본 논문은 대규모 언어 모델(LLM) 기반의 자연어 질의(NL)를 SQL 질의로 변환하는 기술(Text-to-SQL, NL2SQL)에 대한 종합적인 검토를 제공합니다. LLM을 활용한 Text-to-SQL의 성능 향상에 주목하며, 모델, 데이터, 평가, 오류 분석의 네 가지 측면에서 전 과정을 다룹니다. 모델 측면에서는 NL의 모호성과 불완전한 명세는 물론, NL과 데이터베이스 스키마 및 인스턴스 간의 매핑 문제를 해결하는 기술을 다루고, 데이터 측면에서는 훈련 데이터 수집, 데이터 부족에 대한 합성 데이터 생성, Text-to-SQL 벤치마크를 논의합니다. 평가 측면에서는 다양한 지표와 세분화된 수준에서 Text-to-SQL 방법을 평가하는 방법을 제시하며, 오류 분석 측면에서는 Text-to-SQL 오류의 근본 원인을 분석하고 모델 개선 방향을 제시합니다. 또한, Text-to-SQL 솔루션 개발을 위한 경험적 지침을 제공하고, LLM 시대의 Text-to-SQL 연구 과제와 미해결 문제를 논의합니다.
