Doğal Dilden Kurumsal Veri Paneli Üreten 'Text2Dashboard' Mimarisi Tanıtıldı

Yapay zeka araştırma ekibi tarafından geliştirilen ve 2 Ekim 2026 tarihinde arXiv platformunda sunulan Text2Dashboard, kurumsal DataBrain ekosisteminde doğal dil tabanlı analitik talepleri denetlenebilir ve incelenebilir veri panellerine dönüştüren yeni bir prototip ajan mimarisi olarak duyuruldu. Yiou Wu, Zezhi Tang, Ningwei Bai ve Liuhaichen Yang tarafından kaleme alınan çalışmada, büyük dil modellerinin esnekliği ile geleneksel yazılımların deterministik güvenlik denetimlerini birleştiren hibrit bir yaklaşım sergileniyor.

Denetimli Ajan Mimarisi ve Çalışma Prensibi

Sistem, kurulabilir bir Codex eklentisi ve bağımsız bir Ajan Çalışma Zamanı etrafında şekilleniyor. Bu yapı; şema kısıtlamalı model kararlarını, tiplendirilmiş araçları, kalıcı durumu ve onay, denetim, kontrol noktası, kurtarma ile hata yönetimi sağlayan deterministik Kancaları bir araya getiriyor.

İşlem hattı temel olarak varlık çözümü, meta veri keşfi, salt okunur SQL zorlaması, pano kompozisyonu ile statik kontroller, dinamik ön uçuş ve tarayıcı incelemesi aşamalarından geçiyor. Mimari yaklaşımda yapay zeka modeli yalnızca eylemleri önerirken, yürütme süreci deterministik yazılım katmanı tarafından titizlikle denetleniyor ve tüm durum geçişleri eksiksiz bir şekilde kayıt altına alınıyor.

Test Sonuçları ve Performans Kriterleri

Araştırma ekibi, önerilen iş akışını dondurulmuş gerçek DataBrain görevleri ve kontrol edilen kanca hataları üzerinden değerlendirdi. Elde edilen bulgulara göre meta veri ve SQL görevlerinde katı başarı oranı altıda sekiz olarak gerçekleşti. Meta veri seçimi dörtte dört tam başarı sağlarken, dört SQL görevinin tümü semantik kriterleri karşıladı ve ikisi tam çıkış sütunu sözleşmesine uydu.

Final sürümü; tek panelli dört pano görevini, bir iki panelli görevi ve mevcut bir panonun iyileştirilmesini başarıyla tamamlarken, parametrelendirilmiş bir görev belirlenen adım sınırını aştı. Ayrıca test edilen on hata senaryosunun tamamı, onaylanmamış harici yan etki olmaksızın öngörülen sonuçları verdi. Yapılan analizler, model çıkarımının gözlemlenen çalışma süresinin yüzde 97'sinden fazlasını oluşturduğunu ortaya koydu.

Üretim Hazırlığı ve Sınırlamalar

Çalışmanın yazarları, elde edilen bu DataBrain odaklı sınırlı sonuçların üretim ortamına geçiş için bir hazırlık niteliği taşımadığını, genel metin-SQL doğruluğunu kanıtlamadığını veya manuel pano oluşturmaya kıyasla somut bir verimlilik avantajı sunmadığının altını çiziyor. Buna rağmen, kurumsal veri ekosistemlerinde yapay zeka ajanlarının güvenliğini, doğrulanabilirliğini ve denetlenebilirliğini artırmaya yönelik bu tür yaklaşımlar; son dönemde veri hatası yönetimi, bilgi soyutlama ve otonom sistem iyileştirme alanındaki diğer ajan mimarisi çalışmalarıyla paralel bir şekilde dikkat çekiyor.