Text-to-SQL 고도화를 위한 sLM 활용
T2SQL 분야에서 sLM(Small Language Models)은 낮은 지연 시간(Latency)과 저렴한 비용으로 상용 모델급의 효율을 내기 위한 핵심 요소입니다.
💎 추천 sLM 모델 (2026년 기준)
| 모델명 | 크기 | 강점 |
|---|---|---|
| Qwen 2.5 Coder 7B | 7B | 로컬 표준. GPT-4o급 SQL 생성력과 탁월한 한국어 처리 능력. |
| BIRD-Talon-7B | 7B | T2SQL 특화. 실제 기업용 DB의 복잡하고 지저분한 스키마 해석에 최적화. |
| DeepSeek-V2-Lite | 2.4B(A) | MoE 효율. 적은 연산량으로 방대한 스키마를 처리하는 높은 컨텍스트 효율성. |
| Phi-4-mini | 3.8B | 논리 추론. 복잡한 Join 및 서브쿼리 문법 생성 시 높은 정밀도. |
🛠️ 성능 극대화 전략
1. Schema-RAG (Context Pruning)
- 수천 개의 컬럼 중 질문과 관련된 테이블/컬럼만 동적으로 선별하여 sLM의 입력 제한(Context Window) 문제를 해결하고 할루시네이션을 방지합니다.
2. 세만틱 레이어(Semantic Layer) 연동
- sLM이 복잡한 Raw SQL을 직접 생성하는 대신, dbt Semantic Layer나 Cube의 메트릭을 호출하도록 설계하여 정확도를 90% 이상 확보합니다.
3. 에이전틱 자기 교정 (Agentic Self-Correction)
- sLM이 SQL을 생성한 후 직접 실행해 보고, 발생한 에러 메시지를 바탕으로 쿼리를 스스로 수정하는 루프를 구축합니다. 이는 sLM의 부족한 ‘한 번에 완벽한 생성 능력’을 보완합니다.
📊 주요 벤치마크 지표
- Spider 2.0: 실무급 복잡한 워크플로우 대응력 평가.
- BIRD: 비즈니스 용어와 DB 스키마 간의 매핑 정확도 측정.