使用自然语言处理和语义解析的方法，在数据库查询过程中引入智能化，以帮助商业用户能够直接查询数据库。同时增加了自动可视化框架使得产品可供商业使用。

Oct, 2022

使用低代码平台中的自然语言（NL）和 SQL 查询数据，我们提出了一个流程，让开发人员能够以自然语言检索数据，并使用 NL 模型生成 SQL。通过与生产数据的反馈，我们验证了流程的有效性，并观察到采用该流程后在四个不同模型中的特性采用率提高了 240％，参与率提高了 220％，失败率降低了 90％。

Aug, 2023

最近在生成人工智能、计算机视觉和自然语言处理方面的进展，已经使得人工智能模型得到了广泛应用。这种广泛应用需要在生产环境中部署这些模型，确保可靠性、最小的停机时间以及优化基础设施的运营成本。大型机器学习模型经常需要 GPU 资源以进行高效推理，以满足服务级别目标。在这些趋势的背景下，人们越来越关注在无服务器架构中托管 AI 模型，并提供推理任务的 GPU 访问。这项调查旨在总结和分类大规模深度学习服务系统中的新兴挑战和优化机会。通过提供新颖的分类法和总结最近的趋势，我们希望这项调查能为大规模深度学习服务系统的新的优化视角提供启示，并激发出创新作品。

Nov, 2023

本文介绍了一种使用机器学习技术来预测 SQL 查询资源使用的服务，并且可以帮助改善查询调度，解决 SQL 引擎集群中不平衡的 OLAP 工作负载问题。

Apr, 2022

本文介绍了一种基于深度模型的数据探索工具 DBPal，它采用自然语言界面，能够将自然语言问题转化为 SQL 查询，并为用户提供自动完成功能，帮助用户更有效地编写复杂查询。

Apr, 2018

通过大型语言模型驱动的我们的文本到 SQL 生成管道的设计和实现解决了数据分析师高复杂度 SQL 查询的支持、低延迟的即席查询需求，以及对领域特定术语和实践的理解的挑战。

Jun, 2024

本文研究了使用自然语言作为桥梁，通过有效访问数据库创建一个高效的文本到 SQL 模型，重点探讨了 24 个不同神经网络模型以及 11 个常用数据集的特点和局限性，最终讨论了 Text2SQL 技术在实现无缝数据查询方面的可能性。

Aug, 2022

自然语言处理引起了用户与表格数据交互方式的革命，通过更直观、基于语言的界面，从传统的查询语言和手动绘图转变。大语言模型（LLMs）如 ChatGPT 及其后续模型进一步推进了这一领域，为自然语言处理技术开辟了新的途径。本研究综述了面向表格数据查询与可视化的自然语言界面，该界面允许用户使用自然语言查询与数据进行交互。我们介绍了这些界面背后的基本概念和技术，特别关注实现自然语言到 SQL 查询或数据可视化命令的语义解析技术。接着，我们从数据集、方法论、评估指标和系统设计等角度探讨了文本到 SQL 和文本到可视化问题的最新进展。这包括深入研究了 LLMs 的影响，突出了它们的优势、限制和未来改进的潜力。通过本综述，我们旨在为对开发和应用大语言模型时代的数据交互自然语言界面感兴趣的研究人员和实践者提供一条路线图。

Oct, 2023

开发了 VDMS-Async，它添加了 VDMS 的用户自定义操作能力，并且可以在远程服务器上执行查询中的操作。VDMS-Async 通过采用事件驱动架构在查询中创建一个高效的流水线，从而将查询执行时间减少了 2-3 倍。此外，远程操作和事件驱动架构使得 VDMS-Async 能够随着每个新的远程服务器的添加，线性缩短查询执行时间，我们展示了添加 64 个远程服务器时查询执行时间减少了 64 倍。

Feb, 2024

Palimpzest 是一个系统，它通过在一个声明性语言中定义查询来使任何人能够处理基于人工智能的分析查询。系统使用其成本优化框架来实现查询，在运行时间、财务成本和输出数据质量之间实现最佳权衡。该系统在法律发现、房地产搜索和医疗模式匹配等任务上展示了各种吸引人的计划，包括比基准方法更快 3.3 倍、更便宜 2.9 倍，并提供更好的数据质量的计划。与单线程的 GPT-4 基准相比，通过启用并行性，Palimpzest 可以以最多 90.3 倍的加速度、9.1 倍较低的成本获得 83.5% 的 F1 分数，而且不需要用户额外的工作。

May, 2024