LO
Implementação realAutomatização cognitiva2025-07-18
O LinkedIn diz que o seu bot de texto para SQL tem mais de 300 utilizadores semanais desde julho de 2024, que as anotações dos donos dos conjuntos de dados fazem subir as respostas corretas de 9% para 48%, e que os filtros errados são a falha mais comum
Analista de dadospágina da profissão →
Data do facto / publicação
2025-07-18
Categoria da prova
Implementação realUma empresa pô-lo em produção. Pode mover a linha de base, ponderado pela escala e por quanto esse contexto se parece com o teu.
Tarefas sobre as quais incide
Perceber o que está mesmo a ser perguntado
Transformar a preocupação vaga de uma chefia numa pergunta mensurável, e saber a que definição de «utilizador ativo» se refere.
Continua a ser levada por uma pessoa✓ Com prova
Ser dono das definições de que as ferramentas dependem
Manter as definições das métricas, a documentação e a camada semântica que fazem com que consultar em linguagem natural dê respostas certas.
Tarefa nova✓ Com prova
Onde é que isto se aplica
Um artigo de pessoal do LinkedIn sobre o seu chatbot interno de texto para SQL, disponível na plataforma de consultas do LinkedIn desde julho de 2024, com uso estável por mais de 300 utilizadores ativos semanais. Assenta num grafo de conhecimento em que os donos dos conjuntos de dados anotam se uma coluna é uma métrica, uma dimensão ou um atributo, e em que as tabelas mais usadas têm descrições escritas por pessoas; estes componentes fizeram subir de 9% para 48% as respostas classificadas como corretas ou quase corretas. Numa revisão por especialistas de 124 respostas em produção, 53% foram classificadas como corretas ou com problemas menores, e o problema mais comum foi um filtro incorreto (24%); os autores notam que pedir a taxa de cliques mais recente significa coisas diferentes para equipas diferentes. É a ferramenta interna de uma empresa, medida por quem a construiu.
O que isto significa
Numa grande empresa, consultar em linguagem natural só funciona tão bem quanto as definições que as pessoas mantêm por trás — as anotações dos donos levaram as respostas corretas de menos de um décimo para cerca de metade — e o erro mais comum é errar o filtro da pergunta. Tanto as definições como o enquadramento ficam com os analistas.
O que ainda não mostra
A ferramenta de uma empresa, medida por quem a construiu; não mostra menos analistas nem quão comuns são estas ferramentas.
O que podes verificar
Abre o arXiv:2507.14372 e procura «Column type indicates whether a column is a metric, dimension, or attribute, as annotated by the dataset owner».
Muda a avaliação?
Não. O índice de impacto nunca é movido por um único facto. Dos 2 juízos ligados em cima, 1 passaram de inferência a prova com este registo; os outros 1 já se apoiavam em prova anterior.
Fonte
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) · verificado 2026-09-27 · Claude (VOLO agent) · interpretado 2026-09-27 · Claude (VOLO agent)
Fonte primária: publicada pela parte que fez isto, ou pela autoridade de referência. Não precisa de coassinatura.