Uma revisão sistemática sobre retrieval-augmented generation (RAG) e modelos de linguagem de grande escala (LLMs) na construção de consultas SQL

Abstract

Os Modelos de Linguagem de Grande Escala (LLMs) são modelos de inteligência artificial treinados em grandes quantidades de dados textuais, capazes de gerar respostas coerentes e realizar diversas tarefas de processamento de linguagem natural (PLN). A técnica de Retrieval-Augmented Generation (RAG) aprimora esses modelos ao incorporar fontes externas de conhecimento, permitindo que gerem respostas mais precisas e atualizadas. No contexto de bancos de dados, a conversão de linguagem natural para SQL (text-to-SQL) é um desafio, pois requer a interpretação correta da intenção do usuário e a geração de consultas eficientes. Este trabalho tem como objetivo realizar uma revisão sistemática da literatura para investigar as aplicações práticas de RAG e LLMs na construção de consultas SQL. A pesquisa busca identificar, organizar e analisar estudos existentes que explorem o uso desses modelos na criação e reestruturação de consultas, com o propósito de melhorar a eficiência de sistemas de banco de dados. A relevância do tema se destaca pela crescente necessidade de tornar a interação com bancos de dados mais acessível, permitindo que usuários sem conhecimento técnico possam realizar consultas complexas de forma intuitiva. Além disso, os avanços em inteligência artificial têm impulsionado a aplicação de modelos como RAG para otimizar processos de consulta e análise de dados. Por meio de uma revisão, busca-se mapear o estado da arte na área, destacando lacunas, avanços recentes e oportunidades para futuras pesquisas. A metodologia adotada segue o protocolo PRISMA, garantindo rigor na seleção, análise e síntese dos estudos incluídos. Foram utilizados critérios bem definidos para inclusão e exclusão de artigos, assegurando a confiabilidade dos achados. Os resultados indicam que as principais aplicações de RAG na construção de consultas SQL incluem assistentes de IA para consultas automatizadas, integração em chatbots corporativos, recuperação de informações em bases especializadas (como registros de saúde e propriedade intelectual) e otimização da geração de SQL em cenários complexos. Além disso, observam-se tendências promissoras, como o aprimoramento da precisão das consultas por meio da recuperação de contexto relevante e a redução do custo computacional para viabilizar o uso dessas técnicas em tempo real. Apesar do grande potencial, desafios técnicos ainda persistem, como a dificuldade na adaptação a cenários reais, a interpretação de consultas complexas e a necessidade de maior eficiência computacional.