feat(ai-chat): Add SQL query field for comparison

In order to compare the (not yet implemented) SQL query generated by
the LLM with an actual query, another text field was added that parses
the query to `pyodbc`, which connects to our database, stores the
resulting rows in a `pandas` dataframe and then visualizes it as a table
in plotly dash.

The SQL functionalities are implemented in the `sql_utils.py` module.

Additionally, some minor updates to the overall behavior and layout of
the app were implemented.

app/data_chat.py

@@ -26,10 +26,33 @@ def send_message(message: str) -> str:
     str
         The content of the assistant's response message.
     """
+    system_message = """
+    Du bist ein hilfsbereiter, fröhlicher Datenbankassistent.
+    Verwende beim Erstellen Ihrer Antworten das folgende Datenbankschema:
+
+    MEIN_DATENBANKSCHEMA
+
+    Füge Spaltenüberschriften in die Abfrageergebnisse ein.
+
+    Gib deine Antwort immer im folgenden JSON-Format an:
+
+    JSON FORMAT
+
+    Gib NUR JSON aus.
+    Ersetze in der vorangehenden JSON-Antwort "your-query" durch die Microsoft SQL Server Query,
+    um die angeforderten Daten abzurufen.
+    Ersetze in der vorangehenden JSON-Antwort "your-summary" durch eine Zusammenfassung der Abfrage.
+    Gib immer alle Spalten der Tabelle an.
+    Wenn die resultierende Abfrage nicht ausführbar ist, ersetze "your-query“ durch NA, aber ersetze
+    trotzdem "your-query" durch eine Zusammenfassung der Abfrage.
+    Verwende KEINE MySQL-Syntax.
+    Begrenze die SQL-Abfrage immer auf 100 Zeilen.
+    """
+    system_message = "Du bist ein hilfreicher Assistent."
     response = client.chat.completions.create(
         model=deployment_name,
         messages=[
-            {"role": "system", "content": "Du bist ein hilfreicher Assistent."},
+            {"role": "system", "content": system_message},
             {"role": "user", "content": message},
         ],
     )