Text-to-SQL

Le Text-to-SQL permet aux utilisateurs non techniques de formuler des requêtes en langage naturel, qui sont ensuite automatiquement converties en SQL. Ce domaine connaît un développement rapide, grâce aux modèles génératifs (GPT-4o et Sonnet en tête) et à des initiatives telles que QueryGPT d'Uber, qui visent à améliorer les performances en intégrant davantage de contexte et en évaluant la qualité des requêtes générées.

Ces technologies utilisent des agents intelligents pour interpréter les intentions des utilisateurs et formuler des requêtes adaptées aux bases de données. Cependant, malgré des avancées notables, elles font encore face à des limitations. Parmi celles-ci, on observe des erreurs de traduction en SQL, comme l’invention de colonnes inexistantes, ainsi qu’une difficulté à gérer des requêtes plus complexes, telles que des jointures multiples ou des sous-requêtes. De plus, la compréhension des données contextuelles n'est pas toujours optimale.

Le point de vue Theodo

Nous recommandons une évaluation prudente de ces technologies. Elles peuvent apporter des gains en productivité pour des requêtes simples, mais ne sont pas encore prêtes pour des environnements complexes sans supervision humaine.