From Questions to Queries to Insights: A Schema-Grounded Agentic Workflow for Natural-Language Crash Data Analysis
Pubblicata su AIChronos il · fonte del · Jingwen Zhu, Keshu Wu, Steven T. Parker, Bin Ran, David A. Noyce
Lo studio presenta CrashDB-QA, un flusso di lavoro agentic locale e basato sullo schema che traduce domande in linguaggio naturale in analisi affidabili su database incidenti stradali. Il sistema utilizza componenti specializzati per interpretare le query, generare codice SQL read-only validato ed eseguire l'analisi con spiegazioni dei risultati. Un'estensione opzionale, CrashDB-QA+, verifica il allineamento tra domanda, query e risultato esecutivo per supportare la riparazione iterativa.
- L'utilizzo di una knowledge base condivisa ancorata al dizionario dati dell'agenzia migliora significativamente l'accuratezza delle costruzioni delle query rispetto ai metodi generici.
- Un modello a codice specializzato da 7B parametri offre il miglior equilibrio tra accuratezza e latenza tra i modelli open-weight testati.
- Le analisi composizionali, come le comparazioni tra gruppi o periodi temporali, risultano più difficili della semplice retrieval di dati.
- La verifica delle prestazioni è efficace solo quando il componente 'Judge' utilizza definizioni autorevoli dei campi e il 'Refiner' riceve evidenze dell'esecuzione.
- L'approccio locale garantisce privacy e autonomia dai modelli cloud-based per l'analisi di dati sensibili degli enti di trasporto.
Perché conta. Per gli sviluppatori che lavorano con LLM, agenti AI e deployment locali, questo paper dimostra come il 'domain grounding' tramite schemi strutturati possa superare le limitazioni dei modelli generici nel gestire domini complessi e dati tabellari.
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.