LLM-PQA: LLM-verbesserte Vorhersageabfrageantwort

Das Aufkommen von großen Sprachmodellen (LLMs) bietet die Möglichkeit, die Verarbeitung von Abfragen zu ändern und über die Einschränkungen konventioneller SQL-basierter Datenbanksysteme hinauszugehen. Die Verwendung eines LLM zur Beantwortung einer Vorhersageabfrage ist jedoch weiterhin herausfordernd, da ein externes ML-Modell eingesetzt werden muss und Inferenz durchgeführt werden muss, um eine Antwort zu liefern. Dieses Papier stellt LLM-PQA vor, ein neuartiges Werkzeug, das Vorhersageabfragen in natürlicher Sprache adressiert. LLM-PQA ist das erste seiner Art, das die Fähigkeiten von LLMs und einen retrieval-unterstützten Mechanismus für die Bedürfnisse von Vorhersageabfragen kombiniert, indem es Daten-Lakes und Modell-Zoos integriert. Diese Integration bietet den Nutzern Zugang zu einem breiten Spektrum heterogener Daten und verschiedener ML-Modelle und erleichtert die dynamische Beantwortung von Vorhersageabfragen. Darüber hinaus kann LLM-PQA Modelle nach Bedarf dynamisch trainieren, basierend auf spezifischen Abfragespezifikationen, um zuverlässige und relevante Ergebnisse zu gewährleisten, selbst wenn kein vortrainiertes Modell in einem Modell-Zoo für die Aufgabe verfügbar ist.