gemma-2-9b-it-korean-nl2sql

Model Card: Gemma-2-9B-it-Korean-NL2SQL (Merged)

본 모델은 Google의 Gemma-2-9B-it 모델을 베이스로 하여, 실무용 PostgreSQL 환경에서 한국어 자연어 질의를 고정밀 SQL 쿼리로 변환(NL2SQL)할 수 있도록 파인튜닝 및 가중치 병합(Weight Merge)을 완료한 9B 체급 최강의 특화 모델입니다.

본 연구의 실험 과정에서 **단 2건의 구문 에러(Initial Syntax Error)**만 기록했을 정도로 PostgreSQL 문법 구조에 대한 이해도와 무결성이 압도적으로 뛰어난 것이 특징입니다.

🌟 주요 특징 (Key Features)

• 압도적인 문법 무결성 (Syntactic Precision): 대규모 코퍼스 기반의 사전 학습 능력을 바탕으로, 복잡한 PostgreSQL 함수 및 서브쿼리 작성 시 문법적 오류를 거의 범하지 않습니다.
• 다중 조인 및 서브쿼리 최적화: 난이도가 높은 대규모 ERP 스키마(Level 4, 5) 내에서도 테이블 간의 관계성을 정확히 추론하여 최적의 실행 경로를 가진 쿼리를 빌딩합니다.
• 엔터프라이즈 레벨 서빙 가능: LoRA 어댑터가 베이스 레이어에 완전히 흡수(Merged)되어 있어, vLLM이나 Ollama 등 실무 추론 엔진에 즉시 얹어 단발성(Zero-shot) 초고속 API 서빙이 가능합니다.

📊 성능 평가 요약 (Evaluation Results)

실무용 ERP 데이터베이스 스키마와 난이도별(Level 1 ~ 5) 평가 데이터셋 400문항을 바탕으로 엄밀하게 측정한 벤치마크 결과입니다.

• Pure Accuracy: 최초 1회 생성 시의 SQL 실행 결과 정답률이 무려 **79.00%**에 달합니다.
• 초고정밀도 증명: 전체 400개의 복잡한 쿼리 중 실행 에러(Syntax/Runtime Error)가 발생한 케이스가 단 2건(Level 2에서 1건, Level 4에서 1건)에 불과하여, 베이스 모델로서 가장 완벽하고 신뢰할 수 있는 Baseline 지표를 제공합니다.

💻 사용 방법 (How to Use)

Gemma 2의 공식 Chat Template 규격을 준수하여 자원을 효율적으로 추론하는 예시 코드입니다.

import torch
from transformers import AutoTokenizer, AutoModelForCausalLM

model_id = "yeongseok11/gemma-2-9b-it-korean-nl2sql"

tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(
    model_id,
    torch_dtype=torch.bfloat16,
    device_map="auto"
)
model.eval()

# Prompt Template (Gemma-2 전용 템플릿 준수)
prompt = """<start_of_turn>user
당신은 실무용 PostgreSQL 전문가입니다. 오직 SQL 쿼리만 답변하세요.

### 스키마:
CREATE TABLE emp (
    emp_id INT PRIMARY KEY,
    emp_name VARCHAR(50),
    dept_id INT,
    salary INT
);

### 질문:
기획팀(dept_id = 10) 직원들의 평균 급여를 구하는 쿼리를 짜줘.<end_of_turn>
<start_of_turn>model
### SQL:
"""

inputs = tokenizer(prompt, return_tensors="pt").to("cuda")
with torch.no_grad():
    outputs = model.generate(
        **inputs,
        max_new_tokens=256,
        temperature=0.0,
        do_sample=False,
        pad_token_id=tokenizer.eos_token_id
    )

print(tokenizer.decode(outputs[0], skip_special_tokens=True).split("### SQL:\n")[-1])

📝 연구 및 한계점 (Limitations & Future Work)
본 모델은 높은 문법적 완성도를 자랑하지만, 인간이 설계한 복잡하고 비정형화된 데이터 레이크 환경에서는 의미론적(Semantic) 매핑 오차가 발생할 수 있습니다.
이를 극복하기 위해 향후 본 연구는 LLM 지향적 메타데이터 확장 파이프라인(AI-Friendly Metadata Enrichment) 및 에이전트 기반의 능동형 데이터 내비게이션 아키텍처 연구로 확장될 예정입니다.