데이터베이스가 어떤 실세계 대상을 담고 있는지, AI가 추론하되 그 추론을 데이터로 직접 확인해서 틀린 부분을 잡아내는 자동 설명서 생성기다.

데이터베이스가 어떤 실세계 대상을 담고 있는지, AI가 추론하되 그 추론을 데이터로 직접 확인해서 틀린 부분을 잡아내는 자동 설명서 생성기다.

무엇이 문제였나 — 비전문가가 데이터를 쓰려면 ‘이 테이블이 무엇을 의미하는지, 어떻게 연결되는지’를 전문가가 손으로 적어야 하는 병목이 있었다. 어떻게 풀었나 — TYTAN은 DB 구조는 결정론적으로 분석하고, 의미 해석은 LLM에 맡긴 뒤, 모든 제안을 실제 데이터에 대해 검증하고 모호하면 사용자에게 한두 줄 질문한다. 그래서 뭐가 좋아졌나 — 그 결과 누구나 자연어로 복잡한 분석 질문을 할 수 있게 해주는 신뢰할 수 있는 데이터 설명서가 거의 자동으로 만들어진다.

외국어로 된 거대한 서류 더미가 있다고 치자. AI 통역사가 대충 ‘이건 계약서, 저건 명단’이라고 부르는 게 아니라, TYTAN은 통역사가 부른 이름을 실제 서류 내용과 일일이 대조해서 확인한다. 그래도 헷갈리면 당신에게 ‘이 표는 독립 항목인가요, 아니면 두 표를 잇는 다리인가요?‘라고 정확히 한 가지만 묻는다. 결국 서류 더미 전체가 누구나 읽을 수 있는 색인으로 정리된다.

논문 정보

Donna Hooshmand, Shubham Shahi, Cameron Barrie, Abhratanu Dutta, Marko Sterbentz, Harper Pack, Kristian J. Hammond · Northwestern University (C3 Lab) · arXiv preprint (arXiv:2608.06331, 2026년 8월 공개) · 2026

왜 중요한가

오늘날 기업의 데이터는 사람이 쓰기엔 너무 복잡하고, AI가 SQL을 짜도 테이블 의미를 몰라 틀리기 일쑤다. TYTAN은 그 의미를 데이터 자체에서 끌어내어 검증하므로, 비전문가도 자연어로 정확한 분석을 할 수 있는 길을 연다. 특히 메타데이터가 아예 없는 CSV 묶음에서도 구조를 복원할 수 있어 레거시 데이터 자동화에 즉시 활용 가치가 있다.

핵심 지표

어떻게 동작하나

TYTAN은 세 단계를 교차로 돈다. 먼저 DB에서 표·컬럼·키·값 샘플·카디널리티·결측률을 결정론적으로 프로파일링한다. 그 위에서 LLM이 엔티티·속성·이름을 제안하면, 매 제안을 DB에 대해 검증한다. 조인 후보는 (1) 전체 값 중첩이 0이면 즉시 배제하고, (2) 자기 자신이 PK이거나 수치형 측정값이거나 이미 참조가 있는 컬럼 등은 결정론적 가드로 걸러내며, (3) 남은 것만 LLM이 신뢰도 임계값 이상으로 승인한다. 엔티티 식별자는 선언 PK → LLM 제안 → 후보 탐색 순으로 항상 데이터에 대해 유일성을 검증하고, 수치형은 후보에서 제외한다. 컬럼 역할은 ‘증거는 정제할 수 있지만 의미를 덮지 못한다’는 원칙으로, LLM 의미 판단을 유지하되 값/메타데이터와 충돌하면 정제한다. 검증 가능한 사실(유일성·중첩·저장 타입)은 모두 DB에서 직접 계산해 LLM 밖으로 빼내어, 환각을 구조적으로 차단한다.

핵심 수식:

J(a \to b) = [\,\mathrm{Overlap}(V_a, V_b) \neq \varnothing\,] \wedge [\,a \notin PK \wedge a \notin Numeric\,] \wedge [\,\mathrm{ref}(a) = \bot\,] \wedge [\,\mathrm{LLM}_{conf}(a,b) > \tau\,]

J(a→b)는 컬럼 a가 b를 참조하는 조인을 최종 수용할지(참/거짓). 첫째 항은 두 컬럼 값 집합의 교집합이 비어있지 않아야 함(전체 distinct 기준, 0 중첩이면 즉시 배제). 둘째 항은 a 자신이 기본키이거나 수치형 측정값(골·저지 등)이면 후보에서 제외. 셋째 항은 a에 이미 검증된 참조가 없어야 함(중복 참조 방지). 넷째 항은 LLM이 두 컬럼의 이름·타입·샘플 값을 보고 판단한 신뢰도가 고정 임계값 τ를 넘어야 함. 네 조건 모두 참일 때만 조인이 ring에 들어간다.

한계와 주의할 점

• 평가 데이터베이스가 8개(참조 7+블라인드 1)로 규모가 작아, 도메인과 스키마 패턴의 다양성에 대한 일반화가 불확실하다.
• 참조 스키마를 저자가 직접 작성·수정했고, 동일한 저자진이 SATYRN 평가에도 참여해 evaluator와 developer가 겹쳐 독립성이 약하다.
• 인간 평가자가 2명뿐이고, LLM annotator 3개 중 하나는 생성기와 같은 모델 패밀리라 inter-model 수렴과 진짜 정답이 섞여 있다(논문도 이를 인정).
• downstream 분석 정확도는 SATYRN에 위임하고 평가하지 않아, ring이 실제 질문 응답 품질에 미치는 영향이 직접 증명되지 않는다.
• clarification loop의 기본 답변 질을 항목별로 정량 평가하지 않아(논문이 한계로 명시), 무인 모드의 신뢰도가 충분히 입증되지 않는다.
• 작은 정수 ID 범위가 여러 표에서 겹치면 가짜 조인이 LLM 검증까지 통과: FIFA 1차 실행에서 3개 spurious join(골/세이브 수와 순차 ID 중첩) 발생, 병원 데이터 메타데이터 제거 시 4개 누출(Table 5).
• 복합 키 후보 탐색이 예산 한계로 끝까지 못 돌면 미검증 fallback id가 들어가, retrieval 테스트가 ID 고유성 위반으로 잡아낸다(본문이 명시한 사례).
• 값 중첩이 0이어도 전체가 아닌 샘플만 보면 진짜 관계를 과소평가할 수 있어, 데이터 접근이 제한된 환경에서 조인 누락이 생긴다.
• 반복 커버리지 탐색 단계에서 새로 만든 엔티티가 참조 타겟으로 보이지 않아 외래키가 발견되지 않거나, 같은 표 쌍의 두 번째 FK가 첫째에 덮여 사라진다(FIFA 1차 실행이 두 사례를 동시에 보고).

단계별 도입 로드맵

원문 PDF: 2026-08-08-tytan-interactive-neurosymbolic-construction-of-analytic-semantic-schema.pdf