Quelle est la précision de la conversion langage naturel vers SQL d'iDBQuery ?

iDBQuery rend vérifiable la précision de la conversion langage naturel vers SQL, au lieu de vous demander d'y croire sur parole : - Il ancre chaque requête dans votre schéma réel et sa couche sémantique : il utilise donc des colonnes qui existent réellement et signifient ce que vous croyez, au lieu d'halluciner un champ. - Il affiche le SQL qu'il a rédigé, pour que vous (ou un administrateur de base de données) puissiez lire exactement comment le chiffre a été produit. - Il rattache chaque chiffre à des lignes sources, pour que vous puissiez confirmer le résultat par rapport aux données sous-jacentes. - Lorsqu'une question est ambiguë, il la pose ou énonce son hypothèse plutôt que de deviner.

Un exemple concret : demandez « la taille moyenne des contrats du segment entreprise ce trimestre » et iDBQuery affiche le SQL, la table, le filtre du segment entreprise, la plage de dates, si bien que toute mauvaise interprétation est visible d'un coup d'œil, et non enfouie.

Le facteur différenciant, c'est le filet de sécurité. Un texte-vers-SQL brut peut se tromper avec assurance parce qu'il ne renvoie qu'un chiffre ; iDBQuery associe la réponse à sa requête et à ses citations, si bien que la précision est vérifiable et que les erreurs sont peu coûteuses à repérer et à corriger d'une relance. L'ancrage dans votre schéma réel et sa couche sémantique réduit aussi les erreurs à la source, en particulier sur les bases obscures. Aucun système n'est parfait, et c'est précisément pourquoi iDBQuery montre son raisonnement : l'objectif, ce sont des réponses auxquelles vous pouvez vous fier parce que vous pouvez les vérifier, et non une boîte noire.