.png){kind=icon}
返回
DataLoom: Simplifying Data Loading with LLMs
.png){kind=icon}
PRE
AI
DOI：10.14778/3685800.3685897.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
模式发现和数据加载是任何数据分析流水线中的关键步骤。虽然这项任务过去较为少见，但在机器学习高度动态的领域以及基于数据湖的现代商业智能中，如今它已成为一项频繁但常被低估的活动。现有工具通常关注单个文件，假设用户已具备数据方面的先验知识或需要大量手动劳动。在本文中，我们改进了将一组混乱的文件映射到初始数据库模式的过程，该模式随后可进行迭代细化和加载。我们的思路是利用大型语言模型（LLMs）自动化此前繁琐的流程部分，同时将约束发现等已得到良好解决的问题交给现有算法。我们因此仔细协调LLMs用于软问题以及传统算法用于硬问题的应用。这为用户创造了更无缝的模式发现和数据加载体验，同时最小化用户获得初步见解所需的时间。我们在名为DataLoom的网页原型中展示了这一愿景，该原型作为我们的演示工具。
期刊
P
IF:
3.3
论文数:
563
被引数:
1.2W
机构
暂无机构信息
引用论文
.png){kind=icon}
分享收藏
没有更多内容
没有更多内容