Model Online/Fiziksel
Süre
Modüller 6 modül

Eğitimin Amacı ve Kapsamı

Aynı iş sorusunu doğru yanıtlayan iki SQL sorgusu birbirinden tamamen farklı yazılabilir (CTE vs alt sorgu, farklı sütun takma adları, farklı sıralama); bu yüzden metin benzerliği (BLEU/exact string match) Text-to-SQL başarısını ölçmekte işe yaramaz. Öte yandan, yalnızca üretilen sonuç tablosunu karşılaştırmak da şans eseri doğru dönen (false positive) hatalı sorguları gizleyebilir.

Bu eğitim; BIRD ve Spider 2.0 gibi kurumsal benchmark metodolojilerini, Execution Accuracy (EX), esnek sonuç kümesi karşılaştırma algoritmalarını, SQLGlot AST analizini ve sorgu maliyet/verimlilik skorlamasını ele alır. Katılımcılar kendi veritabanları için deterministik bir Text-to-SQL test paketi kurar.

Kimler Katılmalı?

  • Text-to-SQL ve konuşmalı analitik ürünlerinin doğruluğunu ölçen veri bilimciler ve yapay zeka mühendisleri
  • Model, prompt ve semantik katman değişikliklerini test eden analitik ve QA mühendisleri
  • Kurumsal veri asistanlarında güvenilirlik kriterlerini belirleyen teknik liderler
  • Ön koşul: İyi derecede SQL ve Python ile veri analizi/test geliştirme deneyimi

Kazanımlar

  • Sütun sırası, takma ad (alias), yuvarlama farkı ve sıralama bağımsız sonuç kümesi karşılaştırıcısı yazar
  • Şans eseri aynı sonucu döndüren hatalı sorguları yakalamak için çoklu veritabanı durumu (test fixture) kullanır
  • SQLGlot ile beklenen ve üretilen sorgunun JOIN, WHERE ve GROUP BY bileşenlerini yapısal olarak kıyaslar
  • Doğruluğun yanında sorgu çalışma süresi ve maliyetini ölçen Valid Efficiency Score (VES) hesaplar
  • Kolay, çoklu JOIN, pencere fonksiyonlu, belirsiz ve şema dışı (unanswerable) sorulardan oluşan benchmark kurar

Konular

Text-to-SQL Değerlendirme Zorlukları ve Metrik Taksonomisi
  • Neden Exact String Match başarısız olur? Eşdeğer SQL yazılımları ve sıralama/alias varyasyonları
  • Execution Accuracy (EX), Soft/Canonical Result Match, AST Component Match ve Valid Efficiency Score (VES)
Kanonik Sonuç Kümesi (Result-Set) Karşılaştırma Algoritmaları
  • Sütun adı bağımsız vektör/küme eşleştirme, `ORDER BY` varlığına göre sıra duyarlı vs sırasız kıyaslama
  • Kayan noktalı sayı toleransı, tarih formatı normalizasyonu, `NULL` eşleşmesi ve fazladan bilgi sütunlarının yönetimi
Yanlış Pozitifleri Önleme ve AST Yapısal Analizi
  • Boş sonuç veya tesadüfi eşleşme tuzağı: kenar durumları test eden sentetik veritabanı durumları (fixtures)
  • SQLGlot ile kullanılan tabloların, JOIN koşullarının, filtrelerin ve toplama fonksiyonlarının kısmi puanlanması
Kurumsal Text-to-SQL Benchmark Veri Seti Tasarımı
  • Zorluk katmanları: tek tablo, çoklu JOIN, alt sorgu/CTE, oran/pencere fonksiyonları ve iş kuralı gerektiren sorular
  • Belirsiz (birden fazla yorumu olan) sorular ve veritabanında karşılığı olmayan (unanswerable) tuzak sorular
Hata Taksonomisi ve Otomatik Regresyon Boru Hattı
  • Hataları otomatik sınıflandırma: yanlış tablo/sütun (schema linking), yanlış JOIN, yanlış filtre değeri, lehçe hatası
  • Prompt, few-shot örnek veya model güncellendiğinde çalışan CI/CD Text-to-SQL test koşucusu
Laboratuvar: Kurumsal Şema İçin Otomatik Text-to-SQL Eval Paketi
  • Örnek kurumsal veri ambarı üzerinde 40+ soruluk altın SQL seti ve karşılaştırma motoru
  • Farklı model ve schema-linking stratejilerinin doğruluk/maliyet kırılım raporu

Bu Kategorideki Diğer Eğitimler

  • LangChain ile RAG LangChain ile RAG

    LangChain kullanarak doküman parçalama, embedding, vektör veritabanı kurulumu ve Gradio arayüzü ile uçtan uca Retrieval-Augmented Generation (RAG) sohbet botu geliştirme atölyesi.

    RAG ve Kurumsal Bilgi Sistemleri Kurumsal, Bireysel Workshop
    Canlı Kurs
    6 modül
    İncele
  • Multimodal RAG Multimodal RAG

    LangChain ile PDF belgelerindeki metin, tablo ve görselleri ayrıştırıp çok modlu embedding ve birleşik vektör arama ile sorgulayan Multimodal RAG sistemi geliştirme atölyesi.

    RAG ve Kurumsal Bilgi Sistemleri Kurumsal, Bireysel Workshop
    Canlı Kurs
    6 modül
    İncele
  • Retrieval Augmented Generation (RAG) Temelleri

    Kurumsal dokümanlar üzerinde doğru ve kaynak gösteren yanıtlar üreten uçtan uca bir RAG sisteminin temellerini (belge işleme, chunking, embedding, vektör arama, prompt grounding ve temel değerlendirme) öğreten program.

    RAG ve Kurumsal Bilgi Sistemleri Kurumsal
    Canlı Kurs
    6 modül
    İncele
  • Embedding Modelleri ve Semantik Arama (Semantic Search)

    Dense, sparse (SPLADE/BM25), Matryoshka ve late-interaction (ColBERT) embedding modellerini; çok dilli/Türkçe arama kalitesini, domain uyarlamasını ve yüksek doğruluklu semantik arama sistemlerini kapsayan program.

    RAG ve Kurumsal Bilgi Sistemleri Kurumsal
    Canlı Kurs
    6 modül
    İncele
  • Vector Database Mimarileri (pgvector, Milvus, FAISS, Weaviate, Pinecone)

    HNSW, IVF, DiskANN ve PQ indeksleme algoritmalarını; pgvector, Milvus, Qdrant, Weaviate, FAISS ve Pinecone mimarilerini; filtreli ANN aramasını, multi-tenancy ve ölçekleme kararlarını kapsayan mühendislik programı.

    RAG ve Kurumsal Bilgi Sistemleri Kurumsal
    Canlı Kurs
    6 modül
    İncele
  • RAG için Veri Hazırlama, Belge Ayrıştırma ve Chunking

    Karmaşık PDF, Word, tablo ve taranmış kurumsal belgeleri Docling, Unstructured ve VLM'lerle ayrıştırma; yapısal, semantik, parent-child ve contextual chunking stratejileriyle yüksek kaliteli RAG indeksi kurma programı.

    RAG ve Kurumsal Bilgi Sistemleri Kurumsal
    Canlı Kurs
    6 modül
    İncele

Bizimle iletişime geçin