أنت لا تتعلم مجرد كيفية جعل نموذج لغوي كبير (LLM) يكتب كود SQL، بل تتعلم كيفية تقديم كود SQL آمن وجاهز للبيئة التشغيلية (Production-ready) لمهام ذكاء الأعمال (BI) المتكررة؛ حيث تتحمل أنت مسؤولية أي إخفاقات لاحقة إذا كان الاستعلام (query) خاطئاً أو بطيئاً أو غير قابل لإعادة الإنتاج. يعمل الذكاء الاصطناعي على تسريع عملية الصياغة، واختبار الفرضيات وتصحيح الأخطاء، وتلخيص المقايضات والخيارات المتاحة. وفي المقابل، تقع على عاتقك مهام التحقق من الدلالات (semantics)، وتحديد العتبات والمعايير، واتخاذ القرار النهائي بشأن ما سيتم اعتماده ونشره.
تبني هذه الدورة مهارة قابلة للتطبيق في سياقات متعددة. ستتعلم كيفية تحديد الطلب بدقة، وتوفير الحد الأدنى من السياق اللازم، وتوليد استعلامات SQL مقترحة، وإجراء خطوات التحقق قبل مشاركة أي شيء أو جدولته. يضيف كل درس جزءاً من منهجية العمل هذه، بحيث يساهم الذكاء الاصطناعي في تسريع إنجازك للمهام دون المساس بمعايير الموثوقية والجودة.
قبل استخدام أي تقنية محددة، ركّز اهتمامك على “المُخرَج النهائي” (deliverable). يتمثل هذا المُخرَج في الاستعلام البرمجي مصحوباً بأدلة ونتائج التحقق التي تتيح لمحلل آخر إعادة تشغيل الاستعلام ومراجعته والوثوق بصحته.
يتمثل النطاق العملي في الاستعلامات المتكررة التي تغذي لوحات المعلومات (dashboards)، وأنظمة التنبيه، وعمليات استخراج البيانات المجدولة. وهذا يعني أن كود SQL يجب أن يكون صحيحاً على مستوى التفاصيل (grain) المطلوب، ومستقراً في ظل نمو البيانات، وقابلاً للشرح للمراجعين. يمكن للذكاء الاصطناعي اقتراح عمليات الربط (joins)، ودوال النوافذ (window functions)، وإعادة هيكلة الكود (refactoring). وحدك أنت من يستطيع تأكيد مطابقة الاستعلام لتعريفات الأعمال وضمان عدم تجاوزه لميزانيات التكلفة وزمن الاستجابة (latency).
راجع بنية العمليات (delivery architecture) التي تعمل ضمنها، بما في ذلك مصادر أدلة التحقق.
تعامل مع أي استعلام يُنشئه الذكاء الاصطناعي على أنه “مقترح” وليس “إجابة نهائية”. فإذا تم اعتماده في بيئة التشغيل الفعلية وتسبب في تعطل لوحة البيانات (Dashboard)، فإن المسؤولية تقع على عاتق المحلل والفريق الذي وافق عليه، وليس على النموذج نفسه.
تتحدد جودة مخرجات الذكاء الاصطناعي بناءً على السياق الذي توفره. وفي حالة استعلامات SQL، لا تقتصر الحزمة المطلوبة على فقرة تصف الجانب التجاري؛ بل يجب أن تتضمن مجموعة من القيود التي يمكن للنموذج صياغتها في هيئة مفاتيح ربط (join keys)، وعوامل تصفية (filters)، وعمليات تجميع (aggregations) دون الحاجة لابتكار هيكلية من تلقاء نفسه.
احرص على تضمين المخطط الهيكلي (schema) ومسارات الربط، ومستوى التفاصيل (grain) لكل جدول، وقيود المفاتيح، وعوامل التصفية المطلوبة، واللهجة البرمجية (dialect) الخاصة بمستودع البيانات لديك، بالإضافة إلى القيود التشغيلية مثل اتفاقيات مستوى الخدمة (SLA) وحساسية التكلفة. كذلك، حدد حالات التقريب المقبولة، مثل إمكانية تجاهل الأحداث المتأخرة أو الاكتفاء بقيم تقريبية لعمليات العد الفريد (distinct counts).
قم بإعداد حزمة سياق خاصة بمستودع بيانات للتجارة الإلكترونية، ولاحظ كيف يمكن لأي تفصيل مفقود أن يتحول إلى سبب محتمل للفشل.
يُعد التوجيه (Prompt) الجيد بمثابة عقد؛ فهو يحدد الغرض بدقة ويضبط الجوانب التي قد تكون عرضة للاختلاف أو الخطأ، بما في ذلك منطق الربط (join logic)، والتعامل مع القيم الفارغة (nulls)، والأعداد المتوقعة للسجلات (cardinalities). يمكن للذكاء الاصطناعي صياغة البنية البرمجية (syntax)، لكن يتعين عليك أنت تحديد المعنى المقصود للاستعلام بدقة.
حدد مستوى تفاصيل المخرجات (grain) بوضوح، مثل الإيرادات الأسبوعية مصنفة حسب “القناة” (channel). حدد العناصر المستثناة، مثل المرتجعات والطلبات الملغاة. حدد آلية التعامل مع القيم الفارغة، مثل ما إذا كانت القناة غير المعروفة ستُصنّف تحت مسمى '(unknown)' أم سيتم استبعادها. قدّم تقديرات لأعداد الصفوف المتوقعة (مثل: 52 أسبوعاً × 8 قنوات) لتتمكن من اكتشاف أي تضخم مفاجئ في حجم البيانات الناتج عن عمليات الربط (join explosion) بشكل فوري.
قم بصياغة توجيه (prompt) منظم يفرض الالتزام بهذه الشروط قبل البدء في توليد كود SQL.