Michihiro Yasunaga
La question de savoir si un modèle de langage peut traduire correctement une question en langue naturelle en requête structurée précise — et ce que cette traduction révèle du raisonnement sur la connaissance.
Spider, que Yasunaga a co-écrit dans le cadre d'une collaboration doctorale Yale-Stanford, est depuis 2018 le benchmark canonique de traduction texte-vers-SQL — une tâche faussement simple (« transformer cette question en requête SQL ») qui exige en réalité du modèle qu'il lie des entités en langue naturelle à des colonnes de schéma, résolve des agrégations et structure correctement des jointures. La raison pour laquelle cela compte pour évaluer les LLM comme systèmes de raisonnement est que le texte-vers-SQL dispose d'une vérité de terrain stricte : la requête s'exécute et renvoie les bonnes lignes, ou elle ne le fait pas. Ses travaux ultérieurs sur QA-GNN et le raisonnement augmenté par graphe de connaissances prolongent la même posture — raisonner sur une connaissance structurée qui produit des réponses vérifiables.