Automatização de Consultas SQL Utilizando Modelos de Linguagem (Text-to-SQL)

Vive-se atualmente uma tendência em que o volume de dados gerado por empresas, governos e indivíduos alcança níveis sem precedentes. Decisões baseadas em dados tornaram-se cruciais para o sucesso operacional e estratégico de qualquer organização.

No entanto, extrair informações de bancos de dados relacionais tradicionalmente exige conhecimento avançado em SQL (Structured Query Language). Para democratizar o acesso a esses dados, a técnica de Text-to-SQL surge como uma ponte poderosa, transformando perguntas feitas em linguagem natural diretamente em consultas SQL executáveis.

O Desafio da Tradução de Linguagem Natural para SQL

A tarefa de converter perguntas em texto verbal para instruções SQL envolve desafios semânticos complexos: 1. Abstrações e Ambiguidade: Perguntas como *"mostre os clientes que mais compraram este mês"* carregam ideias implícitas de ordenação e janelas temporais. 2. Schema Comprehension: O modelo precisa compreender a estrutura exata do banco de dados (tabelas, colunas, chaves primárias e estrangeiras). 3. Prevenção de Alucinações: Garantir que a consulta gerada respeite estritamente a sintaxe do banco e retorne os dados corretos sem inventar colunas inexistentes.

A Solução: RAG e In-Context Learning (ICL)

Em nosso trabalho, desenvolvemos e avaliamos uma aplicação própria de Text-to-SQL utilizando a técnica de In-Context Learning (ICL) combinada a um pipeline de Retrieval-Augmented Generation (RAG) em repositórios evoluíveis.

# 1. In-Context Learning (ICL) Ao contrário do Fine-Tuning tradicional (que exige atualização cara de pesos da rede neural), o ICL fornece ao modelo exemplos demonstrativos no próprio prompt. Exploramos modalidades de: * Zero-shot learning: Instrução direta sem exemplos prévios. * Few-shot learning: Demonstração prévia com pares reais de Pergunta ➔ SQL.

# 2. RAG Dinâmico sobre Banco Evoluível Montamos uma base vetorial de pares pergunta-SQL. Quando o usuário faz uma nova pergunta em linguagem natural: 1. A pergunta é convertida em vetor (embedding). 2. Uma busca por similaridade identifica os exemplos mais relevantes no banco histórico. 3. Os exemplos selecionados injetam um contexto rico e personalizado no prompt enviado à LLM (Few-shot dinâmico).

[Pergunta do Usuário] ➔ [Vetor de Embedding] ➔ [Busca no Banco Vetorial]
                                                        │
                                          [Exemplos Similares Recuperados]
                                                        │
                                                        ▼
[Prompt Enxuto + Contexto RAG] ➔ [LLM: Llama 3.1 8B] ➔ [Consulta SQL Precisa]

Resultados Práticos e Desempenho

Testamos a abordagem utilizando o modelo quantizado Meta-Llama-3.1-8B-Text-to-SQL-GGUF (4-bits) e avaliamos 8 diferentes estilos de *prompt engineering*:

Taxa de Sucesso de 92,5%: O uso de RAG com *Full-Information* e *Simple RAG Organization* atingiu 100% de sucesso na geração de queries SQL corretas em ambientes controlados.
Redução Drástica de Custos: Dispensou fases adicionais de treinamento supervisionado pesado e reduziu a latência por requisição.
Eliminação de Alucinações: O fornecimento de exemplos reais recuperados via RAG guiou o modelo a manter o esquema de dados correto.

Conclusão e Aplicações Práticas

A combinação de RAG com In-Context Learning provou ser uma arquitetura extremamente robusta e viável para implementação em produtos corporativos. Ela permite que sistemas de BI, dashboards e assistentes de atendimento consultem bancos de dados complexos em linguagem natural de forma segura, rápida e intuitiva.

Esta pesquisa desenvolvida na Universidade Federal de Minas Gerais (UFMG) exemplifica o compromisso do time de engenharia da VetrixHub em aplicar o estado da arte da IA em soluções reais de mercado.