Аугментация данных для задачи Text-to-SQL

архитектура, метод и результаты

Аннотация

Задача Text-to-SQL направлена на автоматическое построение корректного SQL-запроса по вопросу на естественном языке. Основные вызовы включают генерацию сложных многотабличных запросов с объединениями, агрегатами и вложенными подзапросами, а также переносимость на ранее невидимые схемы баз данных. Такие запросы типично требуют знания бизнес-логики и структуры конкретной СУБД, что недоступно конечному пользователю без подготовки. При этом необходимо не только синтаксически корректное порождение SQL, но и семантическая точность: запрос должен возвращать именно тот набор данных, который подразумевает исходная формулировка. Работа описывает воспроизводимый конвейер аугментации обучающих данных для компактной модели класса T5-base. Конвейер включает синтез новых пар вопрос– запрос с помощью обратной генерации (SQL→NL), контролируемое перефразирование пользовательских формулировок и автоматическую фильтрацию низкокачественных вариантов. Важной частью конвейера является автоматическая верификация корректности сгенерированного SQL путём выполнения запроса на тестовой базе данных и анализа возвращаемых результатов. Это позволяет оценивать не только формальную близость к эталону, но и фактическую пригодность для аналитического использования. Целью исследования является проверка гипотезы о том, что целенаправленная аугментация данных позволяет существенно повысить качество компактной модели (порядка сотен миллионов параметров) без перехода к значительно более крупным языковым моделям с числом параметров в десятки миллиардов. Улучшение измеряется по метрикам Exact Match (структурное совпадение с эталонным SQL) и Execution Accuracy (совпадение результата выполнения запроса). Показано, что такой конвейер повышает устойчивость генерации сложных запросов и делает модель более пригодной к практической интеграции в аналитические процессы.