OPUS documents https://libdoc.whz.de/opus4/index/index/ Thu, 20 Nov 2025 12:59:32 +0100 Thu, 20 Nov 2025 12:59:32 +0100 https://libdoc.whz.de/opus4/frontdoor/index/index/docId/18723 Im Rahmen dieser Arbeit wurde untersucht, inwieweit sich das Function Calling von ChatGPT nutzen lässt, um automatisch SQL-Queries aus natürlichsprachlichen Anfragen zu generieren. Ziel war es, zu prüfen, ob durch die Anreicherung von Modellinformationen zu Tabellen und Spalten eine korrekte Übersetzung von Klartext in strukturierte SQL-Abfragen möglich ist. Dazu wurde eine Anwendung entwickelt, die ChatGPT über eine API mit zusätzlichen Datenbankinformationen versorgt. Neben der Nutzung klassischer Prompts kamen auch Embeddings zum Einsatz, um Rechtschreibfehler und umschriebene Formulierungen besser erkennen zu können. In mehreren Testdurchläufen wurden unterschiedliche Versionen der Anwendung evaluiert und die Erfolgsquoten systematisch verglichen. Die Ergebnisse zeigen, dass Anfragen mit exakten Angaben zu Tabellen- und Spaltennamen überwiegend korrekt verarbeitet werden. Allerdings traten Schwierigkeiten bei fehlerhaften Eingaben, Beschreibungen von Tabellen oder bei der Verwendung von Fremdschlüsseln auf. Mit Embeddings konnte die Korrektheit insbesondere bei Fehleranfragen deutlich gesteigert werden. Insgesamt konnte eine maximale Erfolgsquote von 42 % erreicht werden. Die Arbeit verdeutlicht, dass ChatGPT in Kombination mit Function Calling und Embeddings ein vielversprechender Ansatz für die automatische Generierung von SQL-Queries ist. Gleichzeitig wird deutlich, dass für eine produktive Nutzung weitere Verbesserungen, insbesondere hinsichtlich Robustheit, Fremdschlüssel-Logik und Modellwahl, notwendig sind. Arian Böhm bachelorthesis https://libdoc.whz.de/opus4/frontdoor/index/index/docId/18723 Thu, 20 Nov 2025 12:59:32 +0100