Penelitian tentang Penerapan Large Language Model dalam Integrasi Data

Paradigma Regresi Simbolik untuk Tata Kelola Data yang Dapat Diinterpretasikan

Zhanfang Chen; Yuan Ren; Xiaoming Jiang; Rui Qi· EAI Endorsed Transactions on Scalable Information Systems· 2026· DOI 10.4108/eetsis.10245

Masalah inti

Large Language Model (LLM) telah muncul sebagai terobosan besar dalam kecerdasan buatan, dengan aplikasi yang luas di berbagai domain. Kemampuan mereka yang kuat dalam pemahaman dan generasi bahasa memungkinkan penanganan tugas pemrosesan bahasa alami secara efektif seperti generasi teks, tanya jawab, terjemahan mesin, dan pengambilan informasi. Makalah ini menyelidiki penerapan teknologi LLM dalam integrasi data, aspek inti dari tata kelola data. Berbeda dengan pendekatan kotak hitam end-to-end, penulis membingkai ulang integrasi data sebagai masalah penemuan aturan pemetaan yang dapat diinterpretasikan melalui regresi simbolik. Masalah fundamental integrasi data pertama-tama didefinisikan, kemudian kerangka model besar serbaguna untuk tata kelola data diusulkan, dibangun di atas fondasi regresi simbolik mendalam. Kerangka ini terdiri dari generator ekspresi simbolik dan eksekutor yang diperkaya metadata, yang bertujuan mencapai akurasi tinggi dan interpretabilitas sekaligus.

Model yang diusulkan dievaluasi pada dua tugas integrasi data yang representatif. Hasil eksperimen menunjukkan efektivitasnya, memvalidasi kualitas praktis. Hasil tersebut menyoroti keunggulan paradigma regresi simbolik dalam meningkatkan interpretabilitas. Meskipun metrik kuantitatif spesifik tidak dirinci dalam abstrak, penulis melaporkan bahwa kerangka ini mencapai akurasi tinggi dan interpretabilitas, sebagaimana dibuktikan oleh keberhasilan penemuan aturan pemetaan yang dapat diinterpretasikan. Pendekatan fine-tuning metadata, di mana ekspresi simbolik yang dihasilkan berfungsi sebagai metadata kunci, berkontribusi pada peningkatan kinerja. Evaluasi menegaskan bahwa model dapat menangani berbagai skenario integrasi data, memberikan fondasi untuk penelitian lebih lanjut dalam tata kelola data.

Large Language Model (LLM) telah muncul sebagai terobosan besar dalam kecerdasan buatan, dengan aplikasi yang luas di berbagai domain. Kemampuan mereka yang kuat dalam pemahaman dan generasi bahasa memungkinkan penanganan tugas pemrosesan bahasa alami secara efektif seperti generasi teks, tanya jawab, terjemahan mesin, dan pengambilan informasi. Makalah ini menyelidiki penerapan teknologi LLM dalam integrasi data, aspek inti dari tata kelola data. Berbeda dengan pendekatan kotak hitam end-to-end, penulis membingkai ulang integrasi data sebagai masalah penemuan aturan pemetaan yang dapat diinterpretasikan melalui regresi simbolik. Masalah fundamental integrasi data pertama-tama didefinisikan, kemudian kerangka model besar serbaguna untuk tata kelola data diusulkan, dibangun di atas fondasi regresi simbolik mendalam. Kerangka ini terdiri dari generator ekspresi simbolik dan eksekutor yang diperkaya metadata, yang bertujuan mencapai akurasi tinggi dan interpretabilitas sekaligus.

Model yang diusulkan dilatih menggunakan kombinasi jaringan saraf berulang dan teknik pembelajaran penguatan untuk generasi ekspresi. Eksekusi aturan yang ditemukan disusun berdasarkan arsitektur encoder Transformer yang diperkaya dengan lapisan embedding metadata khusus. Untuk meningkatkan kinerja, penulis menggabungkan fine-tuning metadata, di mana ekspresi simbolik yang dihasilkan berfungsi sebagai metadata kunci untuk memandu proses integrasi. Arsitektur keseluruhan dapat direpresentasikan sebagai berikut:

Kontribusi utama makalah ini adalah pembingkaian ulang integrasi data sebagai masalah regresi simbolik, yang berbeda dengan pendekatan kotak hitam end-to-end. Dengan menemukan aturan pemetaan yang dapat diinterpretasikan, kerangka ini menjawab kebutuhan kritis dalam tata kelola data akan transparansi dan explainability. Kombinasi jaringan saraf berulang dan pembelajaran penguatan untuk generasi ekspresi, bersama dengan eksekutor Transformer yang diperkaya metadata, merupakan arsitektur baru. Penggunaan fine-tuning metadata lebih lanjut meningkatkan proses integrasi. Hasilnya memvalidasi kualitas praktis pendekatan ini dan menegaskan potensi regresi simbolik dalam meningkatkan interpretabilitas. Pekerjaan selanjutnya dapat mengeksplorasi penskalaan kerangka ini ke tugas integrasi data yang lebih besar dan kompleks, serta mengintegrasikan sumber metadata tambahan. Kandidat taksonomi—Arsitektur, Keamanan Siber, Jaringan, Kriptografi—menunjukkan domain aplikasi potensial di mana integrasi data yang dapat diinterpretasikan sangat penting.

Praktisi dan peneliti ilmu komputer

Membuka konten member…