Inteligencia artificial generativa aplicada a la interpretación de lenguaje natural en consultas SQL

Abstract

El presente trabajo aborda uno de los problemas críticos que enfrentan las organizaciones modernas: a pesar de contar con repositorios centralizados y datos de alta calidad, los tomadores de decisiones suelen depender de perfiles técnicos para acceder a la información, lo que limita la agilidad y eficiencia en la toma de decisiones estratégica. Frente a esta problemática, se explora cómo la Inteligencia Artificial Generativa puedes ser una alternativa para la interpretación de lenguaje natural para la generación de consultas SQL, permitiendo que usuarios no técnicos accedan de manera autónoma y sencilla a información crítica. El trabajo analiza técnicas como Text-to-SQL y RAG-to-SQL, así como el uso de Modelos de Lenguaje Grande (LLMs) de OpenAI y Google, proponiendo una solución técnica basada en PostgreSQL, la extensión pgvector y mecanismos de recuperación contextual para enriquecer el contexto de los modelos. Además, se definen criterios de evaluación y métricas que permiten validar el rendimiento de la solución. Esto se realiza en respaldo de la experiencia profesional del autor en proyectos de ingeniería de datos y GenAI. Se concluye que la solución propuesta, estructurada en etapas de selección de tablas, generación de consultas y evaluación/regeneración, es óptima para superar las dificultades técnicas del acceso a datos estratégicos, además de mitigar errores y alucinaciones en la generación de la consulta SQL. Asimismo, se ratifica la importancia de integrar conocimientos técnicos, de liderazgo y capacidad de investigación para llevar a la práctica este tipo de soluciones en entornos productivos.