大型語言模型興起，讓人們可以透過文字生成想要的文案、圖檔、程式碼甚至詩歌。然而，以生成資料庫查詢語言（text-to-SQL）來說，由於大語言模型對企業資料模型普遍不熟悉，同時企業基於資訊安全考量，通常也不會無條件地開放資料給生成式AI學習，實驗發現，在這樣的限制下，生成式 AI是無法產生符合企業使用的資料庫查詢語言。因此，為了探討解決這樣的問題，本實驗建構了一個模擬企業應用的人事系統，並開發了一個基於 ChatGPT的大型語言模型的資料庫查詢語言合成器，透過基本的自然語言前處理和符合企業使用情境的資料模型，合成出合乎企業環境的提示（Prompt）詞，成功誘發大型語言模型ChatGPT產生合乎企業使用的資料庫查詢語言成果。

The rise of large language model enables people to generate desired copywriting, graphic files, program codes even poem through text. However, for the task of generating database language (text-to-SQL), large language models such as ChatGPT is not familiar with enterprise data models, and enterprises are unwilling to share their data knowledge to general-purpose generative in context learning so that LLMs cannot produce the contextual results. Therefore, we construct a simulation enterprise system to develop a natural language to SQL synthesizer which can generate suitable prompts through natural understanding and natural language process to generate contextual results. The experiment shows that through a preliminary natural language understanding of the user’s problem and enterprise database knowledge can induce correct database query language.

目錄
第1章 前言	1
第2章 相關研究	2
第3章 背景知識	10
第4章 系統架構	15
第5章 系統實作	18
第6章 實驗分析	22
第7章 未來工作	23
參考文獻---------- 24

圖目錄
圖1、自然語言轉資料庫查詢語言合成器軟體元件堆疊圖	3
圖2、自然語言轉資料庫查詢語言合成器核心模組	3
圖3、運用 ChatGPT 達成自然語言轉SQL示意圖	10
圖4、ChatGPT text-To-SQL 任務的輸出內容	10
圖5、Transformer 的 Encoder 和 Decoder 結構	11
圖6、10 個常用的ChatGPT text-To-SQL 任務的提示詞	14
圖7、自然語言轉SQL語言合成器架構設計圖	15
圖8、自然語言轉SQL合成器管線設計圖	16
圖9、提示詞 Prompting 設計	17
圖10、員工查詢系統資料關聯設計圖	18
圖11、傳統表單新增對話式搜尋 (Vue 2.7.14 + BootStrap 5.1.1）	18
圖12、對話式的查詢結果	19
圖13、ChatGPT 的 text-To-SQL 任務無法識別中文姓名和性別	19
圖14、使用史丹福大學 StanfordCoreNLP 進行姓名辨識的程式碼	20
圖15、使用 jieba 進行性別辨識的程式碼	21
圖16、本實驗誘發 ChatGPT產生正確text-to-SQL任務成果提示詞	21
圖17、經語言合成器微調後的資料庫查詢語言結果	22

表目錄
表1、典型企業內部紀錄人員的資料表	8

[1]	軒言文創，你以為的「理性」可能不是真的「理性」，[Online] Available: 
https://soundshine.com.tw/psychology2020025/
[2]	Ashish Vaswani, Noam Shazeer, Niki Parmar,et. al., “Attention Is All You Need,” arXiv: 
1706.03762v5 [cs.CL] 6, Dec., 2017.
[3]	邱上豪 （2022）。基於Vision Transformer 神經網路資料擴增技術應用於半導體製程進行晶圓瑕疵之分類。國立臺北科技大學工業工程與管理系碩士論文，台灣，台北市。
[4]	Mattew E. Peters, Mark Neumann, Mohit lyyer ,et. al., “Deep contextualized word representations,” arXiv: 1802.05365[cs.CL] 22, Mar., 2018.
[5]	Zhengyan Zhang, Xu Han, Zhiyuan Liu,et. al., “ERNIE: Enhanced Language Representation with Informative Entities,” arXiv: 1905.07129v3[cs.CL] 4, Jun., 2019.
王琴，《論文解讀》百度ERNIE：Enhanced Representation through Knowledge Integration，[Online] Available: https://blog.csdn.net/u011150266/article/details/116479149
[6]	Anna Rogers, Olga Kovaleva, Anna Rumshisky, “A Primer in BERTology: What We Know About BERT Works”, [Online] Available: 
https://direct.mit.edu/tacl/article/doi/10.1162/tacl_a_00349/96482/A-Primer-in-BERTology-What-We-Know-About-How-BERT
[7]	黃朱倫，語言學與釋經-聖經詞彙的研究，校園出版社，1999。
[8]	Yujia Li, David Choi, Junyoung Chung, et al., “Competition-Level Code Generation with AlphaCode,” DeepMind,[Online]pp.27-28,Available:https://storage.googleapis.com/deepmind-media/AlphaCode/competition_level_code_generation_with_alphacode.pdf (Feb. 2, 2022)
[9]	駱知昀 （2020），設計及實作基於自然語言轉換之問答機器人。淡江大學資訊工程學系碩士論文，台灣，新北市淡水區。
[10]	徐志奇 （2021），基於自然語言轉換 SQL 之資料庫查詢機器人，淡江大學資訊工程學系碩士論文，台灣，新北市淡水區。
[11]	Christopher Baik, H. V. Jagadish, Yunyao Li, Bridging the semantic gap with SQL query logs in natural language interfaces to database, 2019, (pages 374-385)
[12]	C. Cordell Green, Bertram Raphael, “The use of theorem-proving techniques in question-answering systems”, ACM ’68: Proceedings of the 1968 23rd ACM national conference, January 1968, pp. 169-181, [Online] Available: https://doi.org/10.1145/800186.810578
[13]	吳軍，數學之美，第二版，人民郵電出版社，2014。 
[14]	高巧倫、翁藝芳，台大佛學數位圖書館暨博物館現況與未來展望，佛學數位資源之應用與趨勢研討會，Sep. 16, 2005.
[15]	Zheng & Casari著、楊新章 譯，機器學習特徵工程：資料科學家需學的原理和技術，歐萊禮，2020年
[16]	Yizhong Wang, Yeganeh Kordi, Swaroop Mishra, et. al., “SELF-INSTRUCT: Aligning Language Model with Self Generated Instructions”, arXiv: 2212.10560v1 [cs.CL] 20, Dec., 2022.
[17]	Clare Churcher, “Beginning SQL Queries, ” Apress, [Books] p.213
[18]	E. F. Codd, “A Relational Model of Data for Large Shared Banks, ” in Communication of the ACM: 13, p. 377.
[19]	OpenAI, “Enterprise privacy at OpenAI: Ownership: You own and control your data.”, 2015-2023, [Online] Available:https://openai.com/enterprise-privacy
[20]	GitHub: https://github.com/yefangwong/madaga