// Veriyle Konusan Analitik Asistan

Ilk Text-to-SQL

Ders 2 · Ilk cagri · Prompt · Temperature · Halusinasyon

01 / Temsil 02 / Text-to-SQL 03 / Schema-RAG 04 / Agent 05 / Guvenlik 06 / Deploy

Nerede Kalmistik?

Ders 1: dilin makineye temsili — token, embedding, attention.

Bugun: modeli API'den cagirip ilk SQL'i urettiriyoruz.

Asistanimizin ilk hali bu derste dogacak.

Bu derste

LLM nasil calisir (tek cumle)
DuckDB + ilk cagri
Semayi prompt'a verip SQL uret
Temperature
Halusinasyon — somut bedel

LLM Nasil Calisir? — Tek Cumle

  LLM = cok iyi bir otomatik tamamlama.

  Bir sonraki token'i tahmin eder (next-token prediction). SQL uretmesi de aslinda budur.

Iyi yaptigi

Kalibi taninan metin/kod uretmek
SQL sozdizimi
Dogal dili anlamak

Bilmedigi

Senin semani (→ RAG, Ders 3)
Guncel veriyi (→ tool, Ders 4)
O anki gercegi → uydurur

DuckDB — Demo Icin Ideal Veritabani

Embedded — sunucu yok, tek dosya
Sifir kurulum — pip install duckdb
Analitik sorgularda cok hizli
SQL standardi — ogrendigin her yerde gecerli

Demo icin neden ideal?

Katilimci tarafinda kurulum kaosu yok
Tek dosya — repo ile birlikte tasinir
Ayni SQL PostgreSQL / warehouse'ta da gecerli

Dogru arac, dogru olcek.

Ilk Cagri — Baglanti Testi

# llm.py — DeepSeek, OpenAI-uyumlu API
from openai import OpenAI
client = OpenAI(api_key=os.getenv("DEEPSEEK_API_KEY"),
                base_url="https://api.deepseek.com")
MODEL = "deepseek-chat"

# Henuz SQL degil — "calisiyor mu?"
r = client.chat.completions.create(model=MODEL,
    messages=[{"role":"user", "content":"SQL nedir, tek cumle?"}])
print(r.choices[0].message.content)

  Guvenlik: API key .env'de, koda gomulmez, ekranda gorunmez.
  OpenAI'a gecmek istersen sadece base_url ve model degisir.

Semamiz — Kucuk E-ticaret DB'si

customers (id, name, city, registered_at)

products (id, name, price, category)

orders (id, customer_id, order_date)

order_items (order_id, product_id, quantity)

Iliskiler

bir musteri → cok siparis
bir siparis → cok satir (order_items)
her satir → bir urun + adet

      Kucuk ve deterministik veri — demo sorulari hep ayni, anlamli sonucu doner.

      En cok satan: Kablosuz Kulaklik (10) · Istanbul: 4 musteri

Ilk SQL Uretimi — Semayi Prompt'a Ver

def generate_sql(question, temperature=0.0, schema=SCHEMA):
    messages = [
      {"role":"system", "content":
        "Sen bir SQL uzmanisin. Semaya gore GECERLI DuckDB SELECT uret. Sadece SQL don."},
      {"role":"user", "content": f"SCHEMA:\n{schema}\n\nQUESTION: {question}"},
    ]
    return clean_sql(chat(messages, temperature=temperature)...)

sql = generate_sql("Istanbul'daki musteri sayisi kac?")
# -> SELECT COUNT(*) FROM customers WHERE city = 'İstanbul'
print(db.sql(sql).df())   # -> 4

Dogru SQL uretti, calisti, sonuc geldi. Iste asistanimizin ilk hali.

Temperature — Rastgelelik Kadrani

Temperature = modelin yaraticilik/rastgelelik kadrani.

      SQL uretiminde tutarlilik isteriz → temperature = 0.

      Yaraticilik burada dusman: ayni soru → ayni SQL olmali.

temp = 0.0 → kararli, tekrarlanabilir
temp = 0.7 → cesitli (sohbet icin)
temp = 1.5 → savruk, ongorulemez

  Not: bazi yeni modeller temperature kabul etmez ("yaraticilik prompt ile"). Kavram ayni: rastgeleligi kis.

🚨 Halusinasyon — Somut Bedel

Semada olmayan bir sey soralim:

soru = "Urunlerin tedarikci firmasini ve iletisim bilgisini goster."
# SEMADA suppliers TABLOSU YOK
sql = generate_sql(soru)
# -> SELECT p.name, s.supplier_name FROM products p
#    LEFT JOIN suppliers s ON p.supplier_id = s.id   (TUM TABLOYU UYDURDU!)
db.sql(sql)  # >>> Catalog Error: Table "suppliers" does not exist!

  Iste halusinasyon: model emin bir tonda olmayan bir tabloyu + JOIN'i uydurdu.
  Production'da bu = yanlis rapor, yanlis is karari.

Peki Cozum? — Sonraki Derslere Kopru

Problem

Buyuk sema prompt'a sigmaz
Halusinasyon var
Hatayi kendi duzeltemiyor

Ders 3 → RAG

Dogru semayi getir
Olmayan kolon riski azalir

Ders 4 → Agent

SQL'i calistir
Hatayi gor, duzelt

  📦 Sektor notu: soruya/veriye kotu niyetli talimat gomulurse? → prompt injection, Ders 5.

Sonraki ders: Dogru semayi akillica getiriyoruz — RAG / schema retrieval.