Une nouvelle étude examine les architectures et les stratégies des systèmes fondés sur de grands modèles de langage (LLM) qui traduisent des questions en langage naturel en requêtes SQL exécutables. Elle passe en revue plus de 100 articles et ressources techniques, en se concentrant sur les travaux publiés de 2022 à 2026, et organise le domaine en cinq grandes approches : l’apprentissage en contexte, le fine-tuning, les systèmes agentiques et augmentés par des outils, la génération augmentée par récupération et l’apprentissage par renforcement.

Le Text-to-SQL vise à faciliter l’interrogation des bases de données relationnelles sans que les utilisateurs aient à écrire eux-mêmes des requêtes SQL. Les premiers systèmes reposaient sur des règles et des modèles conçus manuellement, puis sont apparus des modèles neuronaux introduisant des architectures encodeur-décodeur, l’association au schéma et le décodage contraint. L’étude décrit comment les méthodes fondées sur les LLM ont élargi le domaine, avec des systèmes comme ReFoRCE, Agentar-Scale-SQL, Arctic-Text2SQL-R1 de Snowflake et le cadre modulaire XiYan-SQL.

Au lieu de considérer la génération de SQL comme une étape unique, de nombreux systèmes récents la décomposent en tâches telles que l’identification des éléments pertinents du schéma, la rédaction d’une requête, la correction des erreurs et le classement des résultats candidats. Les approches agentiques coordonnent des composants ou des agents spécialisés et peuvent utiliser des outils de base de données, des validateurs et les retours d’exécution pour améliorer les résultats. L’étude considère également l’apprentissage par renforcement comme une approche distincte, notamment les méthodes qui utilisent des récompenses fondées sur l’exécution.

Les auteurs abordent les métriques d’évaluation et les benchmarks, notamment Spider, Spider 2.0 et BIRD, ainsi que les difficultés qui subsistent pour les usages en conditions réelles. Parmi celles-ci figurent la généralisation à des schémas de bases de données inconnus, la gestion de l’ambiguïté des questions, l’ancrage de valeurs telles que les dates et les noms, ainsi que l’équilibre entre le coût de calcul et la rapidité des réponses.

L’étude porte aussi sur la couche sémantique utilisée dans les systèmes de production et sur les considérations d’IA responsable lorsque les modèles interagissent avec des bases de données sensibles. Elle couvre la confidentialité, la transparence, les biais, la sécurité et la gouvernance, ainsi que des aspects pratiques du déploiement comme la gestion des schémas, la mise en cache, le débogage SQL et la planification de l’inférence.

Sources: arXiv cs.AI.