IntaLink：区别于大型模型的新型 NLL 技术-java教程-PHP中文网

IntaLink: A New NLL Technology Distinct from Large Models

IntaLink：区别于大型模型的全新 NL2SQL 技术

隐藏的宝石

IntaLink广泛的应用场景

背景回顾：在之前的文章中，提到过“IntaLink的目标是在数据集成领域实现自动化的数据链接”。从讨论中可以看出，IntaLink 解决的是“关系数据和多个表”的自动链接问题。

现在我们来讨论一下这个问题是否有广泛的应用场景，还是只是一个没有实际需求的伪命题。

01 关系数据仍然是最重要的数据资产之一

虽然大型模型、大数据平台和其他技术可以利用各种类型的信息，包括文档、图像、音频和视频，例如能够生成视频和促进语音交互的多模态生成人工智能，但结果往往是开放的-结束和主观，偶尔会导致“幻觉”。因此，虽然使用它们作为参考或帮助是可以接受的，但在某些严格的工作环境中，我们不能依赖这些信息或大型模型来完成任务。在银行、金融、交通、贸易、会计、生产、能源等领域，核心业务数据必须使用结构化关系数据进行管理。

02 数据构建不可避免且分布式

（1）关系数据库的设计范式要求数据合理划分，避免大量冗余。如果构建阶段产生的数据包含大量冗余，不仅数据采集工作量重复，而且数据一致性也难以保证。从另一个角度来看，如果所有相关数据都存储在一张表中，但数据项来自不同的业务来源，数据收集者和生成时间各不相同，那么维护这样的数据记录就变得不可能。因此，数据构建本质上会基于面向对象和业务活动来组织数据，从而导致数据分布在不同的表中。
(2) 数据必须来自多个系统。信息化建设不是一蹴而就的，必然存在一系列的发展过程。即使在同一系统内，实施时间表也可能存在差异。而且，不同的应用场景需要不同的技术选择；比如业务数据、实时数据、日志信息都可以通过各种技术来实现，使得数据本质上是多源的。

03 整合是释放数据价值的最有效手段

应用需要整合数据。数据集成应用的需求有多种可能性。例如，整合生产数据和计划数据可以评估计划完成情况；整合生产数据和销售数据可以识别产品积压或订单交付的履行情况；将生产数据与财务数据相结合可以评估生产成本和盈利能力。因此，数据集成是最大化数据价值、赋能业务流程的最有效途径。

综上所述，关系数据的集成应用将在很长一段时间内仍然是最重要的数据应用场景之一。只要这个场景存在，IntaLink就会有广泛的适应性。

IntaLink 与大模型数据集成方法的比较

T2SQL（文本转SQL）和NL2SQL（自然语言转SQL）通过文本或自然语言输入自动生成所需的数据查询。 T2SQL和NL2SQL本质上描述了同一个概念：利用人工智能技术将语义理解转化为数据操作方法，这是相同的想法，但术语不同。这是数据应用的一个研究方向。近年来，随着大模型技术的出现，这一领域取得了长足的进步。我研究了阿里巴巴和腾讯的技术报告，并尝试了DB-GPT等开源项目。这些技术在很大程度上相似，至少在底层技术逻辑上是相似的，而 IntaLink 的方法则完全不同。

我们先抛开底层的技术逻辑，根据实现方式进行对比分析：

1、利用大模型技术进行数据自动查询需要数据训练

假设我们有一组名为 T1、T2、...、Tn 的表，每个表包含多个标记为 C1、C2、...、Cn 的数据项，每个表的项数不同。考虑表 T1 的模拟数据集，如下所示：

C1	C2	C3	C4	C5	C6
Orange	5	3	3	2	1

仅从这些内容中，我们无法得出任何有用的信息。我们不清楚上述数据的含义。让我们模拟一下数据的两种含义：

Fruit Type	Warehouse No.	Shelf No.	Stock	Shelf Life	Warehouse Manager ID
Orange	5	3	3	2	1

Hotel Name	Warehouse Hotness Ranking	Star Rating	Years in Business	Remaining Rooms	Discount Available
Orange	5	3	3	2	1

我们不会详细讨论这些数据集的有效性或此类表的存在性。然而，很明显，如果不理解表格和数据项的含义，则数据无法应用。人们无法将数据应用需求与数据本身联系起来，更不用说讨论更复杂的数据操作。

用一个测试NL2SQL的数据集，来说明一下大模型技术在该领域的应用模式。

Spider数据集是多库、多表、单轮查询的T2S数据集，被公认为最具挑战性的大规模跨域评估排行榜。它由耶鲁大学于 2018 年提出，并由 11 名耶鲁大学学生注释。该数据集包含一万一百八十一个自然语言问题和五千六百九十三条SQL语句，覆盖138个不同领域的200多个数据库。七千个问题用于培训，一千三十四个问题用于开发，两千一百四十七个问题用于测试。换句话说，通过提供问题及其相应的答案 (SQL)，大型模型可以学习如何利用数据。为了简单起见，我们可以将逻辑压缩如下：

问题1：红色唇膏有多少库存？
答案 1：从仓库中选择数量，其中 good_name='lipstick' 且 color='red'

使用这样的数据集训练模型后，我们可以提出以下测试问题：

测试问题：蓝色口红有多少库存？
输出答案：从仓库中选择数量，其中 good_name='lipstick' 且 color='blue'

从中我们可以看出，NL2SQL 强调基于语义和上下文理解，依赖于经过训练的数据集来导出可能的 SQL 查询。

IntaLink的数据整合方法

IntaLink的数据集成不需要用户提供任何训练数据。数据之间的关系是通过表间关系分析模型生成的。这种关系的生成不需要理解表和数据项的实际意义，而是通过一组分析数据特征值的方法来推导表之间的关联。下面我们用两个示例表来说明表间关系的建立。

Tab_1

Name	Student_ID	CLASS	Age	Sex
Zhang San	2021_0001	2021_01	19	Male
Li Si	2021_0002	2021_01	18	Female
Wang Wu	2021_0003	2021_01	19	Male

Tab_2

Student_ID	Course	Grade	Rank
2021_0001	Math	135	18
2021_0001	Chinese	110	23
2021_0002	Math	120	25
2021_0002	Chinese	125	10

在Tab_1中，Student_ID与Tab_2中的Student_ID匹配，具有相同的特征值。因此，要链接这两个表，条件 Tab_1.Student_ID = Tab_2.Student_ID 成立。表间链接的分析需要考虑许多因素。在IntaLink中，我们复制数据特征值内存数据库作为分析工具，利用一套优化的分析方法来产生表间关系分析结果。由于涉及内容比较复杂，这里不再赘述。单独的文章会讨论实现逻辑。

IntaLink 和大模型技术在实现 NL2SQL 方面的差异

1) 大模型无需准备训练题集；相反，关系是通过数据分析得出的。因此，IntaLink可以应用于广泛的数据。可整合的数据越多，其优势就越大。
2) 专注于数据集成，特别是集成过程中关系条件的生成，而不关注数据的使用方法。注意：数据集成涉及建立多个表之间的关系，而数据的使用方法可以多种多样，例如求和、计数、平均、最小值和最大值等。NL2SQL根据语义选择合适的数据操作方法，例如SUM、COUNT、AVG、最小值、最大值等
3)准确率高：排除数据质量问题，IntaLink生成的关系条件理论上可以达到百分百的准确率。

IntaLink 和大型模型技术的潜在组合

大模型技术在语义理解和生成内容方面表现出色，而IntaLink在数据关联分析方面具有优势，前期工作量较低，准确率较高。理想情况下，可以集成大型模型技术来了解用户输入要求，将该信息转换为必要的数据表和项目，然后 IntaLink 将为数据集生成这些数据表和项目，然后大型模型生成所需的结果（例如报告、图表、等）用于用户演示。