Використання методів NLP для розширеного пошуку та аналізу текстових даних у спортивних інформаційних системах
Ключові слова:
Text-to-SQL, велика мовна модель, Prompt Engineering, Few-shot Prompting, спортивна інформаційна система
Анотація
Досліджено ефективність великих мовних моделей (LLMs) для задачі Text-to-SQL на прикладі україномовних запитів у спортивній інформаційній системі. Проведено порівняльний аналіз шести моделей із використанням стратегії Few-shot Prompting за точністю, повнотою, часом виконання та обчислювальною вартістю генерації SQL-запитів. Результати показали, що GPT-4.1 досягає найвищої повноти (0.95), тоді як Gemini 2.0 Flash є найбільшекономічним рішенням для практичного застосування.
Посилання
[1] Zhu, X., Li, Q., Cui, L., & Liu, Y. (2024). Large Language Model Enhanced Text-to-SQL Generation: A Survey. arXiv preprint arXiv:2410.06011. https://arxiv.org/abs/2410.06011
[2] Iusztin, P., & Labonne, M. (2024). The LLM Engineering Handbook. Packt Publishing.
[2] Iusztin, P., & Labonne, M. (2024). The LLM Engineering Handbook. Packt Publishing.
Опубліковано
2026-01-07
Як цитувати
Бабій, Х., & Процик, Ю. (2026). Використання методів NLP для розширеного пошуку та аналізу текстових даних у спортивних інформаційних системах . Комп’ютерне моделювання та інформаційні технології. вилучено із https://conf.nltu.edu.ua/index.php/conf1/article/view/487
Розділ
ІНТЕЛЕКТУАЛЬНІ ІНФОРМАЦІЙНІ СИСТЕМИ
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
