README.md

---
license: apache-2.0
datasets:
- PipableAI/pip-txt-to-sql-spider-bird-dataset
language:
- en
metrics:
- accuracy
tags:
- sql
- code
- text2sql
- instruction_tuned
- basemodel
- jax
- pytorch
- text-generation-inference
library_name: transformers
pipeline_tag: text-generation
widget:
- text: >-
    <schema>CREATE TABLE system(JobID: String,GID: String, UID: String,
    Start:Time(yyyy/mm/dd), End: Time,ElapsedRaw: Time, CPUTimeRAW: Time,NCPUS:
    Number,NNodes: Number, NodeList: List,  State:String, Timelimit:
    Time);</schema><question>Get UID and job id for Jobs that started on Jan 20
    , 2023 ended on feb 14 2023 and has job id 20</question><sql>
  example_title: example
---
# pipSQL-1.3b

[pipableAi](https://www.linkedin.com/company/pipable.ai/about/)

[colab_notebook](https://colab.research.google.com/drive/1insSxvc3jjAXe0zmdIjmbG3ttb5mpRgQ?usp=sharing)

## Основная информация
 Основа для файнтюна (FT).

<antArtifact identifier="sql-model-analysis" type="text/markdown" title="Анализ SQL-модели для файнтюнинга в бизнес-информатике">
# Анализ базовой модели PipableAI/pip-library-etl-1.3b

## Основные характеристики модели
- Размер: 1.3 миллиарда параметров
- Базовая архитектура: DeepSeek
- Специализация: ETL (Extract, Transform, Load) и SQL-операции
- Доступность: открытый доступ через Hugging Face
- Превосходит ChatGPT в SQL-ориентированных бенчмарках

## Преимущества для бизнес-информатики МГПУ

### 1. Техническая оптимальность
- Оптимальный размер для файнтюнинга (1.3B параметров)
- Возможность запуска на доступном оборудовании
- Эффективное использование вычислительных ресурсов

### 2. Образовательные преимущества
- Специализация на SQL подходит для курсов по базам данных
- Поддержка ETL-процессов актуальна для бизнес-аналитики
- Возможность интеграции в учебные проекты

### 3. Направления файнтюнинга для МГПУ
- Адаптация под специфику учебных задач
- Настройка на корпоративные кейсы
- Интеграция российских бизнес-практик

## Рекомендации по файнтюнингу

### 1. Приоритетные области настройки
- Работа с российскими СУБД
- Интеграция отраслевой специфики
- Адаптация под образовательные задачи

### 2. Технические аспекты
- Использование LoRA для эффективной настройки
- Подготовка специализированных датасетов
- Валидация на реальных бизнес-кейсах

### 3. Образовательные компоненты
- Создание учебных примеров
- Разработка практических заданий
- Интеграция в существующие курсы

## Потенциальные применения

1. Учебный процесс:
   - Автоматическая проверка SQL-запросов студентов
   - Генерация учебных примеров
   - Поддержка практических занятий

2. Исследовательская работа:
   - Анализ больших наборов данных
   - Поддержка научных исследований
   - Обработка результатов экспериментов

3. Практические проекты:
   - Работа с реальными бизнес-задачами
   - Создание прототипов решений
   - Анализ бизнес-процессов
</antArtifact>

Эта модель представляет особую ценность для направления бизнес-информатики благодаря своей специализации на SQL и ETL-процессах.

## Процесс обучения модели 

Реализован через комбинированную функцию потерь, включающую:

1. Softmax cross entropy (перекрёстная энтропия с софтмакс нормализацией) для оптимизации вероятностного распределения предсказаний

2. Модифицированный вариант policy gradient для оптимизации стратегии принятия решений

3. Q-loss для оценки качества действий

Оптимизация производилась в рамках EM-фреймворка (Expectation-Maximization), что обеспечивает итеративное улучшение параметров модели через чередование шагов оценки ожидания и максимизации вероятности.

Такая архитектура потерь позволяет эффективно оптимизировать как точность генерации SQL-запросов, так и стратегическое качество принимаемых моделью решений.

## Бенчмаркинг :
 Оценка производительности модели выполнена на основе Semantic Evaluation for Text-to-SQL with Distilled Test Suites - официального фреймворка оценки, разработанного исследовательской группой Yale и Berkeley для бенчмарков Spider, SParC и CoSQL. 

Тестовый набор данных включает 2200 примеров, что обеспечивает статистически значимую оценку качества генерации SQL-запросов и семантической точности модели.


[Test Suite SQL Eval](https://github.com/taoyds/test-suite-sql-eval)

|model|easy|medium|hard|extra|
|-----|----|------|----|-----|
|sqlcoder-7b-2|72.0|58.0|40.6|37.3|
|pipSQL-1.3b|78.5|57.5|42.1|28.3|
|pipSQL-7b|63.0|40.0|30.2|25.0|
|sqlcoder-7b|60.6|48.2|28.3|20.4|
|gpt-3.5|58.8|44.7|31.0|28.4|

Мы также протестировали его на defog eval.
Он содержит 200 точек тестовых данных, отобранных вручную командой defog.
Вот ссылка на него:


[Defog SQL-Eval](https://github.com/defog-ai/sql-eval)
Вот результаты -

![image/png](https://cdn-uploads.huggingface.co/production/uploads/64d32c6b921678fdc9de3302/fFeLSEYBNpQk_JWjFsF5M.png)

## License
Модель имеет открытый исходный код под лицензией Apache 2.0.

## Usage

### Installation

```bash
pip install transformers
```

### Prompt
```python
prompt = f"""<schema>{schema}</schema>
<question>{question}</question>
<sql>"""
```

### PyTorch
```python
from transformers import AutoModelForCausalLM, AutoTokenizer
device = "cuda"
model = AutoModelForCausalLM.from_pretrained("PipableAI/pip-sql-1.3b")
tokenizer = AutoTokenizer.from_pretrained("PipableAI/pip-sql-1.3b")

inputs = tokenizer(text, return_tensors="pt")
outputs = model.generate(**inputs, max_new_tokens=200)
print(tokenizer.decode(outputs[0], skip_special_tokens=True).split('<sql>')[1].split('</sql>')[0])
```

### Flax
```python
from transformers import FlaxAutoModelForCausalLM, AutoTokenizer
device = "cuda"
model = FlaxAutoModelForCausalLM.from_pretrained("PipableAI/pip-sql-1.3b",from_pt=True)
tokenizer = AutoTokenizer.from_pretrained("PipableAI/pip-sql-1.3b")

inputs = tokenizer(text, return_tensors="jax")
outputs = model.generate(**inputs, max_new_tokens=200)
print(tokenizer.decode(outputs[0], skip_special_tokens=True).split('<sql>')[1].split('</sql>')[0])
```

## Examples

### Schema
```sql
CREATE TABLE Products (
  product_id number,
  parent_product_id number,
  product_name text,
  product_price number,
  product_color text,
  product_size text,
  product_description text);

CREATE TABLE Customers (
  customer_id number,
  gender_code text,
  customer_first_name text,
  customer_middle_initial text,
  customer_last_name text,
  email_address text,
  login_name text,
  login_password text,
  phone_number text,
  address_line_1 text,
  town_city text,
  county text,
  country text);

CREATE TABLE Customer_Payment_Methods (
  customer_id number,
  payment_method_code text);

CREATE TABLE Invoices (
  invoice_number number,
  invoice_status_code text,
  invoice_date time);

CREATE TABLE Orders (
  order_id number,
  customer_id number,
  order_status_code text,
  date_order_placed time);

CREATE TABLE Order_Items (
  order_item_id number,
  product_id number,
  order_id number,
  order_item_status_code text);

CREATE TABLE Shipments (
  shipment_id number,
  order_id number,
  invoice_number number,
  shipment_tracking_number text,
  shipment_date time);

CREATE TABLE Shipment_Items (
  shipment_id number,
  order_item_id number);
```

### Questions
What are the email address, town and county of the customers who are of the least common gender?
```sql
SELECT email_address ,  town_city ,  county FROM customers GROUP BY gender_code ORDER BY count(*) ASC LIMIT 1
```

What are the product price and the product size of the products whose price is above average?
```sql
SELECT product_price ,  product_size FROM products WHERE product_price  > (SELECT avg(product_price) FROM products)
```

Which customers did not make any orders? List the first name, middle initial and last name.
```sql
SELECT T1.customer_first_name ,  T1.customer_middle_initial ,  T1.customer_last_name FROM Customers AS T1 WHERE T1.customer_id NOT IN (SELECT T2.customer_id FROM Orders AS T2)
```