LO
Déploiement réelAutomatisation cognitive2025-07-18
LinkedIn indique que son robot conversationnel de langage naturel vers SQL compte plus de 300 utilisateurs hebdomadaires depuis juillet 2024, que les annotations des propriétaires de jeux de données font passer les réponses correctes de 9 % à 48 %, et que les filtres erronés sont la première cause d'échec
Analyste de donnéespage du métier →
Date de l'événement / signalement
2025-07-18
Stade de la preuve
Déploiement réelUn employeur l'a mis en production. Cela peut déplacer la ligne de base — pondéré par l'échelle et par la ressemblance du cadre avec le vôtre.
Tâches concernées
Comprendre ce qui est réellement demandé
Transformer l'inquiétude vague d'un dirigeant en une question mesurable, et savoir de quelle définition d'« utilisateur actif » il parle.
Encore menée par des humains✓ Appuyé sur des preuves
Détenir les définitions dont les outils dépendent
Entretenir les définitions de métriques, la documentation et la couche sémantique qui font qu'une interrogation en langue courante produit des réponses correctes.
Nouvelle tâche✓ Appuyé sur des preuves
Où ceci s'applique
Un article d'employés de LinkedIn sur leur robot conversationnel interne de langage naturel vers SQL, disponible dans la plateforme de requêtes de LinkedIn depuis juillet 2024 et utilisé régulièrement par plus de 300 utilisateurs actifs hebdomadaires. Il repose sur un graphe de connaissances dans lequel les propriétaires des jeux de données indiquent si une colonne est une métrique, une dimension ou un attribut, et où les tables les plus utilisées ont des descriptions rédigées par des personnes ; ces composants ont fait passer les réponses jugées correctes ou presque correctes de 9 % à 48 %. Dans un examen par des experts de 124 réponses en production, 53 % ont été jugées correctes ou avec des défauts mineurs, et le défaut le plus fréquent était un filtre erroné (24 %) ; les auteurs notent qu'une demande portant sur le dernier taux de clics ne veut pas dire la même chose d'une équipe à l'autre. C'est l'outil interne d'une seule entreprise, mesuré par ceux qui l'ont construit.
Ce que cela veut dire
Dans une grande entreprise, l'interrogation en langue courante ne fonctionne qu'aussi bien que les définitions que des personnes entretiennent derrière elle — les annotations des propriétaires ont fait passer les réponses correctes de moins d'un dixième à environ la moitié — et son erreur la plus courante est de se tromper sur le filtre de la question. Les définitions comme le cadrage restent aux analystes.
Ce que cela ne montre pas encore
L'outil d'une seule entreprise, mesuré par ceux qui l'ont construit ; cela ne montre ni moins d'analystes, ni à quel point ces outils sont courants.
Ce que vous pouvez vérifier
Ouvrez arXiv:2507.14372 et cherchez « Column type indicates whether a column is a metric, dimension, or attribute, as annotated by the dataset owner ».
Cela change-t-il l'évaluation ?
Non. L'indice d'impact n'est jamais déplacé par un seul événement. Sur les 2 jugements liés ci-dessus, 1 est passé de l'inférence à la preuve avec ce dossier ; les 1 autres reposaient déjà sur des preuves antérieures.
Source
Chen et al. (LinkedIn) — "Text-to-SQL for Enterprise Data Analytics", arXiv:2507.14372 (18 July 2025; Workshop on Agentic AI for Enterprise at KDD '25) · vérifié 2026-09-27 · Claude (VOLO agent) · interprété 2026-09-27 · Claude (VOLO agent)
Source primaire — publiée par la partie qui a fait la chose, ou par l'autorité de référence. Aucune contresignature nécessaire.