Texte vers SQL (Text-to-SQL) est une technologie d'intelligence artificielle qui convertit automatiquement des questions en langage naturel en langage de requête structuré (SQL), avec pour objectif de permettre aux utilisateurs d'accéder directement aux informations des bases de données relationnelles via le langage naturel, sans avoir à écrire manuellement des requêtes SQL. Cette technologie combine le traitement du langage naturel, l'analyse sémantique et la gestion de bases de données, et constitue une direction importante pour l'interaction en langage naturel avec les bases de données. Le développement du Text-to-SQL repose sur les fondations des interfaces en langage naturel pour bases de données (Natural Language Interface to Databases, NLIDB), de l'analyse sémantique et des méthodes d'apprentissage automatique. Les premières recherches s'appuyaient principalement sur des règles et des modèles conçus manuellement pour mapper des questions de forme fixe vers des requêtes de base de données, mais leur capacité de généralisation était limitée face à des phrases complexes, des structures de bases de données différentes et des tâches interdomaines. Avec le développement de l'apprentissage profond et des ensembles de données à grande échelle, les chercheurs ont commencé à utiliser des modèles de réseaux neuronaux pour apprendre la relation de correspondance entre le langage naturel et les structures des bases de données.

En 2018, des chercheurs de l'Université Yale ont proposé l'article Spider: A Large-Scale Human-Labeled Dataset for Complex and Cross-Domain Semantic Parsing and Text-to-SQL Task , qui a construit un ensemble de référence Text-to-SQL à grande échelle comprenant des bases de données multidomaines et des requêtes en langage naturel complexes, favorisant la recherche sur la capacité de généralisation interbases de données et devenant l'un des travaux de recherche représentatifs importants dans le domaine du Text-to-SQL.

Les systèmes Text-to-SQL modernes doivent généralement accomplir plusieurs étapes, notamment la compréhension du langage naturel, la correspondance du schéma de base de données (Schema), la génération de SQL et la vérification des résultats de requête. Le modèle doit non seulement comprendre la sémantique de la question de l'utilisateur, mais aussi identifier les tables, les champs, les relations et les contraintes dans la base de données, afin de générer des requêtes SQL conformes aux exigences de la structure de la base de données. Ces dernières années, avec le développement des grands modèles de langage (LLM), les méthodes Text-to-SQL basées sur l'ingénierie de prompts (Prompting), la génération augmentée par récupération (RAG), l'appel d'outils et les agents intelligents (Agent) ont encore amélioré la capacité de traitement des requêtes complexes. Le Text-to-SQL résout principalement le problème d'obstacle à l'accès à l'information entre les utilisateurs ordinaires et les bases de données, permettant aux non-spécialistes d'effectuer des requêtes et des analyses de données via le langage naturel. Actuellement, cette technologie est largement appliquée dans des scénarios tels que la business intelligence (BI), l'analyse de données d'entreprise, la génération automatisée de rapports, le service client intelligent et les assistants de données, et constitue une direction technologique importante pour l'analyse de données pilotée par le langage naturel.