본 논문은 대규모 언어 모델(LLM)을 이용한 구조화된 데이터 분석의 신뢰성과 의미 정합성을 향상시키기 위한 STROT 프레임워크를 제시한다. STROT은 경량화된 스키마 내관찰과 샘플 기반 필드 분류를 통해 입력 데이터의 구조와 통계적 특성을 포착하는 동적 컨텍스트를 구축한다. 이 컨텍스트 정보는 구조화된 프롬프트에 포함되어 모델이 작업 특정적이고 해석 가능한 출력을 생성하도록 유도한다. 복잡한 질의에서 발생하는 일반적인 오류 모드를 해결하기 위해, STROT은 모델이 실행 피드백과 검증 신호를 기반으로 출력을 반복적으로 수정하는 개선 메커니즘을 통합한다. 정적 프롬프트나 일회성 추론에 의존하는 기존 방법과 달리, STROT은 계획 및 수정을 통해 출력 경로를 조정할 수 있는 제어된 분석 루프에 포함된 추론 에이전트로서 LLM을 다룬다. 결과적으로 STROT은 해석 가능성, 안정성 및 정확성이 필수적인 다양한 데이터 탐색 및 분석 작업에 적용 가능한, LLM을 사용한 구조화된 데이터 추론을 위한 강력하고 재현 가능한 프레임워크를 제공한다.
