Текст площадки «Stepik». Упомянутые цены и обещанные результаты могут быть неактуальны; условия покупки проверяйте у продавца.
Практический курс о том, как заставить LLM писать SQL за вас и ловить, когда она врёт: от первого запроса на русском за вечер до своего ИИ-ассистента аналитика с анти-галлюцинационным слоем на боевых данных. Практика — на SQLite прямо в Stepik, реальные LLM-вызовы — в Colab.
Читать полное описание
Большинство SQL-курсов учат писать запросы. Этот — учит заставить LLM писать их за вас и ловить, когда она врёт. Если SQL и отчётность — ваша ежедневная работа, вы знаете цену рутине: двадцатую вариацию «выручка по сегментам за квартал с фильтром по региону» приходится собирать руками каждый раз. Хочется продиктовать задачу на русском и получить готовый запрос. Но как только цифра из такого запроса уходит в слайд руководству, появляется второй, главный страх: модель уверенно придумывает колонку revenue_total вместо amount, тихо меняет INNER JOIN на LEFT и раздувает сумму втрое. Запрос при этом выполняется без единой ошибки — он не «упал», он просто врёт.
Причина не в «глупости» модели: ChatGPT в браузере пишет SQL «вообще», он не видит ваши таблицы, ключи и единицы. Решение — не «промпт получше», а инженерный слой вокруг модели: передать ей точную схему вашей базы, а сгенерированный SQL прогнать через проверки до того, как он коснётся отчёта. Этот курс разбирает text-to-SQL как пайплайн с контролем качества, а не как «спросить ИИ и скопировать ответ». Не «генерация SQL по кнопке», а три отдельных навыка: передать модели схему и словарь терминов, поймать галлюцinацию на тестовой выборке и объяснить безопаснику, что именно уходит в облако, а что нет.
Ядро курса — анти-галлюцinационный слой. Вы разберёте каталог типовых ошибок text-to-SQL на учебной базе и научитесь ловить каждую: статическая проверка (существуют ли таблицы и колонки, парсится ли SQL), проверка на данных (EXPLAIN, dry-run, контрольные суммы вроде COUNT(*) и сверка сумм), отлов подменённого JOIN и перепутанных единиц через сверку с эталоном, плюс guardrails и петля самокоррекции. Это то, что отличает рабочий ассистент от «ChatGPT, напиши SQL» — и то, что делает результат пригодным для боевых данных.
Внутри: 8 модулей, 30 уроков, ~289 проверяемых шагов. Главный плюс формата — sqlite3 входит в стандартную библиотеку Python, поэтому реальный SQL по учебной базе, проверка колонок, парсинг запросов и контрольные суммы запускаются прямо в Stepik, а не «на словах». Реальные вызовы LLM-API (Claude, OpenAI), боевой PostgreSQL через psycopg2, графики и локальные модели (Ollama) выносятся в Google Colab с пошаговой инструкцией — вы собираете решение сами в Google Colab, а не открываете готовую заготовку. Практикуете на узнаваемых данных: таблицы продаж и выручки (orders, order_items, products, customers) и котировки MOEX — SBER, LKOH, GAZP. Финал — капстоун: вы собираете собственного ИИ-ассистента аналитика, прогоняете его на своей базе с мини-eval (цель — pass rate ≥ 0.8 на контрольных вопросах) и упаковываете в проект для GitHub с README и демо.
Сквозной пример курса — ассистент sql-аналитик над учебной базой shop.db, который от модуля к модулю обрастает слоями: знание схемы, генерация SQL, слой проверок, конвейер до отчёта, дашборд и безопасный режим для боевых данных. Реалистичный сценарий: с выдуманными колонками, подменёнными JOIN, перепутанными рублями и копейками, требованием не выгружать клиентскую базу в чужую модель и вопросом безопасника «что именно уходит в облако». Такой же запрос, с каким вы столкнётесь на следующей неделе на своих данных.