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

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.