본 논문은 다양한 출처의 방대한 정보 통합에 따른 확장성 문제를 해결하기 위해 대규모 언어 모델(LLM)을 활용한 스키마 매핑 자동화에 초점을 맞추고 있습니다. 수동으로 작성된 스키마 매핑의 복잡성과 유지보수 비용 문제를 해결하고자 LLM을 활용하는 방안을 제시하지만, LLM을 이용한 스키마 매핑의 세 가지 핵심적인 문제점, 즉 입력 표현 및 구조에 대한 민감성으로 인한 불일치 출력, 보다 표현력 있는 매핑의 필요성, 그리고 반복적인 LLM 호출로 인한 높은 계산 비용을 지적합니다. 이러한 문제점을 해결하기 위해 샘플링 및 집계 기법, 데이터 유형 사전 필터링과 같은 전략을 제안합니다.