Text to SQL
AI가 사내 데이터로 답하게 합니다.
매출·재고·고객 정보를 AI에 물으려면 사내 데이터베이스를 조회할 수 있어야 합니다. NL to SQL은 AI가 질문을 SQL로 바꾸고, 데이터베이스에서 가져온 결과로 답하게 하는 기술입니다.
QueryMind
질문에 맞는 데이터 조회
NL to SQL이란
AI가 사내 데이터를 조회하고, 그 결과로 답하도록.
“지난달 지역별 순매출은?”이라는 질문을 받으면 AI는 업무 용어와 데이터 구조를 바탕으로 SQL을 만듭니다. 시스템이 그 SQL과 사용자 권한을 확인하고 사내 DB에서 읽기 전용으로 실행한 뒤, AI가 조회 결과를 바탕으로 답변합니다.
자료: Gao et al. (2024) · AWS × Cisco
- 업무 질문기간·대상·지표
- AI의 SQL 구성스키마·업무 정의
- DB에서 조회권한·질의 검증
- AI의 답변결과·조건·출처
왜 필요한가
지금의 사내 데이터로 답변
질문할 때 DB를 조회해 매출·재고·고객 현황을 AI 답변에 반영합니다.
집계와 계산은 DB에서
기간·부서·상품별 필터와 합계, 여러 테이블의 연결을 SQL로 처리합니다.
기존 데이터 구조를 활용
지금 쓰는 테이블·뷰와 SQL 환경은 그대로 두고, 그 위에 AI 자연어 질의를 더합니다.
NL to SQL 구성의 효과
일반 AI에 NL to SQL 구성을 더하면?
전체 스키마를 AI에 그대로 제공하는 방식과, 관련 데이터 검색·스키마 선별·SQL 보정을 더한 방식을 비교한 공개 연구입니다. AI에 어떤 정보를 어떤 순서로 주느냐가 조회 정확도를 얼마나 바꾸는지 보여줍니다.
CHESS 공개 연구 · BIRD 개발셋 중 147문항 · SQL 생성: GPT-4-turbo · 추가 학습 없음
SQL 실행 정확도는 46.25%에서 55.78%로, 9.53%p 높아졌습니다. 질문에 필요한 데이터를 찾고 SQL을 검토하는 과정이 더 정확한 조회로 이어졌습니다.
실행 정확도(EX)는 생성한 SQL의 실행 결과가 정답 결과와 일치한 비율입니다.
비교 조건과 수치 보기
| 비교 구성 | 실행 정확도 |
|---|---|
| GPT-4-turbo: 질문·힌트·전체 스키마 + CoT | 46.25% |
| CHESS: 검색·스키마 선별·SQL 보정 (추가 학습 없음) | 55.78% |
Talaei et al. · CHESS v1 (2024) · Tables 2, 4
기본 사용: 질문·힌트·전체 스키마와 CoT. 전용 구성: 검색·선별·보정 추가, 컬럼 필터링에는 GPT-3.5-turbo 사용.
Talaei 외, CHESS v1의 공개 연구 결과입니다. QueryMind 자체 측정값이나 동일한 향상률을 보장하는 수치는 아닙니다.
QueryMind의 적용 방식
QueryMind는 AI에 업무 용어와 데이터 구조를 알려 주고, AI가 만든 SQL을 검증한 뒤 권한을 확인해 사내 DB에서 읽기 전용으로 실행합니다. AI는 회사가 정한 지표 정의와 실제 조회 결과를 바탕으로 답합니다.
기술을 발전시킨 연구
정확한 질의를 만드는 입력 설계
스키마 표현과 유사한 SQL 예시의 선택·배치가 생성 품질에 미치는 영향을 비교합니다.
기업 데이터로 확장되는 NL to SQL
632개 기업 업무 흐름을 통해 메타데이터·SQL 방언·여러 단계의 질의를 함께 평가합니다.
질문의 업무 영역을 먼저 찾고, 그 영역의 스키마·설명·업무 규칙을 입력에 담는 기업용 설계 패턴을 설명합니다.
AWS × Cisco블루어반의 연구와 활용
QueryMind: 사내 데이터를 조회하고 결과로 답합니다.
블루어반은 AI가 회사의 업무 용어를 이해하고 허용된 데이터를 조회하는 방법을 연구합니다. QueryMind는 질문을 SQL로 바꿔 데이터를 조회합니다. QueryMind Connect는 검증된 업무 지표의 조회 기능을 다른 AI에서도 쓸 수 있는 도구로 만듭니다.
같은 “매출” 질문에도 회사의 계산 기준이 필요합니다.
지난달 제품별 순매출은 얼마인가요?
AI
- 질문의 기간과 지표를 파악합니다.
- 필요한 테이블과 관계로 SQL을 구성합니다.
QueryMind
- 예시 업무 정의: 순매출 = 매출 − 반품
- 접근 권한과 SQL을 확인한 뒤 읽기 전용으로 조회합니다.
데이터에 근거한 답변
- 제품별 순매출
- 조회 기간과 계산 기준
- 사용한 데이터와 실행 질의
- AI가 업무 용어를 이해하도록
- 업무 용어와 지표·기간 정의를 스키마와 함께 AI에 제공해, 회사 기준에 맞는 SQL을 만들게 합니다.
- 답변과 조회 결과를 함께 확인
- SQL 검증·권한 확인·읽기 전용 실행을 거친 조회 결과를 답변과 함께 보여 줍니다.
- 여러 AI에서 같은 조회 기능 사용
- 승인된 조회 정의를 MCP 도구로 발행해 연결된 AI 클라이언트에서 재사용합니다.
자주 묻는 질문
Q1AI를 사내 DB에 연결할 때 왜 NL to SQL을 쓰나요?
자연어로 표현한 업무 요청을 DB가 실행할 수 있는 SQL로 바꾸기 위해서입니다. AI가 질문의 뜻을 해석하고 조회와 집계는 기존 데이터베이스가 맡으므로, 답변이 실제 업무 데이터에 근거하게 됩니다.
Q2문서 검색형 RAG와는 어떻게 함께 쓰나요?
규정·설명자료는 문서 검색으로 찾고, 매출 합계나 재고 현황처럼 정형 데이터의 조회·집계가 필요한 질문은 SQL로 다룰 수 있습니다. 스키마 설명과 업무 규칙을 검색해 SQL 생성에 제공하는 방식으로도 함께 사용합니다.
Q3모델을 바꾸면 성능도 바로 좋아지나요?
모델뿐 아니라 스키마 표현, 업무 용어, 예시의 선택, 질문의 난이도, 검토 과정이 결과에 영향을 줍니다. 실제 적용에서는 같은 질문과 데이터 조건으로 정확도·응답 시간·비용을 함께 평가해야 합니다.
Q4기존 BI나 대시보드와는 어떻게 함께 쓰나요?
반복해서 보는 지표는 대시보드로 제공하고, 새로운 조건이나 후속 질문은 자연어 질의로 탐색하는 구성을 생각할 수 있습니다. 확인된 질의는 재사용 가능한 조회 정의로 정리할 수 있습니다.
Q5QueryMind에는 어떻게 연결되나요?
QueryMind는 이 기술로 업무 질문을 SQL로 바꾸고, 시스템 검증을 거쳐 사내 DB를 조회한 뒤 결과와 SQL을 함께 보여 줍니다. QueryMind Connect는 그렇게 검토된 조회를 MCP 도구로 발행해 다른 AI 클라이언트에서 호출하게 합니다.
논문·전문자료
- Text-to-SQL Empowered by Large Language Models: A Benchmark Evaluation
PVLDB · 2024 / arXiv v4 · 2023
- Spider 2.0: Evaluating Language Models on Real-World Enterprise Text-to-SQL Workflows
ICLR · 2025
- Enterprise-grade natural language to SQL generation using LLMs: Balancing accuracy, latency, and scale
AWS Machine Learning Blog · 2025-04-24
- CHESS: Contextual Harnessing for Efficient SQL Synthesis
arXiv v1 · 2024-05-27
사내 데이터, AI가 답할 수 있게.
업무 지표와 데이터 구조를 바탕으로 조회 범위를 함께 검토합니다.
데이터 연결 논의하기