלים. בסביבה שבה נתונים הם הנכס החשוב ביותר, מערכות Text-to-SQL יעילות יכולות להאיץ ניתוחים עסקיים, להפחית עלויות חישוב ולשפר קבלת החלטות. בהשוואה לגישות סוכניות מסורתיות הסובלות מחוסר יציבות – כמו חזרות על אינטראקציות עם בסיסי נתונים או תפוקות לא עקביות – AgentSM מציעה פתרון יציב ומדרגי.
עבור עסקים ישראליים, AgentSM פותחת אפשרויות חדשות באוטומציה של שאילתות נתונים. החברות יכולות לשלב אותה בכלים קיימים כדי להפחית זמן פיתוח ולהגביר יעילות צוותי הנתונים. השאלה היא: האם אתם מוכנים לאמץ זיכרון סמנטי כדי להפוך את הנתונים שלכם לנכס תחרותי? קראו את המחקר המלא ב-arXiv כדי להתחיל.