Gemini-SQL2 من Google يضع معياراً جديداً في دقة تحويل النص إلى SQL

كشفت Google Research عن Gemini-SQL2، وهو نظام قوي لتحويل النص إلى SQL يتفوق بشكل كبير على قادة الصناعة الحاليين في ترجمة اللغة الطبيعية إلى استعلامات قواعد البيانات. وباعتماده على بنية Gemini 3.1 Pro المتقدمة، يمثل هذا النموذج الجديد قفزة نوعية في كيفية تفاعل البشر مع البيانات المهيكلة والمعقدة.

الهيمنة على قائمة المتصدرين في معيار BIRD

يتجلى التأثير الحقيقي لـ Gemini-SQL2 بوضوح في أدائه ضمن معيار BIRD (Big Bench for Intelligent Retrieval and Database). يقيم هذا المعيار المتخصص مدى دقة قدرة الذكاء الاصطناعي على ترجمة اللغة البشرية إلى استعلامات SQL قابلة للتنفيذ تعطي نتائج صحيحة.

حقق Gemini-SQL2 دقة تنفيذ مذهلة بلغت 80.04 بالمائة، مما ضمن له المركز الأول وبشكل حاسم في قائمة المتصدرين. ولتوضيح حجم هذا الإنجاز، فإنه يخلق فجوة هائلة بين Google وأقرب منافسيها؛ حيث يأتي نموذج GPT-5.5-xhigh من OpenAI في المرتبة الثانية بدقة تبلغ حوالي 72.8 بالمائة، بينما يستقر نموذج Claude Opus 4.6 من Anthropic عند 70.9 بالمائة. وتتخلف بقية الشركات الكبرى في الصناعة، بما في ذلك Databricks وAWS وTencent وAlibaba، بشكل كبير عن هذا السقف الجديد للأداء.

حل تعقيدات منطق الأعمال

إن ترجمة اللغة الطبيعية إلى SQL أصعب بكثير من توليد النصوص القياسي. وتشير Google Research إلى أن بيئات قواعد البيانات في العالم الحقيقي نادراً ما تكون بسيطة؛ فغالباً ما تكون البيانات ذات طبقات متعددة، ويجب أن تأخذ الاستعلامات في الاعتبار منطق الأعمال المعقد والمتعدد الخطوات لتكون مفيدة.

تتمثل إحدى نقاط الفشل الشائعة في النماذج اللغوية الكبيرة (LLMs) الحالية في توليد استعلامات SQL "صحيحة نحوياً" لكنها تفشل في تقديم الإجابة "الصحيحة منطقياً" بسبب سوء فهم العلاقات بين المخططات (schema). ويعالج Gemini-SQL2 هذه المشكلة من خلال ضمان أن الاستعلامات المُولدة ليست سليمة من الناحية الهيكلية فحسب، بل تُنفذ بنجاح أيضاً لتوفير البيانات الدقيقة التي طلبها المستخدم. وتعد هذه القدرة حاسمة لتطبيقات المؤسسات حيث يمكن لعملية ربط (join) أو تصفية (filter) واحدة غير صحيحة أن تؤدي إلى رؤى تجارية خاطئة وكارثية.

التداعيات على مستقبل ذكاء البيانات

في حين أن Google لم تصدر بعد ورقة بحثية رسمية أو تعلن عن موعد إصدار عام لـ Gemini-SQL2، إلا أن التداعيات على مشهد الذكاء الاصطناعي الأوسع نطاقاً عميقة للغاية. ومع زيادة براعة النماذج اللغوية الكبيرة (LLMs) في التعامل مع البيانات المهيكلة، ستستمر الفجوة بين المستخدمين غير التقنيين ومستودعات بيانات المؤسسات الضخمة في التلاشي.

بالنسبة للمطورين والمؤسسين، يشير هذا التطور إلى مستقبل تصبح فيه "واجهات اللغة الطبيعية" (Natural Language Interfaces) للبيانات ميزة قياسية وليست مجرد رفاهية. ويمكننا أن نتوقع رؤية ميزات لغة طبيعية محسنة مدمجة عبر مجموعة خدمات البيانات الكاملة من Google، مما يسمح للمحللين بالاستعلام عن قواعد البيانات المعقدة بسهولة تامة كما لو كانوا يطرحون سؤالاً على زميل لهم. وتعد هذه الحركة نحو تقنية text-to-SQL موثوقة وعالية الدقة خطوة حاسمة في جعل ذكاء البيانات المدفوع بالذكاء الاصطناعي مستقلاً وقابلاً للتوسع حقاً.

أهم الاستنتاجات

• الريادة في الاختبارات المعيارية: حقق Gemini-SQL2 دقة تنفيذ بلغت 80.04% في اختبار BIRD المعياري، متفوقاً بشكل كبير على OpenAI (72.8%) و Anthropic (70.9%).
• الأساس المعماري: تم بناء النظام على نموذج Gemini 3.1 Pro، وهو مُحسَّن خصيصاً للتعامل مع مخططات قواعد البيانات المعقدة ومنطق الأعمال المتشابك.
• التأثير على المؤسسات: يمهد هذا الاختراق الطريق لواجهات لغة طبيعية أكثر موثوقية في خدمات البيانات، مما يقلل الفجوة بين البيانات الخام والرؤى القابلة للتنفيذ.