AI
Text2SQL은 왜 자꾸 틀릴까?
두줄요약
LLM 기반 Text-to-SQL의 오류 유형과 빈도를 정리하고, 기존 수리 방식의 한계를 분석했습니다. 규칙 기반 감지와 LLM 보조 수정을 결합한 MapleRepair의 실무적 효과를 소개했습니다.
핵심 내용
- LLM 기반 Text-to-SQL 쿼리 오류를 7가지 대분류와 29개 유형으로 체계화한 논문 리뷰
- 전체 쿼리의 37.3%에서 오류가 발생했고, 의미 오류와 스키마 오류가 특히 빈번한 패턴
- 기존 자동 수정 방식은 수정률이 낮고 오수리가 많아 한계가 뚜렷한 상황
해결 방법
- MapleRepair를 통해 규칙 기반 오류 감지와 LLM 보조 수정을 결합한 하이브리드 접근 제시
- 단순 문법·구조 오류는 룰로 우선 처리하고, 복잡한 경우에만 LLM 호출하는 방식
- 기존 대비 수정 성공률 향상과 오버헤드 감소를 동시에 확보한 점을 강조
적용해볼 점
- Text-to-SQL 서비스에서는 정확도보다 오류 탐지·교정 체계가 핵심 과제
- 스키마 정보와 데이터 리니지 캐싱, 룰 기반 1차 검증 같은 실무 적용 가능성 제시
