Kurs AI w pracy z SQL – praktyczne wykorzystanie modeli LLM i agentów do analizy danych

Proces szkoleniowy

Analiza potrzeb szkoleniowych

Jeśli masz życzenie dotyczące programu szkolenia, przeprowadzimy dla Ciebie analizę potrzeb szkoleniowych, która będzie wskazówką dla nas, na jakie aspekty programu położyć większy nacisk – tak, by program szkolenia spełniał konkretne potrzeby.

Co zyskujesz?

Lepsze użycie LLM w analizie - Nauczysz się odróżniać zadania, w których LLM realnie przyspiesza analizę danych, od sytuacji, w których zwiększa ryzyko błędu, dzięki czemu będziesz używać AI świadomie i skutecznie.

Sprawniejsze tworzenie SQL - Będziesz szybciej zamieniać potrzeby biznesowe na poprawne zapytania SQL, refaktoryzować istniejący kod i wychwytywać edge case’y, które często psują wynik analizy lub raportu.

Skuteczne prompty analityczne - Opanujesz tworzenie promptów do pracy z danymi, dobór formatu wejścia i ustawianie ograniczeń modelu, aby otrzymywać odpowiedzi bardziej precyzyjne, użyteczne i łatwiejsze do weryfikacji.

Mniej błędnych wniosków - Poznasz metody wykrywania halucynacji, anomalii i nielogicznych wyników liczbowych, więc łatwiej zatrzymasz błędny insight zanim trafi do dashboardu, prezentacji lub decyzji biznesowej.

Lepsza praca z insightami - Wykorzystasz AI do podsumowań analiz, generowania hipotez produktowych, walidacji KPI i interpretacji wyników, dzięki czemu szybciej przygotujesz materiał zrozumiały dla biznesu i zespołu.

Wsparcie w A/B testach - Dowiesz się, jak używać AI przy projektowaniu eksperymentów, formułowaniu hipotez i interpretacji statystyki, bez bezkrytycznego przyjmowania automatycznych wniosków z testów.

Integracja AI z Twoim workflow - Zobaczysz, jak połączyć model językowy z bazą danych, kodem, RAG i codzienną pracą analityka, aby skrócić czas analiz ad hoc, dokumentacji i komunikacji wyników do interesariuszy.

Bezpieczna praca na danych - Poznasz praktyki Local-First Analytics, anonimizacji i podejścia hybrydowego, więc lepiej zabezpieczysz dane wrażliwe i dobierzesz właściwy model lub środowisko do wymagań organizacji.

Program szkolenia

1. Wprowadzenie do AI i modeli LLM w kontekście analitycznym

czym są modele LLM i jak działają, AI deterministyczna vs probabilistyczna; mocne strony i ograniczenia LLM w analizach danych,
gdzie AI realnie pomaga analitykowi, a gdzie szkodzi,
ewolucja roli analityka: od „operatora zapytań” do „orkiestratora systemów”,
ekonomia tokenów i zarządzanie oknem kontekstowym,
modele RLM – dobór modelu do zadania,
architektura systemów AI: jak połączyć model językowy z bazą danych i kodem.

2. Prompt Engineering dla analiz danych – fundamenty

jak „myśli” model LLM i co to oznacza dla promptów, struktura promptu analitycznego,
inżynieria kontekstu, przygotowanie danych (Markdown, JSON, XML, CSV),
prompt systemowy – definiowanie ról ograniczeń i formatów wyjścia,
generowanie i refaktoryzacja zapytań SQL,
tłumaczenie wymagań biznesowych na zapytania analityczne,
analiza istniejących zapytań (czytelność, optymalizacja, edge cases),
„pamięć” systemów AI – RAG, Agentic RAG, bazy wektorowe i bazy grafowe.

3. Case’y analityczne – praca z danymi i insightami

automatyczne podsumowania wyników analiz, generowanie insightów produktowych i hipotez, sanity checks: wykrywanie anomalii, braków, nielogicznych wyników,
tworzenie i walidacja KPI,
interpretacja wyników A/B testów z pomocą AI, identyfikacja potencjalnych błędów w danych i analizach.

4. A/B testy i eksperymenty z wykorzystaniem AI

wsparcie AI w projektowaniu eksperymentów,
formułowanie hipotez testowych, interpretacja wyników statystycznych,
wspomaganie wnioskowania i komunikacji wyników,
ryzyka automatycznych interpretacji A/B testów,
„syntetycznych użytkownicy” (Persony AI).

5. Warsztaty: realne scenariusze zespołu

praca na rzeczywistych przykładach z zespołu,
optymalizacja istniejących promptów analitycznych,
testowanie różnych wariantów promptów,
porównywanie wyników i jakości odpowiedzi,
ocena przydatności AI w konkretnych use case’ach.

6. Integracja AI z codzienną pracą analityka

AI jako „copilot” analityka, nie zastępstwo,
wykorzystanie AI w:
- analizach ad-hoc,
- eksploracji danych,
- dokumentacji analiz,
- komunikacji insightów do biznesu,
automatyzacja powtarzalnych zadań analitycznych,
best practices pracy zespołowej z AI.

7. Jakość, etyka i bezpieczeństwo pracy z AI

walidacja wyników generowanych przez AI, odpowiedzialność analityka za wyniki, jak nie „przepuścić” błędnego insightu,
metody detekcji halucynacji w liczbach i faktach,
audytowalność i „Explainable AI”, „LLM-as-a-Judge”,
uruchamianie modeli open-source (Llama 3, Mistral, Gemma) za pomocą (Ollama, LM Studio),
analiza danych wrażliwych bez wysyłania ich do chmury (Local-First Analytics),
techniki anonimizacji i maskowania danych przed wysłaniem do zewnętrznych API. Podejście hybrydowe,
dobre praktyki organizacyjne.

8. Podsumowanie i rekomendacje dla zespołu

kiedy używać AI, a kiedy klasycznych metod,
checklisty do pracy analitycznej z AI,
rekomendowany workflow analityka wspieranego przez AI,
obszary do dalszego rozwoju zespołu.

Jakie są wymagania wstępne do udziału w szkoleniu?

Podstawy SQL - Powinieneś swobodnie czytać i pisać proste zapytania SQL, w tym SELECT, JOIN, WHERE, GROUP BY i agregacje, aby w pełni skorzystać z części praktycznej szkolenia.

Doświadczenie analityczne - Powinieneś mieć praktykę w analizie danych lub raportowaniu, aby rozumieć pytania biznesowe, wskaźniki i typowe problemy jakości danych omawiane podczas zajęć.

Znajomość pracy z danymi - Powinieneś rozumieć tabele, kolumny, filtry i podstawowe formaty danych, takie jak CSV lub JSON, aby sprawnie pracować z przykładami i promptami wykorzystywanymi na szkoleniu.

Podstawy statystyki testów - Powinieneś znać podstawowe pojęcia używane w analizie eksperymentów, takie jak hipoteza, metryka i istotność, aby właściwie interpretować część dotyczącą A/B testów.