Con el continuo crecimiento del volumen de datos y la creciente complejidad de las relaciones entre ellos, el papel fundamental del Lenguaje de Consulta Estructurada (SQL) en la gestión y el análisis de datos se ha vuelto cada vez más relevante. SQL es como un lenguaje universal del mundo de los datos, que proporciona a los usuarios una forma unificada de lograr una recuperación eficiente en entornos de datos complejos.
En los últimos años, han surgido numerosos modelos de lenguaje a gran escala, tanto a nivel nacional como internacional, impulsando una revolución tecnológica disruptiva en la conversión de texto a SQL (TTO), reduciendo considerablemente las barreras para que los usuarios consulten bases de datos y acercando los «asistentes inteligentes» a la vida cotidiana. Sin embargo, incluso los modelos de lenguaje a gran escala más avanzados actualmente suelen generar SQL con errores semánticos o sintácticos. Estos errores no solo impiden a los usuarios encontrar los datos que necesitan, sino que incluso pueden provocar el fallo de todo el sistema.
Para abordar este problema, el Instituto de Inteligencia Artificial de Wuhan, en colaboración con la Universidad de Ciencia y Tecnología de Huazhong y otras instituciones, ha desarrollado un nuevo modelo de corrección de errores SQL a gran escala, SQL-Checker, diseñado específicamente para la detección de errores en la conversión de texto a SQL. Wang Jinqiao, director del Instituto de Inteligencia Artificial de Wuhan, explicó que SQL-Checker no solo identifica con precisión los errores y proporciona informes de diagnóstico en las tareas de conversión de texto a SQL, sino que también introduce, por primera vez, un sistema de clasificación de etiquetas de error a nivel macro, lo que permite a los desarrolladores optimizar sus modelos. Los resultados obtenidos fueron presentados recientemente en The Web Conference (WWW 2026), una de las principales conferencias internacionales en el campo de la minería de datos.
Reducción de los costos de detección de errores.
En aplicaciones prácticas, la conversión de texto a SQL es el motor fundamental para la creación de sistemas de «consulta inteligente de datos» e inteligencia empresarial conversacional. Sin embargo, la inestabilidad del SQL generado por modelos de lenguaje complejos representa un problema crítico que dificulta el despliegue a gran escala de productos de «consulta inteligente de datos» en entornos exigentes como el financiero y el gubernamental. Wang Jinqiao explicó a la prensa que, en algunos sectores con exigencias extremadamente altas de precisión de datos, incluso una pequeña omisión en el filtrado de campos puede distorsionar decenas de millones de yuanes en datos de ingresos, o incluso causar graves problemas de control de riesgos y cumplimiento normativo.
«La investigación sobre la detección de errores en la conversión de texto a SQL en el sector se está profundizando, pero los métodos de detección existentes aún presentan varios problemas complejos», explicó Wang Jinqiao. Por ejemplo, algunos métodos dependen excesivamente de modelos grandes y de código cerrado, lo que genera costes muy elevados; otros solo detectan errores de sintaxis que «no funcionan» mediante mensajes de error, pero son ineficaces contra los errores semánticos que «funcionan, pero producen resultados incorrectos». Para abordar estos problemas, el equipo intentó integrar las capacidades de análisis y detección de errores de alto nivel en un modelo más pequeño y rentable, reduciendo los costes de detección sin comprometer el rendimiento.
Con este fin, el equipo diseñó un sofisticado marco de síntesis de datos y destilación de modelos. “Analizamos sistemáticamente los factores de error comunes en la conversión de texto a SQL y realizamos ‘simulaciones de errores’ específicas para cuatro escenarios, como la simulación de errores causados por la degradación del modelo al trabajar con consultas complejas o errores debidos a la falta de conocimiento empresarial específico”, explicó Wang Jinqiao. Este mecanismo de simulación enriqueció enormemente la diversidad de los datos de error, sentando una base sólida para la posterior destilación del modelo.
Los datos destilados de modelos grandes suelen ser muy diversos, y los modelos pequeños a menudo tienen dificultades para procesarlos. Para abordar este problema, el equipo propuso de forma innovadora una “plantilla de análisis de errores guiada por palabras clave”. Esta plantilla utiliza palabras clave SQL para desglosar las tareas complejas de corrección de errores en subproblemas, estandarizando el proceso de análisis y adaptándose así a las capacidades de razonamiento de los modelos más pequeños. El equipo también diseñó una estrategia iterativa autoguiada: primero, el modelo genera un lote de datos de análisis, de los cuales se seleccionan los datos correctos como “datos semilla”; Para muestras con errores, se extraen datos de referencia de problemas similares o de la misma base de datos como ejemplos, lo que permite al modelo reanalizar y optimizar iterativamente.
Mejora de las capacidades de análisis de errores.
Actualmente, SQL-Checker ha demostrado un rendimiento estable y excelente en múltiples experimentos, con capacidades de detección de errores excepcionales. Además de funcionar como un modelo de detección independiente, SQL-Checker también puede integrarse como un componente plug-and-play en sistemas de conversión de texto a SQL existentes, mejorando la precisión de la ejecución de extremo a extremo.
Los métodos de detección de errores anteriores generalmente solo detectaban si el SQL era «correcto» o «incorrecto», sin ayudar a los desarrolladores a identificar las debilidades del modelo. «SQL-Checker no solo admite la detección integral de errores semánticos y sintácticos, sino que también introduce por primera vez el reconocimiento de etiquetas de error en la tarea de detección, proporcionando informes de análisis de errores altamente interpretables», afirmó Wang Jinqiao. Para mejorar las capacidades de análisis de errores a nivel macro de SQL-Checker, el equipo definió cuatro categorías de etiquetas de error SQL: errores de sintaxis generales, errores de sintaxis específicos de la base de datos, errores de comprensión semántica y errores de generación semántica. Este sistema de clasificación de etiquetas de error se ha integrado por primera vez en la tarea de detección de errores, lo que permite a los desarrolladores identificar claramente las debilidades del modelo durante la ejecución.
Cabe mencionar que SQL-Checker ya se ha implementado en escenarios financieros reales. Wang Jinqiao explicó que SQL-Checker se ha aplicado con éxito a la línea de negocio de «consulta inteligente de datos» de un banco. En las necesidades reales del banco, el personal de atención al cliente y la gerencia necesitaban consultar de forma rápida y flexible diversos datos financieros y operativos mediante lenguaje natural. Sin embargo, los modelos grandes de propósito general a menudo omitían condiciones de filtrado o generaban errores de generación semántica al trabajar con bases de datos complejas a nivel bancario. Si estas consultas SQL erróneas se ejecutaban directamente, generaban paneles de datos muy engañosos, lo que afectaba gravemente la toma de decisiones.
“Integramos SQL-Checker en el sistema existente del banco, permitiéndole funcionar como un ‘guardián inteligente’”, explicó Wang Jinqiao. Cada vez que el modelo subyacente a gran escala genera consultas SQL candidatas, SQL-Checker las preverifica en cuestión de milisegundos. Al detectar un fallo lógico o un error de sintaxis específico de la base de datos, SQL-Checker genera un informe de diagnóstico interpretable y guía directamente al modelo a gran escala para que se autocorrija en segundo plano. Para errores con intención ambigua, SQL-Checker también activa un mecanismo de prevención de errores basado en el informe de diagnóstico, formulando preguntas de aclaración al usuario para evitar la generación de datos erróneos.
Gracias al sistema de clasificación de etiquetas de error de SQL-Checker, el equipo técnico del banco puede identificar fácilmente los tipos de error más comunes en el modelo a gran escala. Mediante estos datos de atribución macroestructurados, la empresa puede optimizar su diccionario sectorial interno y mejorar la generación de plantillas predefinidas, lo que hace que el sistema sea cada vez más “inteligente” con el uso.
«La exitosa aplicación de SQL-Checker en negocios relacionados con la banca demuestra plenamente su valor práctico en el sector. En el futuro, continuaremos optimizando y desarrollando tecnologías de detección similares para impulsar la aplicación de la «verificación inteligente de datos» y la «inteligencia de datos a nivel empresarial» hacia una era más segura, confiable y sólida», declaró Wang Jinqiao.
