자연어 질의 인터페이스부터 자동 보고서 생성에 이르기까지, 데이터 분석 도구에는 데이터에 대한 설명이 필요합니다. 즉, 데이터가 포함하는 현실 세계의 엔티티(Entity), 어떤 컬럼이 측정값(Measures) 또는 식별자(Identifiers)로 기능하는지, 그리고 테이블들이 어떻게 분석 단위로 연결되는지에 대한 설명입니다. 오늘날 이러한 의미론적 계층(Semantic layer)은 대개 수작업으로 작성됩니다. 이는 분석 시스템의 확장성을 제한하고, 비기술적 사용자가 전문가에게 의존하게 만들며, 그 자체로 오류가 발생하기 쉬운 지식 습득의 병목 현상입니다. 우리는 관계형 데이터베이스와 (사용 가능한 경우) 사용자가 제공한 짧은 설명을 바탕으로 분석적 의미론적 스키마(Analytic semantic schema)를 자동으로 구축하는 시스템인 TYTAN을 제시합니다. TYTAN은 엔티티 제안(Entity proposal), 역할 할당(Role assignment), 명명(Naming)을 위해 데이터베이스의 기호적 분석(Symbolic analysis)과 LLM 기반의 의미론적 추론(Semantic inference)을 결합합니다. 증거가 의사결정을 모호하게 만들 때, TYTAN은 사용자에게 타겟팅된 자연어 질문을 던집니다. 우리는 스키마의 기능적 유용성을 정의하는 세 가지 축인 (i) 커버리지(Coverage): 모든 중요한 엔티티와 특징이 포착되었는가?; (ii) 검색 정확도(Retrieval correctness): 스키마의 지침이 실제로 데이터에 도달하는가?; (iii) 특성 정의 정확도(Characterization accuracy): 의미론적 유형이 정확한가?를 기준으로 실제 세계 및 벤치마크 도메인에 걸친 8개의 데이터베이스에서 TYTAN을 평가합니다. 7개의 참조 도메인 전반에 걸쳐, TYTAN은 전문가가 수정한 참조 스키마의 모든 엔티티, 속성 및 집계 가능한 특징에 도달했습니다(100% 커버리지). 또한, 검색 지침의 100%가 올바르게 실행되었으며(1,678개의 자체 생성 주장 중 1,678개), 의미론적 역할은 일치하는 속성의 92-100%에서 참조 스키마와 일치했습니다. 기초 데이터를 확인한 결과, 미미한 불일치는 TYTAN이 아닌 참조 스키마에 있는 것으로 나타났습니다. 별도의 블라인드 테스트(선언된 키가 없는 실시간 10개 테이블 데이터베이스)에서 TYTAN은 검증된 키와 함께 전체 엔티티 구조를 복구하였으며, 5명의 독립적인 블라인드 주석가(Annotator)의 충족 가능한 기대치를 100% 만족시켰습니다.