Un nuevo estudio examina las arquitecturas y estrategias de los sistemas basados en modelos de lenguaje grandes (LLM, por sus siglas en inglés) que traducen preguntas en lenguaje natural a SQL ejecutable. Revisa más de 100 artículos y recursos técnicos, centrándose en trabajos publicados entre 2022 y 2026, y organiza el campo en cinco enfoques generales: aprendizaje en contexto, ajuste fino, sistemas agénticos y ampliados con herramientas, generación aumentada por recuperación y aprendizaje por refuerzo.

La conversión de texto a SQL busca facilitar las consultas a bases de datos relacionales sin que los usuarios tengan que escribir SQL. Los primeros sistemas se basaban en reglas y plantillas elaboradas manualmente; después llegaron modelos neuronales que introdujeron arquitecturas de codificador-decodificador, vinculación con el esquema y decodificación restringida. El estudio describe cómo los métodos basados en LLM han ampliado el campo, con sistemas como ReFoRCE, Agentar-Scale-SQL, Arctic-Text2SQL-R1 de Snowflake y el marco modular XiYan-SQL.

En lugar de tratar la generación de SQL como un solo paso, muchos sistemas recientes la dividen en tareas como identificar los elementos pertinentes del esquema, redactar una consulta, corregir errores y clasificar los resultados candidatos. Los enfoques agénticos coordinan componentes o agentes especializados y pueden recurrir a herramientas de bases de datos, validadores y comentarios de ejecución para mejorar los resultados. El estudio también considera el aprendizaje por refuerzo como un enfoque independiente, que incluye métodos que emplean recompensas basadas en la ejecución.

Los autores analizan métricas de evaluación y pruebas de referencia como Spider, Spider 2.0 y BIRD, además de los desafíos que persisten para el uso en el mundo real. Entre ellos figuran la generalización a esquemas de bases de datos desconocidos, la gestión de la ambigüedad en las preguntas, la fundamentación de valores como fechas y nombres, y el equilibrio entre el costo computacional y la velocidad de respuesta.

El estudio también aborda la capa semántica utilizada en sistemas de producción y las consideraciones de IA responsable cuando los modelos interactúan con bases de datos sensibles. Su cobertura incluye la privacidad, la transparencia, los sesgos, la seguridad y la gobernanza, así como aspectos prácticos de implementación, como la gestión de esquemas, el almacenamiento en caché, la depuración de SQL y la programación de la inferencia.

Fuentes: arXiv cs.AI.