최근 대규모 언어 모델(LLM)의 발전으로 자연어 인터페이스(NLI)가 데이터 탐험에 널리 접근 가능해졌지만, 광범위한 분석 목표를 가진 분석가들은 특히 낯선 다중 테이블 관계형 데이터베이스에서 이를 효과적인 단계별 쿼리로 분해하는 데 여전히 어려움을 겪는다. 고수준 분석 의제를 생성하는 대신, 관계형 데이터베이스 탐험을 위한 분석적 보조 구조로 작동하는 의미·맥락 인식 다음 단계 쿼리 추천으로 NLI를 보강하는 방법을 조사한다. 본 접근법은 의미적 관련성, 데이터 흥미로움, 맥락 일관성을 공동으로 통합하여 탐험을 일관되고 주제 중심적인 분석 및 잠재적으로 통찰력 있는 부분집합으로 이끄는 방식으로 흥미로움만을 사용하는 방법을 넘어선다. NL2SQL 벤치마킹, LLM 강화 설명 검증, 흥미로움만 사용하는 기준선 및 LLM 기반 프롬프팅 기준선에 대한 에이전틱 비교, 12명 참가자 사용자 연구로 QRec-NLI를 평가한다. 에이전틱 비교에서 QRec-NLI는 두 기준선 모두보다 주제적으로 더 관련성 있고 국소적으로 더 일관된 쿼리 시퀀스를 생성한다. 흥미로움만 사용하는 기준선과의 사용자 연구에서, 통찰 생성 지원 및 의사결정 지원에 대해 더 높은 평가를 받는다.
대규모 언어 모델(LLM)의 시대에도, 자연어-SQL(NL2SQL) 번역은 다양한 유용한 응용 분야를 갖는 미해결 문제로 남아 있다. 우리는 더 경량화된 모델 개발에 영감을 주기 위해 여러 NL2SQL 파이프라인 확장 기법들 간의 상호작용을 탐구한다. 구체적으로, NatSQL 중간 표현을 통합하고, 합성 데이터 기반의 전처리 단계와 미세조정(fine-tuning) 단계를 포함하며, 최종 빔에서 SQL 선택을 개선하기 위한 새로운 리랭커(reranker) 모델을 개발한다. 우리는 SmBoP와 RASAT 두 가지 백본 아키텍처와 통합된 이러한 다양한 구성 요소들에 대해 Shapley 분석으로 보완된 절제 연구(ablation study)를 수행한다. 단순히 이들 모두를 결합하는 것이 최상의 결과로 이어지지 않으며, 각 구성 요소의 영향은 기준선(baseline) 시스템과의 상호작용뿐만 아니라 서로 간의 상호작용에도 의존함을 발견한다.
자연어를 SQL로 변환하는 NL2SQL 태스크에서 GPT-4 같은 대형 독점 모델 의존성을 줄이기 위해, AST 기반 검색으로 검증 가능한 분해(decomposition)를 생성하는 Decomposition Synthesis Procedure와 다단계 추론에 세분화된 선호 최적화를 적용하는 Margin-Aware Reinforcement Learning으로 구성된 LearNAT 프레임워크를 제안한다. Spider·BIRD 벤치마크 실험에서 7B 파라미터 소형 공개 모델로 GPT-4에 준하는 성능을 달성하였다.
엔터프라이즈 데이터베이스의 복잡한 스키마에 대한 자연어-SQL 변환(NL2SQL) 문제를 해결하기 위해, 시맨틱 모델 쿼리(SMQ)라는 중간 표현을 통해 의미적 의도와 물리적 SQL 실행을 분리하는 시맨틱 층 매개 에이전트를 제안한다. Gemini 3 Pro 기반으로 Spider2-snow 벤치마크에서 94.15%의 실행 정확도를 달성해 공식 리더보드 3위를 기록하며 스키마 직접 활용 방식을 크게 능가했다.
Cohere와 LG CNS가 공동 개발한 111B 파라미터 하이브리드 추론 모델 LuckyStar 111B는 새로운 사전학습 없이 Command A를 기반으로 다국어 SFT, 검증 가능한 보상을 활용한 강화학습(RLVR), 언어 일관성 보상, 4비트 양자화를 결합해 한국어-영어 기업용 에이전트 환경에 적응시켰다. 영어로 추론하고 한국어로 최종 답변을 생성하는 혼합 언어 전략을 통해 수학적 추론, 함수 호출, NL2SQL 성능을 크게 향상시키면서도 단일 GPU 서빙이 가능한 메모리 효율을 달성했다.
Enterprise business intelligence queries span structured warehouses and unstructured document repositories -- modalities with fundamentally different access methods, cost profiles, and correctness semantics. Existing AI-enabled interfaces force users to select the right tool: NL2SQL systems cannot reason over slide decks, and RAG pipelines lack access to live warehouse tables. We present COGNI, a production conversational BI system that treats natural-language analytics as a heterogeneous query processing problem, organized as four architectural layers. First, an indexing layer implements slide-adaptive chunking -- recursive chunking for plain-text slides, hierarchical chunking for structured content such as tables, charts, and key-value blocks - achieving $88.3\%$ on our internal enterprise benchmark. Second, a routing layer built on a LoRA fine-tuned Qwen-2.5-1.5B-Instruct model that produces a dual output - modality decision and complexity assessment at $93.8\%$ accuracy and approximately $7\times$ lower cost than frontier-model. Third, a retrieval layer executes complexity-adaptive pipelines: a self-correcting NL2SQL agent at $93.9\%$ G-Eval, and Recursive Language Models reaching $91.0\%$ on multi-hop synthesis queries. Finally, a caching layer validates query equivalence across multiple dimensions beyond embedding similarity, achieving zero false cache hits and $8.4\times$ latency reduction.
정확하고 정보가 풍부한 컬럼 설명(예: 컬럼명 "cust_mem"에 대한 "고객의 멤버십 상태") 생성은 NL2SQL, 테이블 질의응답(table question answering), 엔티티 연결(entity linking) 등 표 형식 데이터에 대한 다양한 하위 자연어 처리(NLP) 작업에 필수적이다. 이 문제는 기업, 도메인 과학, 정부 데이터 포털 등에서 발생한다. 중요성에도 불구하고, 대부분의 실제 데이터셋은 축약된 컬럼명이나 도메인 특화 전문 용어로 인해 문서화가 누락되거나 알기 어려운 경우가 많다. 기존 접근법은 대부분 단일 프롬프트 대규모 언어 모델(LLM)에 의존하며, (i) 약어 처리의 불일치 또는 오류, (ii) 환각(hallucination) 또는 불완전한 설명, (iii) 하위 작업 성능을 저해하는 중복성 또는 모호함의 세 가지 핵심 문제에 어려움을 겪는다. 우리는 LLM을 활용한 자동 컬럼 설명 생성을 위한 작업 인식(task-aware) 프레임워크 TACO를 제안한다. TACO는 3단계 파이프라인을 도입한다: (1) 컬럼명을 표준화하는 약어 확장(abbreviation expansion), (2) 동의어 및 검색 지향 키워드가 풍부한 초기 의미적 설명을 생성하는 설명 생성(description generation), (3) 시뮬레이션된 하위 작업을 활용해 이러한 출력을 정제하는 설명 수정(description revision). 또한, 사람 개입(human-in-the-loop) 확장을 탐구하고 엔티티 연결 및 스키마 보강(schema enrichment)을 위한 새로운 평가 데이터셋을 공개한다. 공개 및 독점 데이터셋에 대한 광범위한 실험 결과, TACO는 기존 방법을 지속적으로 능가하며 하위 작업 성능을 최대 32% 향상시킨다.
데이터베이스 자연어 인터페이스는 사용자 질문을 실행 가능한 SQL로 변환하는 것을 목표로 하지만, 질문이 불충분하고 스키마가 크고 모호한 실제 환경에서는 여전히 취약합니다. 사용자 질문, 데이터베이스 스키마, 모델 해석에 걸친 모호성은 NL2SQL의 주요 실패 요인으로, 의도 불일치, 잘못된 스키마 그라운딩, 잘못된 SQL 생성으로 이어집니다. 기존 접근 방식은 인간의 명확화에 의존하거나 모호성을 스키마 표현 문제로 취급하지만, 이는 확장되지 않으며 모호성을 자율적으로 해결하지 못합니다. 우리는 타겟팅된 합성 쿼리 로그와 모호성 기반 프로빙을 통해 모호성을 자동으로 해결하는 SOMA-SQL을 제안합니다. SOMA-SQL은 스키마 해석을 그라운딩하고 후보 SQL 생성을 안내하기 위해 합성 쿼리 로그를 구축합니다. 그 후 구조화된 모호성 분류 체계와 후보 불일치에 의해 주도되는 타겟팅된 프로빙 쿼리를 실행하여, 최종 SQL 선택 및 수정을 위한 모호성 해소 증거를 생성합니다. 이러한 모호성 발견 및 해결에 대한 능동적인 접근 방식은 인간 개입 없이 보이지 않는 스키마와 쿼리 분포에 걸쳐 일반화됩니다. 6개의 공개 벤치마크에 대한 실험 결과, SOMA-SQL은 최첨단 기준 모델 대비 평균 13.0%의 실행 정확도를 향상시켰으며, 모호한 질문에서는 최대 16.7%의 향상을 보였습니다.