NL2Dashboard: LLM을 활용한 대시보드 생성을 위한 경량의 제어 가능한 프레임워크

NL2Dashboard: A Lightweight and Controllable Framework for Generating Dashboards with LLMs

대규모 언어 모델(LLM)이 개별 차트를 생성하는 데 있어 놀라운 능력을 보여주었지만, 포괄적인 대시보드를 합성하는 것은 여전히 어려운 과제입니다. 대시보드 생성을 직접적인 코드 생성 작업(예: Raw HTML)으로 처리하는 기존의 엔드투엔드 패러다임은 두 가지 근본적인 한계를 가지고 있습니다. 첫째는 시각적 렌더링에 막대한 토큰을 소모하여 발생하는 표현의 중복성이고, 둘째는 분석적 추론과 표현 방식의 얽힘으로 인한 낮은 제어 가능성입니다. 이러한 문제를 해결하기 위해 본 연구에서는 '분석-표현 분리(Analysis-Presentation Decoupling)' 원칙에 기반한 경량 프레임워크인 NL2Dashboard를 제안합니다. 우리는 대시보드의 콘텐츠, 레이아웃, 시각적 요소를 캡슐화하는 구조화된 중간 표현(IR)을 도입합니다. 이를 통해 LLM의 역할은 데이터 분석 및 의도 변환으로 제한하고, 시각적 합성은 결정론적 렌더링 엔진에 위임합니다. 이 프레임워크를 바탕으로 우리는 IR 기반 알고리즘을 도구 모음으로 구현한 다중 에이전트 시스템을 개발했습니다. 포괄적인 실험 결과, NL2Dashboard는 다양한 도메인에서 최신 베이스라인 모델들을 크게 능가하였으며, 생성 및 수정 작업 모두에서 뛰어난 시각적 품질, 월등히 높은 토큰 효율성, 그리고 정밀한 제어 가능성을 달성함을 입증했습니다.

While Large Language Models (LLMs) have demonstrated remarkable proficiency in generating standalone charts, synthesizing comprehensive dashboards remains a formidable challenge. Existing end-to-end paradigms, which typically treat dashboard generation as a direct code generation task (e.g., raw HTML), suffer from two fundamental limitations: representation redundancy due to massive tokens spent on visual rendering, and low controllability caused by the entanglement of analytical reasoning and presentation. To address these challenges, we propose NL2Dashboard, a lightweight framework grounded in the principle of Analysis-Presentation Decoupling. We introduce a structured intermediate representation (IR) that encapsulates the dashboard's content, layout, and visual elements. Therefore, it confines the LLM's role to data analysis and intent translation, while offloading visual synthesis to a deterministic rendering engine. Building upon this framework, we develop a multi-agent system in which the IR-driven algorithm is instantiated as a suite of tools. Comprehensive experiments conducted with this system demonstrate that NL2Dashboard significantly outperforms state-of-the-art baselines across diverse domains, achieving superior visual quality, significantly higher token efficiency, and precise controllability in both generation and modification tasks.