Integrazione di Large Language Models con database strutturati: valutazione comparativa di metodologie con applicazione a dati IoT

La crescente diffusione di dispositivi IoT genera volumi di dati strutturati che richiedono competenze specialistiche per essere interrogati. I Large Language Model (LLM) possono fungere da interfaccia in linguaggio naturale verso le basi di dati, ma manca nella letteratura un confronto sistematico fra le diverse metodologie, condotto su dati reali e con modelli eseguibili in locale. Il presente lavoro analizza comparativamente quattro metodologie di interazione tra LLM e basi di dati strutturate su un caso d'uso reale di monitoraggio IoT in Emilia-Romagna: 12,6 milioni di record da 28 dispositivi raccolti in circa 12 mesi. Le metodologie - generazione SQL, context stuffing, interpretazione di codice e framework agentici - sono declinate in 14 configurazioni che combinano due modelli a sette miliardi di parametri (Qwen2.5-Coder e SQLCoder), tre strategie di prompt engineering e due lingue. La valutazione si basa su un punteggio composito a sei metriche su 18 interrogazioni con ground truth verificata. I risultati mostrano che l'approccio SQL-based con prompt arricchito da dizionario dei dati raggiunge il 76,9% di accuratezza con allucinazione nulla. I framework agentici si rivelano inadatti a sette miliardi di parametri (7,7% di accuratezza, consumo di token fino a dieci volte superiore). L'effetto della lingua è asimmetrico: l'inglese migliora il modello specializzato (+15,4 pp) ma non quello general-purpose.