From Questions to Queries to Insights: A Schema-Grounded Agentic Workflow for Natural-Language Crash Data Analysis

이 논문은 교통사고 데이터베이스에 자연어로 질문하면 읽기 전용 SQL을 만들고 검증하고 설명하는, 완전 로컬에서 도는 스키마 기반 에이전트 워크플로를 만든 문제를 풀었다.

이 논문은 한마디로 기관의 데이터 사전과 분석 관례로 묶은 로컬 에이전트 워크플로로, 자연어 질문을 믿을 수 있는 데이터베이스 답으로 바꾸는 논문이다. 연구진은 CrashDB-QA 라는 여섯 단계 코어 워크플로와 판정자·정제자를 더한 확장을 제안했다. 4.4 million 건의 실제 사고 기록과 300 문항 벤치마크, 9개 로컬 오픈 웨이트 모델로 평가했다. 도메인 지식으로 생성을 묶어 주는 것이 정확도를 크게 올렸고, 검증은 판정자가 공식 정의를 쓰고 정제자가 실행 증거를 받을 때만 도움이 되었다.

핵심 요약

• 연구진은 완전 로컬에서 도는 스키마 기반 에이전트 워크플로 CrashDB-QA 를 제안해 자연어로 사고 데이터베이스를 분석하게 했다.
• 공유 지식베이스가 기관 데이터 사전과 안전 분석 관례로 쿼리 생성을 묶고, 중간 출력을 기록해 검수와 감사를 가능하게 했다.
• 4.4 million 건 위스콘신 사고 기록 스냅샷에 300 문항 새 벤치마크와 9개 로컬 오픈 웨이트 모델로 평가했다.
• 코드 특화 7B 모델이 정확도 80.7%, 중간 지연 9.2 s 로 시험 모델 가운데 최상의 정확도-지연 균형을 보였다.
• 그룹이나 기간 비교 문제는 어려웠고, 어떤 모델도 43.3% 를 넘지 못했다.
• 판정자에게 공식 필드 정의를 주고 정제자에게 실행 증거를 주자 정확도가 83.7% 까지 올랐다.

논문 링크

외부 연구를 정리한 자료입니다. HDATF가 발표한 논문이나 제품 성능을 측정한 결과는 아닙니다.