본 논문은 대규모 언어 모델(LLM)의 문맥 내 학습을 활용한 Text-to-SQL(자연어 질문을 SQL 쿼리로 변환) 분야에서 기존 방법들의 한계점을 지적하고, 개선된 접근 방식을 제안합니다. 기존 방법들은 초대규모 LLM에 크게 의존하며, 작은 LLM에서는 성능이 저하되는 문제점을 보였습니다. 이를 해결하기 위해, 질문과 데이터베이스 스키마 항목 간의 핵심 정보와 의미 관계를 포함하는 심층 문맥 스키마 링크 그래프(Deep Contextual Schema Link Graph)를 구축하여 Text-to-SQL 샘플을 효과적으로 표현하고 유용한 데모를 검색하는 새로운 방법을 제시합니다. Spider 벤치마크 실험 결과, 초대규모 LLM과 소규모 LLM 모두에서 SQL 생성 성능과 효율성이 향상됨을 보여줍니다.
