KKC_0236 | KI für DBAs: SQL-Automatisierung Aufbaukurs

Dieses Seminar richtet sich an erfahrene Datenbank-Administratoren, die KI nicht als Spielerei, sondern als Werkzeug für verlässliche SQL-Automatisierung einsetzen wollen. Sie arbeiten mit typischen DBA-Szenarien: Performance-Probleme unter Zeitdruck, uneinheitliche SQL-Qualität in Teams, wiederkehrende Health-Checks und riskante Changes in Wartungsfenstern. Im Kurs entwickeln Sie Prompt-Templates, die nicht nur SQL erzeugen, sondern eine Begründung, Risiken, Alternativen und einen Rollback-Plan erzwingen.

Sie lernen, welche Kontextdaten LLMs wirklich brauchen, etwa Schema-Infos, Indizes, Statistiken und Workload-Hinweise, und wie Sie diese Informationen so bereitstellen, dass keine sensiblen Daten unnötig abfließen. Ein Schwerpunkt ist die Plan- und Performance-Analyse: Sie lassen EXPLAIN-Ausgaben strukturieren, erkennen typische Fehlinterpretationen und nutzen KI als Sparringspartner, um Hypothesen zu bilden und gezielt zu verifizieren. Danach geht es in die Umsetzung als Workflow: Runbooks als Code, automatisierte Pre- und Postchecks, Approval-Gates und klare Verantwortlichkeiten.

Sie bauen Sicherheitsnetze wie Read-only-Modi, Scope-Begrenzungen, Row-Limits und Policies, damit generiertes SQL kontrollierbar bleibt. Abschließend setzen Sie RAG ein, um interne DBA-Standards und Runbooks in einen Copilot zu integrieren, der Antworten mit Quellen liefert und damit auditierbar bleibt.

• Sie entwickeln Prompt-Templates für verlässliche SQL-Automatisierung.
• Sie nutzen KI für Begründungen, Risikoanalysen, Alternativen und Rollback-Pläne.
• Sie stellen Kontextdaten wie Schema, Indizes und Workload-Hinweise strukturiert bereit.
• Sie analysieren EXPLAIN-Ausgaben und Performance-Hypothesen mit KI-Unterstützung.
• Sie berücksichtigen Datenschutz und Vermeidung unnötiger Datenabflüsse.
• Sie übertragen KI-gestützte SQL-Workflows auf typische DBA-Szenarien.

Das Seminar richtet sich an erfahrene Datenbank-Administratorinnen und Datenbank-Administratoren, Datenbankentwickler/innen und IT-Fachkräfte, die KI kontrolliert für SQL-Automatisierung und Performance-Analyse einsetzen möchten.

• Sehr gute SQL-Kenntnisse und praktische Erfahrung mit Performance-Analyse (z. B. EXPLAIN/Query Plan).
• Grundverständnis von Change-Management, Rollen/Rechten und Testumgebungen.

• LLMs im DBA-Alltag: Wo sie wirklich helfen
  • Use-Cases: Tuning, Incident-Analyse, Release-Checks
  • Grenzen, Risiken, typische Fehlmuster von LLMs
  • Arbeitsmodus: Vorschlag, Review, Ausführung, Audit
• Prompting für SQL, das du verantworten kannst
  • Prompt-Templates für SELECT, DDL, DML und Migrationen
  • Kontext richtig geben: Schema, Indizes, Statistiken, Workload
  • Antworten erzwingen: Explain, Risiken, Rollback
• Plan- und Performance-Analyse mit KI
  • EXPLAIN/Query Plan lesen lassen, aber richtig
  • Index-Vorschläge prüfen: Nutzen, Kosten, Nebenwirkungen
  • Regressions erkennen: Parameter, Cardinality, Skew
• Automatisierung: Von Chat zu Workflow
  • Runbooks als Code: Schritte, Preconditions, Postchecks
  • SQL-Checks automatisieren: Health, Drift, Permissions
  • Change-Automation mit Approval-Gates
• Qualitätssicherung für generiertes SQL
  • Safety-Checks: Read-only, Schema-Scope, Row-Limits
  • Teststrategie: Staging, Shadow-Queries, Canary
  • Validierung mit Linting, Policies und Review-Regeln
• Security, Compliance und Datenschutz
  • Redaction und Minimierung von Prompt-Daten
  • Secrets-Handling, Zugriffskonzepte, Rollenmodelle
  • Audit-Trails: Nachvollziehbarkeit von KI-Vorschlägen
• Eigene DBA-Copilots: RAG für Doku und Standards
  • RAG-Grundlagen: Retrieval, Chunking, Embeddings
  • Wissensquellen: Runbooks, Postmortems, Guidelines
  • Antworten mit Quellen, Versionierung und Gültigkeit