El prototipo SafeQL de KAIST repara errores de SQL generado por IA

Una petición corriente —«Encuentra el producto más vendido del año pasado»— puede quedarse en la puerta de la base de datos si un asistente de IA hace referencia a un único elemento que no existe. En KAIST, el doctorando Geonho Lee y el profesor Min-Soo Kim han desarrollado SafeQL, un prototipo que repara la parte defectuosa de una consulta generada por IA en lugar de desecharla por completo. Los resultados se presentaron en la conferencia VLDB, en Boston, Estados Unidos.

El problema se encuentra en text-to-SQL, el proceso de convertir preguntas cotidianas en SQL, el lenguaje que utilizan las bases de datos para recuperar información. Una IA puede señalar una tabla o columna inexistente, o combinar tablas de forma incorrecta. La corrección convencional envía el error de la base de datos a un LLM —modelo de lenguaje grande— y solicita una reescritura completa. Eso puede modificar secciones que ya eran correctas, introducir nuevos errores y consumir tiempo adicional de procesamiento.

SafeQL lee los comentarios del sistema de gestión de bases de datos para localizar con precisión el fallo: una relación, es decir, una tabla; un atributo, es decir, una columna; una función; o un valor. Después busca en un «espacio de consultas seguras» formado por correcciones que realmente pueden ejecutarse en la base de datos y prioriza el candidato más cercano a la consulta original generada por la IA. Las opciones inadecuadas se filtran antes de consumir más tiempo de búsqueda. Cuando el refinamiento basado en búsquedas no puede resolver el error dentro de un umbral predefinido, SafeQL vuelve a llamar al LLM.

El equipo probó el sistema en BIRD y Spider, dos pruebas de referencia para las consultas de bases de datos mediante IA. En BIRD, SafeQL resolvió los errores de ejecución de hasta el 87,4 % de las consultas SQL inicialmente erróneas y mejoró la precisión de ejecución en hasta 5,8 puntos porcentuales frente a la línea de base sin refinar. En comparación con la regeneración de toda la consulta, redujo el uso de tokens hasta 15,1 veces y la latencia de refinamiento hasta 29,6 veces.

Para las empresas que gestionan grandes volúmenes de consultas sobre ventas, clientes o inventario, el cambio concreto es sencillo: un asistente puede conservar la parte de una consulta que funciona y reparar la que falla. El equipo afirma que esto podría reducir el coste y el tiempo de procesamiento de los sistemas empresariales de IA y favorecer una automatización del trabajo más fiable. El estudio describe una implementación para PostgreSQL y resultados de pruebas de referencia, mientras que el uso empresarial sigue siendo una aplicación prevista, no una implementación comunicada; el sistema aún puede recurrir al LLM cuando su búsqueda no logra completar la reparación.