오늘날의 데이터 중심 세상에서 데이터베이스로부터 정보를 추출하려면 보통 SQL을 알아야 합니다. 하지만 만약 평범한 영어로 데이터베이스에 질문을 던지고 즉시 답변을 얻을 수 있다면 어떨까요? 거대 언어 모델 (LLMs)과 인공지능 (Artificial Intelligence) 덕분에, 이것은 더 이상 공상 과학 소설이 아닙니다.

이 글에서 저는 Python, Streamlit, 그리고 Hugging Face를 사용하여 Text-to-SQL 쿼리 생성기 (Text-to-SQL Query Generator)를 구축하는 실제 사례를 보여드리겠습니다.

Text-to-SQL의 마법
Text-to-SQL은 AI 모델이 사람이 읽을 수 있는 질문을 구조화된 SQL 쿼리로 변환하는 자연어 처리 (NLP) 작업입니다. 이는 비기술적 사용자(비즈니스 분석가나 관리자 등)와 복잡한 데이터베이스 사이의 간극을 메워줍니다.

다음과 같이 작성하는 대신:
SELECT Salary FROM employees WHERE Name = 'Bob';

사용자는 단순히 이렇게 물을 수 있습니다: "Bob의 급여는 얼마인가요?"

앱 구축하기 (코드 예시)
이를 입증하기 위해, 저는 경량 웹 애플리케이션을 만들었습니다. 프론트엔드(frontend)에는 Streamlit을, 임시 로컬 데이터베이스에는 SQLite를, 그리고 오픈 소스 Text-to-SQL 모델 (t5-base-finetuned-wikiSQL)에 접근하기 위해 Hugging Face Inference API를 사용할 것입니다.

1. 데이터베이스 설정
먼저, sqlite3를 사용하여 임시 인메모리 (in-memory) 데이터베이스를 생성하고 더미 직원 데이터로 채웁니다. (아래에 링크된 저의 GitHub 저장소에서 전체 소스 코드를 확인할 수 있습니다).

2. Hugging Face 연결
우리는 간단한 HTTP POST 요청을 사용하여 자연어 질문을 Hugging Face API로 전송합니다. 모델은 텍스트를 처리하고 그에 상응하는 SQL을 반환합니다.

API_URL = "https://api-inference.huggingface.co/models/mrm8488/t5-base-finetuned-wikiSQL"

def generate_sql(question):
...

3. Streamlit 인터페이스
Streamlit을 사용하면 단 몇 줄의 코드로 UI (User Interface)를 생성할 수 있습니다. 사용자의 입력을 받아 generate_sql 함수로 전달하고, 생성된 SQL을 화면에 표시한 다음, 즉시 SQLite 데이터베이스에서 해당 쿼리를 실행하여 결과를 테이블 형태로 보여줍니다!

직접 시도해 보세요!
데이터베이스 관리에 AI를 통합하는 것은 우리가 데이터와 상호작용하는 방식을 변화시키고 있으며, 조직 전체에 걸쳐 데이터 접근을 민주화하고 있습니다.

전체 실행 가능한 코드는 저의 공개 저장소(public repository)에서 확인하실 수 있습니다: https://github.com/FabricioRams/Research-Team-Work-N-01-SQL-AI-Database-Solutions.git

저장소를 클론(Clone)하고, pip install -r requirements.txt를 실행하여 오늘 바로 데이터베이스와 대화를 시작해 보세요!