본 논문은 다수의 방대한 데이터베이스 환경에서 사용자의 질의 의도에 맞는 데이터베이스를 먼저 식별하는 3단계 엔드-투-엔드 text-to-SQL 프레임워크를 제안합니다. 기존의 text-to-SQL 접근 방식은 특정 데이터베이스를 전제로 자연어 질의를 SQL 명령어로 직접 변환하는 반면, 본 논문의 프레임워크는 LLM과 프롬프트 엔지니어링을 활용하여 자연어 질의에서 규칙 집합을 추출하고, 이를 바탕으로 RoBERTa 기반의 미세 조정된 인코더를 포함하는 대규모 db_id 예측 모델을 학습하여 올바른 데이터베이스 식별자(db_id)를 예측합니다. 마지막으로, 생성된 SQL을 비평 에이전트를 사용하여 오류를 수정합니다. 실험 결과, 제안된 프레임워크는 데이터베이스 의도 예측 및 SQL 생성 정확도 측면에서 최첨단 모델을 능가하는 성능을 보였습니다.
시사점, 한계점
•
시사점:
◦
다수의 데이터베이스를 포함하는 환경에서의 text-to-SQL 문제에 대한 효과적인 해결책 제시
◦
LLM과 프롬프트 엔지니어링을 활용한 데이터베이스 식별 및 SQL 생성의 정확도 향상
◦
비평 에이전트를 통한 SQL 생성 결과의 정확성 개선
◦
기존 text-to-SQL 모델의 한계점인 데이터베이스 사전 지정 필요성을 해결
•
한계점:
◦
제안된 프레임워크의 성능은 사용된 LLM과 데이터베이스의 특성에 따라 영향을 받을 수 있음.