LG AI Research, 실패 사례로 스스로 학습하는 ReSQL 프레임워크 공개

기업 환경에서는 데이터 보안과 비용 효율성을 위해 1B~9B 파라미터 규모의 경량 언어모델을 선호하지만, 기존 모델은 SQL 실행 오류가 잦고 자기 수정 능력이 부족하다는 한계가 있었다.

LG AI Research는 이러한 문제를 해결하기 위해 ReSQL(Retrieval-Augmented Error Reasoning for Text-to-SQL) 프레임워크를 개발했다. 이 프레임워크는 추론 단계에서의 프롬프트 기반 수정 대신, 실패한 사례 자체를 학습 데이터로 활용하는 폐쇄 루프 구조를 취한다.

ReSQL의 3단계 작동 방식

ReSQL은 단일 언어모델이 오류를 생성, 진단, 학습하는 과정을 자동화한다.

• 오류 추론 데이터 구성: 실패한 SQL 쿼리에 대해 실행 오류 메시지와 정답(ground-truth) SQL을 함께 제공한다. 모델은 이를 바탕으로 잘못된 쿼리의 동작 원리, 오류의 근본 원인, 수정 방법을 구조화된 형태로 분석한다.
• 학습 데이터 생성: 이렇게 생성된 오류 분석 과정은 단순한 정답이 아닌 '왜 실패했는지'를 설명하는 풍부한 추론 데이터로 변환된다.
• 반복적 자기 개선: 수집된 실패 사례와 생성된 오류 추론 데이터를 활용해 모델을 지속적으로 재학습한다. 이를 통해 경량 모델은 수동으로 큐레이션된 감독 없이도 오류 수정 전략을 내재화하며, 기업용 Text-to-SQL 애플리케이션으로서의 신뢰성을 높인다.

이 연구는 자연어 처리 분야 주요 학술대회인 ACL 2026에서 발표되었다.