Rosetta: Recupero della Semantica delle Colonne in Data Warehouse non Documentati

Uno studio recente pubblicato su arXiv (2608.07946) presenta Rosetta, un sistema volto a decifrare la semantica delle colonne in data warehouse non documentati. A differenza dei benchmark text-to-SQL che presentano schemi con nomi di colonne chiari, molti warehouse di produzione utilizzano identificatori oscuri con documentazione minima. Rosetta affronta questo problema integrando un modello linguistico in un framework di verifica: un profiler deterministico raccoglie dati strutturali, come impronte digitali dei valori, una libreria di 26 pattern e valutazioni di checksum. Sulla base di questi dati, il modello suggerisce la semantica, assicurando che ogni fatto sia collegato alla sua fonte e assegnando un punteggio di confidenza basato sulla sua categoria di evidenza. Nelle valutazioni contro la documentazione umana su 680 colonne accoppiate da undici database BIRD, il sistema ha raggiunto un'accuratezza di 0,475 sul 42% delle colonne analizzate, mentre lo stesso modello usato direttamente ha ottenuto 0,223 sul 94%. Per le 283 colonne in cui entrambi i metodi hanno fornito risultati, il sistema non ha superato la baseline. L'articolo completo è disponibile all'indirizzo https://arxiv.org/abs/2608.07946.