ترجمه فارسی مقاله به‌کارگیری LLMها برای وظایف داده‌های سازمانی

چکیده

Large language models (LLMs) know little about enterprise database tables in the private data ecosystem, which substantially differ from web text in structure and content. As LLMs’ performance is tied to their training data, a crucial question is how useful they can be in improving enterprise database management and analysis tasks. To address this, we contribute experimental results on LLMs’ performance for text-to-SQL and semantic column-type detection tasks on enterprise datasets. The performance of LLMs on enterprise data is significantly lower than on benchmark datasets commonly used. Informed by our findings and feedback from industry practitioners, we identify three fundamental challenges — latency, cost, and quality — and propose potential solutions to use LLMs in enterprise data workflows effectively.

چکیده به فارسی (ترجمه ماشینی)

مدل های بزرگ زبان (LLMS) در مورد جداول پایگاه داده سازمانی در اکوسیستم داده های خصوصی کمی می دانند ، که از نظر ساختار و محتوا با متن وب تفاوت قابل توجهی دارد.از آنجا که عملکرد LLMS با داده های آموزش آنها گره خورده است ، یک سؤال اساسی این است که چقدر می توانند در بهبود کارهای مدیریت و تجزیه و تحلیل بانک اطلاعاتی شرکت مفید باشند.برای پرداختن به این موضوع ، ما نتایج آزمایشی را در مورد عملکرد LLMS برای کارهای تشخیص متن به SQL و معنایی از نوع ستون در مجموعه داده های سازمانی ارائه می دهیم.عملکرد LLMS در داده های سازمانی به طور قابل توجهی پایین تر از مجموعه داده های معیار است که معمولاً مورد استفاده قرار می گیرد.با یافته های و بازخورد ما از پزشکان صنعت ، ما سه چالش اساسی – تأخیر ، هزینه و کیفیت – را شناسایی می کنیم و راه حل های بالقوه ای را برای استفاده از LLM ها در گردش داده های داده های سازمانی به طور مؤثر پیشنهاد می کنیم.