텍스트-투-SQL(Text-to-SQL)은 자연어 질문을 자동으로 구조화 질의 언어(SQL)로 변환하는 일종의 인공지능 기술로, 사용자가 SQL 쿼리문을 직접 작성하지 않고도 자연어를 통해 관계형 데이터베이스의 정보에 직접 접근할 수 있도록 하는 것을 목표로 한다. 이 기술은 자연어 처리, 의미 구문 분석 및 데이터베이스 관리 등의 분야를 결합하며, 자연어 데이터베이스 상호작용을 구현하는 중요한 방향이다. 텍스트-투-SQL의 발전은 자연어 인터페이스 데이터베이스(NLIDB), 의미 구문 분석 및 머신러닝 방법론의 기반 위에 구축되었다. 초기 연구는 주로 수동으로 설계된 규칙과 템플릿에 의존하여 고정된 형식의 질문을 데이터베이스 쿼리로 매핑했지만, 복잡한 문장, 다양한 데이터베이스 구조 및 교차 도메인 작업에 직면했을 때 일반화 능력이 제한적이었다. 딥러닝과 대규모 데이터셋의 발전에 따라 연구자들은 신경망 모델을 활용하여 자연어와 데이터베이스 구조 간의 매핑 관계를 학습하기 시작했다.

2018년, 예일 대학교 연구진은 논문 Spider: A Large-Scale Human-Labeled Dataset for Complex and Cross-Domain Semantic Parsing and Text-to-SQL Task 를 제안했다. 이 연구는 다중 도메인 데이터베이스와 복잡한 자연어 쿼리를 포함하는 대규모 Text-to-SQL 벤치마크 데이터셋을 구축하여 교차 데이터베이스 일반화 능력 연구를 촉진했으며, 텍스트-투-SQL 분야의 중요한 대표 연구 작업 중 하나가 되었다.

현대 Text-to-SQL 시스템은 일반적으로 자연어 이해, 데이터베이스 스키마 매칭, SQL 생성 및 쿼리 결과 검증 등의 여러 단계를 완료해야 한다. 모델은 사용자 질문의 의미를 이해해야 할 뿐만 아니라 데이터베이스의 테이블, 필드, 관계 및 제약 조건을 식별하여 데이터베이스 구조 요구 사항을 충족하는 SQL 쿼리를 생성해야 한다. 최근 몇 년 동안 대규모 언어 모델(LLM)의 발전에 따라 프롬프트 엔지니어링(Prompting), 검색 증강 생성(RAG), 도구 호출 및 에이전트(Agent) 기반의 Text-to-SQL 방법은 복잡한 쿼리 처리 능력을 더욱 향상시켰다. 텍스트-투-SQL은 주로 일반 사용자와 데이터베이스 간의 정보 접근 장벽 문제를 해결하여 비전문가가 자연어를 통해 데이터 쿼리 및 분석을 완료할 수 있도록 한다. 현재 이 기술은 비즈니스 인텔리전스(BI), 기업 데이터 분석, 자동화된 보고서 생성, 지능형 고객 서비스 및 데이터 어시스턴트 등의 시나리오에 널리 적용되며, 자연어 기반 데이터 분석의 중요한 기술 방향이다.