본 논문은 대규모 언어 모델(LLM)을 질의 파이프라인에 통합하여 구조화된 데이터와 비구조화된 데이터에 대한 강력한 의미적 연산을 가능하게 하는 AI 증강 데이터 처리 시스템(DPS)의 신뢰성 문제를 해결하기 위해 의미적 무결성 제약 조건(SIC)을 제시합니다. SIC는 기존 데이터베이스 무결성 제약 조건을 의미적 설정으로 일반화하여 접지, 타당성, 배제와 같은 일반적인 유형의 제약 조건을 사전 예방적 및 반응적 적용 전략과 함께 지원합니다. 논문에서는 SIC가 신뢰할 수 있고 감사 가능한 AI 증강 데이터 시스템을 구축하기 위한 기반을 제공한다고 주장하며, SIC를 쿼리 계획 및 런타임 실행에 통합하기 위한 시스템 설계를 제시하고 AI 증강 DPS에서의 구현을 논의합니다. 표현력, 런타임 의미론, 통합, 성능 및 엔터프라이즈 규모 적용 가능성을 포함한 여러 설계 목표를 제시하고, 제안된 프레임워크가 각 목표를 어떻게 해결하는지, 그리고 열린 연구 과제에 대해 논의합니다.
