Una nuova rassegna esamina le architetture e le strategie alla base dei sistemi basati su modelli linguistici di grandi dimensioni (LLM) che traducono domande in linguaggio naturale in query SQL eseguibili. Analizza oltre 100 articoli e risorse tecniche, concentrandosi sui lavori pubblicati dal 2022 al 2026, e organizza il settore in cinque approcci generali: apprendimento in contesto, fine-tuning, sistemi agentici e potenziati da strumenti, generazione aumentata dal recupero e apprendimento per rinforzo.

Il Text-to-SQL mira a rendere i database relazionali più facili da interrogare, senza richiedere agli utenti di scrivere direttamente query SQL. I primi sistemi si basavano su regole e modelli predefiniti realizzati manualmente; in seguito sono arrivati modelli neurali che hanno introdotto architetture encoder-decoder, il collegamento con lo schema e la decodifica vincolata. La rassegna descrive come i metodi basati su LLM abbiano ampliato il settore, con sistemi quali ReFoRCE, Agentar-Scale-SQL, Arctic-Text2SQL-R1 di Snowflake e il framework modulare XiYan-SQL.

Invece di trattare la generazione di SQL come un singolo passaggio, molti sistemi più recenti la suddividono in attività quali l’identificazione degli elementi pertinenti dello schema, la stesura di una query, la correzione degli errori e l’ordinamento dei risultati candidati. Gli approcci agentici coordinano componenti o agenti specializzati e possono ricorrere a strumenti per database, validatori e riscontri derivanti dall’esecuzione per migliorare i risultati. La rassegna considera inoltre l’apprendimento per rinforzo un approccio distinto, includendo metodi che utilizzano ricompense basate sull’esecuzione.

Gli autori discutono le metriche di valutazione e i benchmark, tra cui Spider, Spider 2.0 e BIRD, insieme alle sfide che restano aperte per l’uso nel mondo reale. Tra queste figurano la generalizzazione a schemi di database non familiari, la gestione dell’ambiguità nelle domande, l’ancoraggio di valori come date e nomi e l’equilibrio tra costi computazionali e velocità di risposta.

La rassegna affronta anche il livello semantico utilizzato nei sistemi di produzione e le considerazioni sull’IA responsabile quando i modelli interagiscono con database sensibili. La trattazione comprende privacy, trasparenza, pregiudizi, sicurezza e governance, oltre ad aspetti pratici della distribuzione quali la gestione degli schemi, il caching, il debugging di SQL e la pianificazione dell’inferenza.

Fonti: arXiv cs.AI.