Consultas de SQL con GitHub Copilot y ChatGPT

3. Consultas de SQL con GitHub Copilot y ChatGPT

• Es importante tener cargado la estructura del modelo
• También es importante cargarle contexto al modelo, ya que no es tan bueno recordando mi estructura.
• Con el expertis y el contexto que tengas en el equipo de datos puedes darle más contexto al LLM y eso mejor la calidad del resultado.
• No siempre vamos a tener consultas limpias, podemos iterar sobre la solución que tenemos para mejorar el resultado.
• Siempre vamos a obtener una base para poder continuar. Estas herramientas no reemplazan miembros de un equipo de datos, solo son ayudas.

Siento que si uno ya sabe SQL, puede hacer la consulta un poco mas rápido y con menos errores.

en general es mas fácil hacer algo desde 0 que arreglar una consulta

Lo hice para contrastar un ejercicio del curso de PostgreSQL y la verdad esta muy parecido a lo planteado en clase.

Este fue el Prompt para chat GPT:

código para Postgres SQL para crear 5 tablas que se llamen estación, tren, pasajero, trayecto y viaje, con las columnas que creas necesarias, en donde cada una tenga sus llaves primarias y secundarias

-- Crear la tabla Estacion
CREATE TABLE Estacion (
    estacion_id SERIAL PRIMARY KEY,
    nombre VARCHAR(255) NOT NULL,
    ubicacion VARCHAR(255) NOT NULL
);

-- Crear la tabla Tren
CREATE TABLE Tren (
    tren_id SERIAL PRIMARY KEY,
    numero_tren VARCHAR(20) NOT NULL,
    capacidad_pasajeros INT NOT NULL
);

-- Crear la tabla Pasajero
CREATE TABLE Pasajero (
    pasajero_id SERIAL PRIMARY KEY,
    nombre VARCHAR(255) NOT NULL,
    apellido VARCHAR(255) NOT NULL,
    edad INT
);

-- Crear la tabla Trayecto
CREATE TABLE Trayecto (
    trayecto_id SERIAL PRIMARY KEY,
    origen_estacion_id INT REFERENCES Estacion(estacion_id),
    destino_estacion_id INT REFERENCES Estacion(estacion_id),
    distancia_km DECIMAL(10, 2) NOT NULL
);

-- Crear la tabla Viaje
CREATE TABLE Viaje (
    viaje_id SERIAL PRIMARY KEY,
    tren_id INT REFERENCES Tren(tren_id),
    pasajero_id INT REFERENCES Pasajero(pasajero_id),
    trayecto_id INT REFERENCES Trayecto(trayecto_id),
    fecha_hora_salida TIMESTAMP NOT NULL,
    fecha_hora_llegada TIMESTAMP NOT NULL,
    precio DECIMAL(10, 2) NOT NULL
);

Puedes emplear herramientas de IA o modelos de lenguaje natural para asistir en la creación de consultas, incluso cuando estas sean de alta complejidad. Aunque no siempre arrojan un resultado final, sí proporcionan una base sobre la cual construir y avanzar.

Tanto GitHub Copilot como ChatGPT pueden ser herramientas útiles para generar consultas SQL, pero lo hacen de diferentes maneras. Aquí te muestro cómo puedes usarlas en conjunto para obtener lo mejor de ambas: \### 1. \*\*Uso de GitHub Copilot para SQL\*\*: GitHub Copilot funciona dentro de tu entorno de desarrollo (por ejemplo, VS Code) y sugiere código en tiempo real mientras escribes. Al trabajar con SQL, Copilot puede sugerir consultas basadas en el contexto de tu código. \#### Ejemplo: Cuando estás creando una tabla o escribiendo una consulta, Copilot puede completar automáticamente las instrucciones SQL. Si estás en un archivo `.sql` y empiezas a escribir `SELECT`, Copilot puede sugerir algo como: ```sql SELECT \* FROM orders WHERE created\_at > NOW() - INTERVAL '30 days'; ``` \### Ventajas de GitHub Copilot: \- \*\*Sugerencias rápidas y contextuales\*\*: Copilot puede adivinar lo que necesitas en función de tu código actual. \- \*\*Integración fluida\*\*: Funciona dentro de tu IDE, lo que te permite trabajar sin interrupciones. \- \*\*Autocompletado\*\*: Sugiere consultas y estructuras de tablas basadas en tus necesidades. \### 2. \*\*Uso de ChatGPT para SQL\*\*: ChatGPT es excelente cuando necesitas entender, refinar o generar consultas más complejas desde cero. También puede explicarte el propósito de una consulta o sugerirte optimizaciones. \#### Ejemplo: Si tienes un caso más específico, como querer optimizar una consulta SQL o crear una relación compleja entre varias tablas, puedes preguntarle a ChatGPT algo como: ```sql \-- ¿Cómo puedo optimizar esta consulta para que sea más rápida? SELECT p.product\_name, SUM(od.quantity) FROM orders o JOIN orders\_detail od ON o.id = od.order\_id JOIN product p ON od.product\_id = p.id GROUP BY p.product\_name; ``` Y ChatGPT podría sugerirte cosas como: \- Crear índices en las columnas que se usan en las uniones (`JOIN`) o en las cláusulas `WHERE`. \- Agregar índices compuestos en las columnas más consultadas. \- Reestructurar la consulta para mejorar el rendimiento. \### Ventajas de ChatGPT: \- \*\*Explicaciones y soporte\*\*: ChatGPT puede explicarte por qué una consulta funciona de una manera determinada y cómo mejorarla. \- \*\*Generación de consultas desde cero\*\*: Puedes pedirle a ChatGPT que genere consultas o procedimientos almacenados sin escribir nada. \- \*\*Optimización\*\*: ChatGPT puede sugerir mejoras en rendimiento o estructura de datos. \### Ejemplo de uso combinado: 1\. \*\*Escribiendo SQL con Copilot\*\*: \- Empiezas escribiendo la estructura básica de la consulta o tabla. \- GitHub Copilot sugiere automáticamente la sintaxis SQL. 2\. \*\*Refinando y optimizando con ChatGPT\*\*: \- Tomas la consulta generada por Copilot y la ingresas en ChatGPT para pedir optimizaciones, sugerencias de índices, o explicaciones. \- ChatGPT te da una respuesta detallada para ajustar o mejorar la consulta. \### Resumen: \- \*\*GitHub Copilot\*\* es más rápido para generar código SQL en tiempo real dentro de tu IDE, especialmente útil para escribir consultas simples o estructuras básicas de tablas. \- \*\*ChatGPT\*\* te permite obtener explicaciones, sugerencias de optimización, y consultas más avanzadas que Copilot quizás no sugiere automáticamente. Usar ambos en conjunto es una forma poderosa de mejorar tu flujo de trabajo con SQL.

Es nuestra responsabilidad comprender la mejor manera de crear una consulta (query).

Pueden conultar mi tutorial \[de Como ser Prompt Engineering]\(https://freddy875.github.io/TrentSteel/)

Pienso que al igual que al igual que en la Prompt Engieneering, tienes que refinar tus prompt en cada iteración hasta llegar a uno que más se acerque a lo que quieres, es decir, puedes aprender usando tecnicas de Prompt Engineering y cuando aprendar a proceso que se repitan puedas automatizarlos tambien con ChatGPT y hacer varias prompts hasta obtener uno que te ayude a generar tus conusltas.

Impresionante

Es esencial poseer conocimientos adecuados en bases de datos para evaluar si el código que está generando será efectivo para cumplir con tus objetivos.

Los modelos de lenguaje natural no tienen conocimiento previo sobre las tablas, columnas ni su estructura de referencia; es necesario proporcionarles esta información de manera explícita.

Realizar consultas a bases de datos es una de las actividades más frecuentes en el ámbito de la Ingeniería de Datos y la Ciencia de Datos, y esta labor puede optimizarse mediante el uso de la inteligencia artificial.