ចម្លើយខ្លី៖ បញ្ញាសិប្បនិម្មិត (AI) នឹងមិនជំនួសវិស្វករទិន្នន័យទាំងស្រុងនោះទេ។ វានឹងធ្វើស្វ័យប្រវត្តិកម្មការងារដដែលៗដូចជាការព្រាង SQL ការរៀបចំរចនាសម្ព័ន្ធបំពង់បង្ហូរទិន្នន័យ ការធ្វើតេស្ត និងឯកសារ។ ប្រសិនបើតួនាទីរបស់អ្នកភាគច្រើនជាការងារដែលមានម្ចាស់ទាប និងជំរុញដោយសំបុត្រ វានឹងកាន់តែបង្ហាញឱ្យឃើញ។ ប្រសិនបើអ្នកជាម្ចាស់នៃភាពជឿជាក់ និយមន័យ អភិបាលកិច្ច និងការឆ្លើយតបទៅនឹងឧប្បត្តិហេតុ បញ្ញាសិប្បនិម្មិត (AI) ភាគច្រើនធ្វើឱ្យអ្នកលឿនជាងមុន។
ចំណុចសំខាន់ៗ៖
ភាពជាម្ចាស់៖ ផ្តល់អាទិភាពដល់ការទទួលខុសត្រូវចំពោះលទ្ធផល មិនមែនគ្រាន់តែបង្កើតកូដបានលឿននោះទេ។
គុណភាព៖ បង្កើតការធ្វើតេស្ត ភាពអាចសង្កេតបាន និងកិច្ចសន្យា ដើម្បីឱ្យបំពង់បង្ហូរប្រេងនៅតែគួរឱ្យទុកចិត្ត។
អភិបាលកិច្ច៖ រក្សាភាពឯកជន ការគ្រប់គ្រងការចូលប្រើ ការរក្សាទុក និងផ្លូវសវនកម្មដែលជាកម្មសិទ្ធិរបស់មនុស្ស។
ភាពធន់នឹងការប្រើប្រាស់ខុស៖ ចាត់ទុកលទ្ធផល AI ជាសេចក្តីព្រាង។ ពិនិត្យមើលពួកវាឡើងវិញ ដើម្បីជៀសវាងការខុសឆ្គងដោយទំនុកចិត្ត។
ការផ្លាស់ប្តូរតួនាទី៖ ចំណាយពេលតិចក្នុងការវាយអក្សរគំរូដើម និងចំណាយពេលច្រើនក្នុងការរចនាប្រព័ន្ធប្រើប្រាស់បានយូរ។
ប្រសិនបើអ្នកបានចំណាយពេលលើសពីប្រាំនាទីនៅជុំវិញក្រុមទិន្នន័យ អ្នកប្រហែលជាបានលឺឃ្លាដដែលៗ - ពេលខ្លះខ្សឹបខ្សៀវ ពេលខ្លះបានចាប់ផ្តើមនៅទូទាំងកិច្ចប្រជុំដូចជាការបង្វែរគ្រោង៖ តើ AI នឹងជំនួសវិស្វករទិន្នន័យដែរឬទេ?
ហើយ… ខ្ញុំយល់ហើយ។ AI អាចបង្កើត SQL បង្កើតបំពង់បង្ហូរទិន្នន័យ ពន្យល់ពី stack traces ព្រាងគំរូ dbt ថែមទាំងណែនាំគ្រោងការណ៍ឃ្លាំងដោយមានទំនុកចិត្តមិនច្បាស់លាស់។ GitHub Copilot សម្រាប់ SQL អំពីគំរូ dbt GitHub Copilot
វាមានអារម្មណ៍ដូចជាមើលរថយន្ត forklift រៀនលេងល្បិច។ គួរឱ្យចាប់អារម្មណ៍ គួរឱ្យព្រួយបារម្ភបន្តិច ហើយអ្នកមិនប្រាកដច្បាស់ពីអត្ថន័យរបស់វាសម្រាប់ការងាររបស់អ្នកទេ 😅
ប៉ុន្តែការពិតគឺមិនសូវស្អាតដូចចំណងជើងនោះទេ។ បញ្ញាសិប្បនិម្មិត (AI) កំពុងតែផ្លាស់ប្តូរវិស្វកម្មទិន្នន័យទាំងស្រុង។ វាកំពុងធ្វើស្វ័យប្រវត្តិកម្មផ្នែកដែលគួរឱ្យធុញ និងអាចធ្វើម្តងទៀតបាន។ វាកំពុងបង្កើនល្បឿននៃគ្រា "ខ្ញុំដឹងពីអ្វីដែលខ្ញុំចង់បាន ប៉ុន្តែមិនអាចចាំវាក្យសម្ព័ន្ធ"។ វាក៏កំពុងបង្កើតភាពវឹកវរប្រភេទថ្មីស្រឡាងផងដែរ។.
ដូច្នេះសូមឱ្យយើងរៀបចំវាឱ្យបានត្រឹមត្រូវ ដោយគ្មានសុទិដ្ឋិនិយមរលកដោយដៃ ឬការភ័យស្លន់ស្លោដូចការរមូរចុះឡើងនោះទេ។.
អត្ថបទដែលអ្នកប្រហែលជាចង់អានបន្ទាប់ពីអត្ថបទនេះ៖
🔗 តើ AI នឹងជំនួសអ្នកជំនាញខាងវិទ្យុសកម្មដែរឬទេ?
របៀបដែល AI ក្នុងការថតរូបភាពផ្លាស់ប្តូរដំណើរការការងារ ភាពត្រឹមត្រូវ និងតួនាទីនាពេលអនាគត។.
🔗 តើ AI នឹងជំនួសគណនេយ្យករដែរឬទេ?
សូមមើលថាតើកិច្ចការគណនេយ្យណាខ្លះដែល AI ធ្វើស្វ័យប្រវត្តិកម្ម និងកិច្ចការអ្វីខ្លះដែលនៅតែជាមនុស្ស។.
🔗 តើ AI នឹងជំនួសធនាគារិកវិនិយោគដែរឬទេ?
ស្វែងយល់ពីផលប៉ះពាល់របស់ AI ទៅលើកិច្ចព្រមព្រៀង ការស្រាវជ្រាវ និងទំនាក់ទំនងអតិថិជន។.
🔗 តើ AI នឹងជំនួសភ្នាក់ងារធានារ៉ាប់រងដែរឬទេ?
ស្វែងយល់ពីរបៀបដែល AI ផ្លាស់ប្តូរការធានារ៉ាប់រង ការលក់ និងការគាំទ្រអតិថិជន។.
ហេតុអ្វីបានជាសំណួរ “AI ជំនួសវិស្វករទិន្នន័យ” នៅតែលេចឡើងម្តងទៀត 😬
ការភ័យខ្លាចនេះកើតចេញពីកន្លែងជាក់លាក់មួយ៖ វិស្វកម្មទិន្នន័យមានការងារជាច្រើនដែលអាចធ្វើម្តងទៀតបាន។
-
ការសរសេរ និងការរៀបចំ SQL ឡើងវិញ
-
កំពុងបង្កើតស្គ្រីបសម្រាប់បញ្ចូលទិន្នន័យ
-
ការគូសផែនទីវាលពីគ្រោងការណ៍មួយទៅគ្រោងការណ៍មួយទៀត
-
ការបង្កើតការធ្វើតេស្ត និងឯកសារមូលដ្ឋាន
-
ការបំបាត់កំហុសបំពង់បង្ហូរប្រេងដែល… អាចទស្សន៍ទាយបាន
បញ្ញាសិប្បនិម្មិត (AI) ពូកែខាងលំនាំដែលអាចធ្វើម្តងទៀតបានមិនធម្មតា។ ហើយផ្នែកមួយនៃវិស្វកម្មទិន្នន័យគឺដូចគ្នាបេះបិទ - លំនាំដែលដាក់ជង់លើលំនាំ។ ការណែនាំកូដ GitHub Copilot
ម្យ៉ាងទៀត ប្រព័ន្ធអេកូឡូស៊ីឧបករណ៍កំពុង "លាក់បាំង" ភាពស្មុគស្មាញរួចទៅហើយ៖
-
ឧបករណ៍ភ្ជាប់ ELT ដែលគ្រប់គ្រង ឯកសារ Fivetran
-
ការគណនាដោយគ្មានម៉ាស៊ីនមេ AWS Lambda (ការគណនាដោយគ្មានម៉ាស៊ីនមេ)
-
ការផ្គត់ផ្គង់ឃ្លាំងដោយចុចតែម្តង
-
ឯកសារ Apache Airflow សម្រាប់ការរៀបចំធ្វើមាត្រដ្ឋានដោយស្វ័យប្រវត្តិ
-
ក្របខ័ណ្ឌបំលែងប្រកាស តើ dbt ជាអ្វី?
ដូច្នេះនៅពេលដែល AI លេចឡើង វាអាចមានអារម្មណ៍ដូចជាបំណែកចុងក្រោយ។ ប្រសិនបើជង់ត្រូវបានសង្ខេបរួចហើយ ហើយ AI អាចសរសេរកូដស្អិត… តើនៅសល់អ្វីទៀត? 🤷
ប៉ុន្តែនេះជាអ្វីដែលមនុស្សមើលរំលង៖ វិស្វកម្មទិន្នន័យមិនមែនជាការវាយអក្សរជាចម្បងនោះទេ។ ការវាយអក្សរគឺជាផ្នែកងាយស្រួល។ ផ្នែកដែលពិបាកគឺការធ្វើឱ្យការពិតអាជីវកម្មដែលមិនច្បាស់លាស់ នយោបាយ និងផ្លាស់ប្តូរមានឥរិយាបទដូចជាប្រព័ន្ធដែលអាចទុកចិត្តបាន។
ហើយ AI នៅតែតស៊ូជាមួយនឹងភាពមិនច្បាស់លាស់នោះ។ មនុស្សក៏តស៊ូដែរ - ពួកគេគ្រាន់តែកែលម្អឱ្យកាន់តែប្រសើរឡើង។.
អ្វីដែលវិស្វករទិន្នន័យពិតជាធ្វើពេញមួយថ្ងៃ (ការពិតដែលមិនគួរឱ្យចាប់អារម្មណ៍) 🧱
ចូរនិយាយដោយត្រង់ទៅ - ចំណងជើងការងារ "វិស្វករទិន្នន័យ" ស្តាប់ទៅដូចជាអ្នកកំពុងសាងសង់ម៉ាស៊ីនរ៉ុក្កែតចេញពីគណិតវិទ្យាសុទ្ធសាធ។ នៅក្នុងការអនុវត្ត អ្នកកំពុងកសាង ទំនុកចិត្ត។
ថ្ងៃធម្មតាមួយគឺតិចជាង "បង្កើតក្បួនដោះស្រាយថ្មី" និងច្រើនជាងនេះ៖
-
ការចរចាជាមួយក្រុមខាងលើអំពីនិយមន័យទិន្នន័យ (ឈឺចាប់ប៉ុន្តែចាំបាច់)
-
ការស៊ើបអង្កេតមូលហេតុដែលម៉ែត្រមួយបានផ្លាស់ប្តូរ (និងថាតើវាជាការពិតឬអត់)
-
ការដោះស្រាយភាពរសាត់នៃគ្រោងការណ៍ និងការភ្ញាក់ផ្អើល "មាននរណាម្នាក់បានបន្ថែមជួរឈរនៅពាក់កណ្តាលអធ្រាត្រ"
-
ធានាថាបំពង់បង្ហូរប្រេងមានសមត្ថភាពដូចគ្នា អាចស្តារឡើងវិញបាន និងអាចសង្កេតឃើញបាន
-
ការបង្កើតរបាំងការពារដើម្បីកុំឱ្យអ្នកវិភាគផ្នែកខាងក្រោមបង្កើតផ្ទាំងគ្រប់គ្រងដែលមិនសមហេតុផលដោយចៃដន្យ
-
ការគ្រប់គ្រងថ្លៃដើម ដើម្បីកុំឱ្យឃ្លាំងរបស់អ្នកប្រែក្លាយទៅជាភ្លើងឆេះលុយ 🔥
-
ការធានាសុវត្ថិភាពនៃការចូលប្រើប្រាស់ ការធ្វើសវនកម្ម ការអនុលោមតាម និងការរក្សាទុក គោលការណ៍ GDPR (គណៈកម្មការអឺរ៉ុប) ការកំណត់ការផ្ទុក (ICO)
-
ការកសាងផលិតផលទិន្នន័យដែលមនុស្សអាចប្រើប្រាស់បានដោយមិនចាំបាច់ផ្ញើសារ DM ទៅកាន់អ្នក 20 សំណួរ
ផ្នែកធំមួយនៃការងារគឺសង្គម និងប្រតិបត្តិការ៖
-
«អ្នកណាជាម្ចាស់តុនេះ?»
-
«តើនិយមន័យនេះនៅតែមានសុពលភាពទេ?»
-
ហេតុអ្វីបានជា CRM នាំចេញឯកសារស្ទួន?
-
«តើយើងអាចផ្ញើរង្វាស់នេះទៅនាយកប្រតិបត្តិដោយមិនខ្មាស់អៀនបានទេ?» 😭
ពិតណាស់ បញ្ញាសិប្បនិម្មិត (AI) អាចជួយផ្នែកខ្លះនៃរឿងនេះបាន។ ប៉ុន្តែការជំនួសវាទាំងស្រុងគឺ… ជាការលំបាកមួយ។.
តើអ្វីទៅដែលធ្វើឱ្យតួនាទីវិស្វកម្មទិន្នន័យមានភាពរឹងមាំ? ✅
ផ្នែកនេះមានសារៈសំខាន់ ពីព្រោះការនិយាយអំពីការជំនួសជាធម្មតាសន្មតថាវិស្វករទិន្នន័យភាគច្រើនជា "អ្នកសាងសង់បំពង់បង្ហូរប្រេង"។ នោះដូចជាការសន្មតថាចុងភៅភាគច្រើនជា "អ្នកចិញ្ច្រាំបន្លែ"។ វាជាផ្នែកមួយនៃការងារ ប៉ុន្តែវាមិនមែនជាការងារនោះទេ។.
កំណែ ដ៏រឹងមាំរបស់វិស្វករទិន្នន័យ ជាធម្មតាមានន័យថាពួកគេអាចធ្វើរឿងភាគច្រើនទាំងនេះ៖
-
រចនាសម្រាប់ការផ្លាស់ប្តូរ
ទិន្នន័យផ្លាស់ប្តូរ។ ក្រុមផ្លាស់ប្តូរ។ ឧបករណ៍ផ្លាស់ប្តូរ។ វិស្វករល្អបង្កើតប្រព័ន្ធដែលមិនដួលរលំរាល់ពេលដែលការពិតកណ្តាស់ 🤧 -
កំណត់កិច្ចសន្យា និងការរំពឹងទុក
តើពាក្យ «អតិថិជន» មានន័យដូចម្តេច? តើពាក្យ «សកម្ម» មានន័យដូចម្តេច? តើមានអ្វីកើតឡើងនៅពេលដែលការចរចាមកដល់យឺត? កិច្ចសន្យាការពារភាពវឹកវរបានច្រើនជាងកូដទំនើបៗ។ ស្តង់ដារកិច្ចសន្យាទិន្នន័យបើកចំហ (ODCS) ODCS (GitHub) -
កសាងសមត្ថភាពសង្កេតទៅក្នុងអ្វីៗគ្រប់យ៉ាង
មិនត្រឹមតែ "តើវាដំណើរការទេ" ទេ ប៉ុន្តែ "តើវាដំណើរការត្រឹមត្រូវទេ"។ ភាពស្រស់ថ្លា ភាពមិនប្រក្រតីនៃបរិមាណ ការផ្ទុះសូន្យ ការផ្លាស់ប្តូរការចែកចាយ។ សមត្ថភាពសង្កេតទិន្នន័យ (Dynatrace) តើសមត្ថភាពសង្កេតទិន្នន័យជាអ្វី? -
ធ្វើការសម្របសម្រួលដូចជាមនុស្សពេញវ័យ
ល្បឿនទល់នឹងភាពត្រឹមត្រូវ តម្លៃទល់នឹងភាពយឺតយ៉ាវ ភាពបត់បែនទល់នឹងភាពសាមញ្ញ។ មិនមានបំពង់បង្ហូរប្រេងដ៏ល្អឥតខ្ចោះទេ មានតែបំពង់បង្ហូរប្រេងដែលអ្នកអាចរស់នៅជាមួយបាន។ -
បកប្រែតម្រូវការអាជីវកម្មទៅជាប្រព័ន្ធប្រើប្រាស់បានយូរ
មនុស្សស្នើសុំម៉ែត្រិច ប៉ុន្តែអ្វីដែលពួកគេត្រូវការគឺផលិតផលទិន្នន័យ។ បញ្ញាសិប្បនិម្មិតអាចព្រាងកូដបាន ប៉ុន្តែវាមិនអាចដឹងពីមីនអាជីវកម្មដោយអព្ភូតហេតុបានទេ។ -
រក្សាទិន្នន័យឱ្យស្ងាត់
ការសរសើរខ្ពស់បំផុតសម្រាប់វេទិកាទិន្នន័យគឺថាគ្មាននរណាម្នាក់និយាយអំពីវាទេ។ ទិន្នន័យដែលមិនមានព្រឹត្តិការណ៍គឺជាទិន្នន័យល្អ។ ដូចជាបំពង់ទឹកដែរ។ អ្នកសម្គាល់ឃើញវាតែនៅពេលដែលវាខូចប៉ុណ្ណោះ 🚽
ប្រសិនបើអ្នកកំពុងធ្វើរឿងទាំងនេះ សំណួរដែលថា "តើ AI នឹងជំនួសវិស្វករទិន្នន័យដែរឬទេ?" ចាប់ផ្តើមស្តាប់ទៅ… មិនសូវច្បាស់។ AI អាចជំនួស ភារកិច្ចមិនមែន ជំនួសកម្មសិទ្ធិនោះ។
កន្លែងដែល AI កំពុងជួយវិស្វករទិន្នន័យរួចហើយ (ហើយវាពិតជាអស្ចារ្យណាស់) 🤖✨
បញ្ញាសិប្បនិម្មិត (AI) មិនមែនគ្រាន់តែជាការធ្វើទីផ្សារនោះទេ។ ប្រសិនបើប្រើប្រាស់បានល្អ វាគឺជាកត្តាជំរុញដ៏ស្របច្បាប់មួយ។.
១) ការងារ SQL និងការផ្លាស់ប្តូរលឿនជាងមុន
-
ការរៀបចំការតភ្ជាប់ស្មុគស្មាញ
-
ការសរសេរមុខងារបង្អួចដែលអ្នកមិនចង់គិតដល់
-
ការប្រែក្លាយតក្កវិជ្ជាភាសាសាមញ្ញទៅជាគ្រោងសំណួរ
-
ការរៀបចំសំណួរមិនល្អឡើងវិញទៅជា CTE ដែលអាចអានបាន GitHub Copilot សម្រាប់ SQL
នេះជារឿងធំណាស់ព្រោះវាកាត់បន្ថយឥទ្ធិពល "ទំព័រទទេ"។ អ្នកនៅតែត្រូវការផ្ទៀងផ្ទាត់ ប៉ុន្តែអ្នកចាប់ផ្តើមពី 70% ជំនួសឲ្យ 0%។.
២) ការបំបាត់កំហុស និងការកំណត់មូលហេតុចម្បង
AI មានលក្ខណៈល្អនៅចំណុចដូចខាងក្រោម៖
-
ការពន្យល់អំពីសារកំហុស
-
ណែនាំកន្លែងដែលត្រូវរកមើល
-
ការណែនាំអំពីជំហានប្រភេទ "ពិនិត្យមើលភាពមិនស៊ីគ្នានៃគ្រោងការណ៍" GitHub Copilot
វាដូចជាមានវិស្វករថ្នាក់ក្រោមដែលមិនចេះនឿយហត់ដែលមិនដែលដេកលក់ ហើយពេលខ្លះកុហកដោយទំនុកចិត្ត 😅
៣) ការបង្កើនគុណភាពឯកសារ និងកាតាឡុកទិន្នន័យ
បង្កើតដោយស្វ័យប្រវត្តិ៖
-
ការពិពណ៌នាអំពីជួរឈរ
-
សេចក្តីសង្ខេបគំរូ
-
ការពន្យល់អំពីពូជពង្ស
-
"តើតារាងនេះត្រូវបានប្រើសម្រាប់អ្វី?" សេចក្តីព្រាង ឯកសារ dbt
វាមិនល្អឥតខ្ចោះទេ ប៉ុន្តែវាបំបែកបណ្តាសានៃបំពង់បង្ហូរប្រេងដែលគ្មានឯកសារ។.
៤) សាកល្បងរន្ទា និងការត្រួតពិនិត្យ
AI អាចស្នើ៖
-
ការធ្វើតេស្តទទេជាមូលដ្ឋាន
-
ការត្រួតពិនិត្យភាពប្លែក
-
គំនិតនៃភាពសុចរិតយោង
-
ការអះអាងរចនាប័ទ្ម "ម៉ែត្រនេះមិនគួរថយចុះឡើយ" ការធ្វើតេស្តទិន្នន័យ dbt ការរំពឹងទុកដ៏អស្ចារ្យ៖ ការរំពឹងទុក
ជាថ្មីម្តងទៀត - អ្នកនៅតែសម្រេចចិត្តថាអ្វីជារឿងសំខាន់ ប៉ុន្តែវាជួយពន្លឿនដំណើរការធម្មតា។.
៥) លេខកូដ "កាវ" បំពង់បង្ហូរប្រេង
គំរូកំណត់រចនាសម្ព័ន្ធ, ស្កែន YAML, សេចក្តីព្រាង DAG orchestration។ របស់ទាំងនោះត្រូវបានធ្វើម្តងទៀត ហើយ AI ស៊ីរបស់ដដែលៗសម្រាប់អាហារពេលព្រឹក 🥣 Apache Airflow DAGs
កន្លែងដែល AI នៅតែជួបការលំបាក (ហើយនេះគឺជាស្នូលរបស់វា) 🧠🧩
នេះជាផ្នែកដែលសំខាន់បំផុត ពីព្រោះវាឆ្លើយសំណួរជំនួសដោយវាយនភាពពិត។.
១) ភាពមិនច្បាស់លាស់ និងនិយមន័យដែលផ្លាស់ប្តូរ
តក្កវិជ្ជាអាជីវកម្មកម្រនឹងច្បាស់លាស់ណាស់។ មនុស្សផ្លាស់ប្តូរគំនិតរបស់ពួកគេនៅពាក់កណ្តាលប្រយោគ។ “អ្នកប្រើប្រាស់សកម្ម” ក្លាយជា “អ្នកប្រើប្រាស់បង់ប្រាក់សកម្ម” ក្លាយជា “អ្នកប្រើប្រាស់បង់ប្រាក់សកម្មដោយមិនរាប់បញ្ចូលការសងប្រាក់វិញលើកលែងតែពេលខ្លះ”... អ្នកដឹងហើយថាវាយ៉ាងម៉េច។.
បញ្ញាសិប្បនិម្មិត (AI) មិនអាចទទួលយកភាពមិនច្បាស់លាស់នោះបានទេ។ វាអាចទាយបានតែប៉ុណ្ណឹង។.
២) ការទទួលខុសត្រូវ និងហានិភ័យ
នៅពេលដែលបំពង់បង្ហូរប្រេងខូច ហើយផ្ទាំងគ្រប់គ្រង exec បង្ហាញភាពមិនសមហេតុផល នរណាម្នាក់ត្រូវតែ៖
-
ការជ្រើសរើស
-
ទំនាក់ទំនងផលប៉ះពាល់
-
ជួសជុលវា
-
ការពារការកើតឡើងវិញ
-
សរសេរសេចក្ដីស្លាប់ក្រោយពេលស្លាប់
-
សម្រេចចិត្តថាតើអាជីវកម្មនៅតែអាចទុកចិត្តលើតួលេខសប្តាហ៍មុនបានដែរឬទេ
បញ្ញាសិប្បនិម្មិតអាចជួយបាន ប៉ុន្តែវាមិនអាចទទួលខុសត្រូវតាមរបៀបដែលមានអត្ថន័យបានទេ។ អង្គការនានាមិនដំណើរការដោយភាពរស់រវើកទេ - ពួកគេដំណើរការដោយការទទួលខុសត្រូវ។.
៣) ការគិតជាប្រព័ន្ធ
វេទិកាទិន្នន័យគឺជាប្រព័ន្ធអេកូឡូស៊ី៖ ការទទួលទាន ការផ្ទុក ការបំលែង ការរៀបចំ ការគ្រប់គ្រង ការគ្រប់គ្រងថ្លៃដើម និង SLA។ ការផ្លាស់ប្តូរនៅក្នុងស្រទាប់តែមួយនៃរលក។ គោលគំនិតនៃលំហូរខ្យល់ Apache
បញ្ញាសិប្បនិម្មិត (AI) អាចស្នើឡើងនូវការបង្កើនប្រសិទ្ធភាពក្នុងស្រុកដែលបង្កើតការឈឺចាប់ទូទាំងពិភពលោក។ វាដូចជាការជួសជុលទ្វារដែលរោទ៍ដោយដកទ្វារចេញ 😬
៤) សុវត្ថិភាព ភាពឯកជន និងការអនុលោមតាមច្បាប់
នេះជាកន្លែងដែលការស្រមើស្រមៃជំនួសស្លាប់ទៅ។.
-
ការគ្រប់គ្រងការចូលប្រើ
-
សុវត្ថិភាពកម្រិតជួរដេក គោលការណ៍ចូលប្រើជួរដេក Snowflake សុវត្ថិភាពកម្រិតជួរដេក BigQuery
-
ការដោះស្រាយ PII ក្របខ័ណ្ឌឯកជនភាព NIST
-
ច្បាប់រក្សាទុក ការកំណត់ការផ្ទុក (ICO) ការណែនាំរបស់សហភាពអឺរ៉ុបស្តីពីការរក្សាទុក
-
ដានសវនកម្ម NIST SP 800-92 (ការគ្រប់គ្រងកំណត់ហេតុ) CIS Control 8 (ការគ្រប់គ្រងកំណត់ហេតុសវនកម្ម)
-
ការរឹតបន្តឹងលើលំនៅដ្ឋានទិន្នន័យ
បញ្ញាសិប្បនិម្មិត (AI) អាចព្រាងគោលនយោបាយបាន ប៉ុន្តែការអនុវត្តគោលនយោបាយទាំងនោះដោយសុវត្ថិភាពគឺជាវិស្វកម្មពិតប្រាកដ។.
៥) «របស់ដែលមិនស្គាល់»
ឧប្បត្តិហេតុទិន្នន័យច្រើនតែមិនអាចទាយទុកជាមុនបាន៖
-
API អ្នកលក់ផ្លាស់ប្តូរអត្ថន័យដោយស្ងៀមស្ងាត់
-
ការសន្មត់តំបន់ពេលវេលាផ្លាស់ប្តូរ
-
ការបំពេញបន្ថែមចម្លងភាគថាសមួយ
-
យន្តការសាកល្បងឡើងវិញបណ្តាលឱ្យសរសេរពីរដង
-
មុខងារផលិតផលថ្មីមួយណែនាំពីគំរូព្រឹត្តិការណ៍ថ្មីៗ
បញ្ញាសិប្បនិម្មិត (AI) ខ្សោយជាង នៅពេលដែលស្ថានភាពមិនមែនជាគំរូដែលគេស្គាល់។.
តារាងប្រៀបធៀប៖ អ្វីដែលកំពុងកាត់បន្ថយអ្វីដែល នៅក្នុងការអនុវត្តជាក់ស្តែង 🧾🤔
ខាងក្រោមនេះគឺជាទិដ្ឋភាពជាក់ស្តែងមួយ។ មិនមែនជា "ឧបករណ៍ដែលជំនួសមនុស្ស" ទេ ប៉ុន្តែជាឧបករណ៍ និងវិធីសាស្រ្តដែលបង្រួមភារកិច្ចមួយចំនួន។.
| ឧបករណ៍ / វិធីសាស្រ្ត | ទស្សនិកជន | អារម្មណ៍តម្លៃ | ហេតុអ្វីបានជាវាដំណើរការ |
|---|---|---|---|
| អ្នកបើកកូដ AI (ជំនួយការ SQL + Python) GitHub Copilot | វិស្វករដែលសរសេរកូដច្រើន | ឥតគិតថ្លៃពីមួយទៅមួយបង់ប្រាក់ | ពូកែខាង scaffolding, refactors, syntax... ពេលខ្លះអួតខ្លួនក្នុងវិធីជាក់លាក់មួយ |
| ឧបករណ៍ភ្ជាប់ ELT ដែលគ្រប់គ្រងដោយ Fivetran | ក្រុមធុញទ្រាន់នឹងការស្រូបយកអគារ | ការជាវ-y | លុបបំបាត់ការឈឺចាប់ក្នុងការលេបតាមបំណង ប៉ុន្តែបំបែកវាតាមរបៀបថ្មីៗដ៏រីករាយ |
| វេទិកាសង្កេតទិន្នន័យ សមត្ថភាពសង្កេតទិន្នន័យ (Dynatrace) | អ្នកណាដែលជាម្ចាស់ SLA | មធ្យមទៅសហគ្រាស | ចាប់បានភាពមិនប្រក្រតីតាំងពីដំបូង - ដូចជាឧបករណ៍រោទិ៍ផ្សែងសម្រាប់បំពង់បង្ហូរប្រេង 🔔 |
| ក្របខ័ណ្ឌការផ្លាស់ប្តូរ (ការធ្វើគំរូប្រកាស) dbt | ការវិភាគ + DE ចម្រុះ | ជាធម្មតាឧបករណ៍ + កុំព្យូទ័រ | ធ្វើឱ្យតក្កវិជ្ជាម៉ូឌុល និងអាចសាកល្បងបាន ដោយកាត់បន្ថយភាពស្មុគស្មាញ |
| កាតាឡុកទិន្នន័យ + ស្រទាប់ន័យវិទ្យា dbt ស្រទាប់ន័យវិទ្យា | អង្គការដែលមានភាពច្របូកច្របល់នៃម៉ែត្រ | អាស្រ័យ, នៅក្នុងការអនុវត្ត | កំណត់ "សេចក្តីពិត" ម្តង - កាត់បន្ថយការជជែកវែកញែកអំពីរង្វាស់គ្មានទីបញ្ចប់ |
| ការសម្របសម្រួលជាមួយគំរូ Apache Airflow | ក្រុមដែលមានគំនិតផ្តួចផ្តើមលើវេទិកា | ថ្លៃដើមប្រតិបត្តិការ + បើក | ធ្វើឱ្យដំណើរការការងារមានស្តង់ដារ; DAG snowflake តិចជាងមុន |
| ការបង្កើតឯកសារ dbt ដែលដោយមានជំនួយពី AI | ក្រុមដែលស្អប់ការសរសេរឯកសារ | ថោកទៅមធ្យម | បង្កើតឯកសារ "ល្អគ្រប់គ្រាន់" ដើម្បីកុំឱ្យចំណេះដឹងបាត់ទៅវិញ |
| គោលនយោបាយគ្រប់គ្រងដោយស្វ័យប្រវត្តិ ក្របខ័ណ្ឌឯកជនភាព NIST | បរិស្ថានដែលមានបទប្បញ្ញត្តិ | សហគ្រាស-y | ជួយអនុវត្តច្បាប់ - ប៉ុន្តែនៅតែត្រូវការមនុស្សដើម្បីរចនាច្បាប់ |
សូមកត់សម្គាល់អ្វីដែលបាត់៖ ជួរមួយដែលនិយាយថា "ចុចប៊ូតុងដើម្បីដកវិស្វករទិន្នន័យចេញ"។ មែនហើយ… ជួរនោះមិនមានទេ 🙃
ដូច្នេះ… តើ AI នឹងជំនួសវិស្វករទិន្នន័យ ឬគ្រាន់តែផ្លាស់ប្តូរតួនាទី? 🛠️
នេះជាចម្លើយដែលមិនមែនជារឿងធំដុំ៖ បញ្ញាសិប្បនិម្មិត (AI) នឹងជំនួសផ្នែកខ្លះនៃលំហូរការងារ មិនមែនវិជ្ជាជីវៈនោះទេ។
ប៉ុន្តែវា នឹង កំណត់រចនាសម្ព័ន្ធតួនាទីឡើងវិញ។ ហើយប្រសិនបើអ្នកមិនអើពើនឹងរឿងនោះ អ្នកនឹងមានអារម្មណ៍ថាត្រូវបានបង្ខំ។
អ្វីដែលផ្លាស់ប្តូរ៖
-
ចំណាយពេលតិចក្នុងការសរសេរ boilerplate
-
ចំណាយពេលតិចក្នុងការស្វែងរកឯកសារ
-
មានពេលវេលាច្រើនក្នុងការពិនិត្យឡើងវិញ ផ្ទៀងផ្ទាត់ និងរចនា
-
កិច្ចសន្យាដែលកំណត់ពេលវេលា និងការរំពឹងទុកគុណភាពកាន់តែច្រើន ស្តង់ដារកិច្ចសន្យាទិន្នន័យបើកចំហ (ODCS)
-
មានពេលវេលាបន្ថែមទៀតក្នុងការសហការជាមួយផលិតផល សន្តិសុខ និងហិរញ្ញវត្ថុ
នេះគឺជាការផ្លាស់ប្តូរដ៏ស្រទន់៖ វិស្វកម្មទិន្នន័យក្លាយជាមិនសូវសំខាន់អំពី "ការកសាងបំពង់បង្ហូរប្រេង" ទេ ប៉ុន្តែកាន់តែសំខាន់អំពី "ការកសាងប្រព័ន្ធផលិតផលទិន្នន័យដែលអាចទុកចិត្តបាន"។
ហើយក្នុងន័យស្ងប់ស្ងាត់មួយ វាមានតម្លៃជាង មិនមែនតិចជាងនេះទេ។.
ហើយខ្ញុំនឹងនិយាយបែបនេះទោះបីជាវាស្តាប់ទៅគួរឲ្យភ្ញាក់ផ្អើលក៏ដោយ - បញ្ញាសិប្បនិម្មិតបង្កើនចំនួនមនុស្សដែលអាចបង្កើតវត្ថុបុរាណទិន្នន័យដែលបង្កើនតម្រូវការសម្រាប់នរណាម្នាក់ដើម្បីរក្សារឿងទាំងមូលឲ្យមានភាពប្រក្រតី។ ទិន្នផលច្រើនមានន័យថាការភាន់ច្រឡំកាន់តែច្រើន។ GitHub Copilot
វាដូចជាការឲ្យម៉ាស៊ីនខួងអគ្គិសនីដល់មនុស្សគ្រប់គ្នាអញ្ចឹង។ អស្ចារ្យណាស់! ឥឡូវនេះ មាននរណាម្នាក់ត្រូវអនុវត្តច្បាប់ "សូមកុំខួងចូលទៅក្នុងបំពង់ទឹក" 🪠
ជំនាញថ្មីដែលនៅតែមានតម្លៃ (ទោះបីជាមាន AI គ្រប់ទីកន្លែងក៏ដោយ) 🧠⚙️
ប្រសិនបើអ្នកចង់បានបញ្ជីត្រួតពិនិត្យ "ធន់នឹងអនាគត" ជាក់ស្តែង វាមើលទៅដូចនេះ៖
គំនិតនៃការរចនាប្រព័ន្ធ
-
ការធ្វើគំរូទិន្នន័យដែលអាចរស់រានមានជីវិតពីការផ្លាស់ប្តូរ
-
ការសម្របសម្រួលរវាងបាច់ និងស្ទ្រីម
-
ការគិតគូរពីភាពយឺតយ៉ាវ ថ្លៃដើម និងភាពជឿជាក់
វិស្វកម្មគុណភាពទិន្នន័យ
-
កិច្ចសន្យា ការផ្ទៀងផ្ទាត់ ការរកឃើញភាពមិនប្រក្រតី ស្តង់ដារកិច្ចសន្យាទិន្នន័យបើកចំហ (ODCS) សមត្ថភាពសង្កេតទិន្នន័យ (Dynatrace)
-
សេវាធានារ៉ាប់រងការងារ (SLAs), សេវាធានារ៉ាប់រងការងារ (SLOs), ទម្លាប់ឆ្លើយតបនឹងឧប្បត្តិហេតុ
-
ការវិភាគមូលហេតុដើមដោយមានវិន័យ (មិនមែនភាពរំជើបរំជួលទេ)
រចនាសម្ព័ន្ធអភិបាលកិច្ច និងទំនុកចិត្ត
-
លំនាំចូលប្រើ
-
ការត្រួតពិនិត្យ NIST SP 800-92 (ការគ្រប់គ្រងកំណត់ហេតុ)
-
ភាពឯកជនតាមការរចនា ក្របខ័ណ្ឌភាពឯកជន NIST
-
ការគ្រប់គ្រងវដ្តជីវិតទិន្នន័យ ការណែនាំរបស់សហភាពអឺរ៉ុបស្តីពីការរក្សាទុក
ការគិតបែបវេទិកា
-
គំរូដែលអាចប្រើឡើងវិញបាន ផ្លូវមាស
-
គំរូស្តង់ដារសម្រាប់ការទទួលទាន ការបំលែង ការធ្វើតេស្ត ការធ្វើតេស្តទិន្នន័យ Fivetran dbt
-
ឧបករណ៍ដែលបម្រើដោយខ្លួនឯងដែលមិនរលាយ
ការទំនាក់ទំនង (មែនហើយ ពិតជា)
-
ការសរសេរឯកសារច្បាស់លាស់
-
ការតម្រឹមនិយមន័យ
-
និយាយពាក្យថា «ទេ» ដោយគួរសម ប៉ុន្តែម៉ឺងម៉ាត់
-
ពន្យល់ពីការសម្របសម្រួលដោយមិនស្តាប់ទៅដូចជាមនុស្សយន្ត 🤖
ប្រសិនបើអ្នកអាចធ្វើរឿងទាំងនេះបាន សំណួរដែលថា "តើ AI នឹងជំនួសវិស្វករទិន្នន័យដែរឬទេ?" នឹងក្លាយជាមិនសូវមានការគំរាមកំហែងទេ។ AI ក្លាយជាគ្រោងឆ្អឹងខាងក្រៅរបស់អ្នក មិនមែនជាអ្នកជំនួសអ្នកនោះទេ។.
សេណារីយ៉ូជាក់ស្តែងដែលតួនាទីវិស្វកម្មទិន្នន័យមួយចំនួនថយចុះ 📉
មិនអីទេ សូមពិនិត្យមើលការពិតឲ្យបានរហ័ស ព្រោះវាមិនមែនគ្រាន់តែជាពន្លឺថ្ងៃ និងក្រដាស់ពណ៌អ៊ីម៉ូជីទាំងអស់នោះទេ 🎉
តួនាទីមួយចំនួនត្រូវបានលាតត្រដាងកាន់តែច្រើន៖
-
តួនាទីសម្រាប់ការបញ្ចូលតែប៉ុណ្ណោះ ដែលអ្វីៗទាំងអស់ជាឧបករណ៍ភ្ជាប់ស្តង់ដារ ឧបករណ៍ភ្ជាប់ Fivetran
-
ក្រុមភាគច្រើនធ្វើបំពង់រាយការណ៍ដដែលៗជាមួយនឹងភាពខុសប្លែកគ្នាតិចតួចបំផុតនៃដែន
-
អង្គការដែលវិស្វកម្មទិន្នន័យត្រូវបានចាត់ទុកថាជា "ស្វា SQL" (ឃោរឃៅ ប៉ុន្តែជាការពិត)
-
តួនាទីដែលមានម្ចាស់ទាប ដែលការងារគ្រាន់តែជាសំបុត្រ និងការចម្លង-បិទភ្ជាប់
បញ្ញាសិប្បនិម្មិត (AI) បូករួមទាំងឧបករណ៍ដែលគ្រប់គ្រងអាចកាត់បន្ថយតម្រូវការទាំងនោះ។.
ប៉ុន្តែសូម្បីតែនៅទីនោះក៏ដោយ ការជំនួសជាធម្មតាមើលទៅដូចនេះ៖
-
មនុស្សតិចជាងមុនដែលធ្វើការងារដដែលៗដដែលៗ
-
ការសង្កត់ធ្ងន់បន្ថែមទៀតលើភាពជាម្ចាស់ និងភាពជឿជាក់នៃវេទិកា
-
ការផ្លាស់ប្តូរឆ្ពោះទៅរក "មនុស្សម្នាក់អាចគាំទ្របំពង់បង្ហូរប្រេងបានច្រើន"
ដូច្នេះបាទ/ចាស៎ - គំរូចំនួនបុគ្គលិកអាចផ្លាស់ប្តូរបាន។ តួនាទីវិវត្ត។ តំណែងផ្លាស់ប្តូរ។ ផ្នែកនោះជាការពិត។.
យ៉ាងណាក៏ដោយ កំណែដែលមានភាពជាម្ចាស់កម្មសិទ្ធិខ្ពស់ និងមានការជឿទុកចិត្តខ្ពស់នៃតួនាទីនេះនៅតែដដែល។.
សេចក្តីសង្ខេបបញ្ចប់🧾✅
តើ AI នឹងជំនួសវិស្វករទិន្នន័យដែរឬទេ? មិនមែនតាមរបៀបដែលមនុស្សស្រមៃនោះទេ។
បញ្ញាសិប្បនិម្មិត (AI) នឹង៖
-
ស្វ័យប្រវត្តិកម្មភារកិច្ចដដែលៗ
-
បង្កើនល្បឿនការសរសេរកូដ ការបំបាត់កំហុស និងឯកសារ GitHub Copilot សម្រាប់ ឯកសារ SQL dbt
-
កាត់បន្ថយថ្លៃដើមនៃការផលិតបំពង់បង្ហូរប្រេង
ប៉ុន្តែវិស្វកម្មទិន្នន័យគឺជាមូលដ្ឋានគ្រឹះអំពី៖
-
ការទទួលខុសត្រូវ
-
ការរចនាប្រព័ន្ធ
-
ទំនុកចិត្ត គុណភាព និងអភិបាលកិច្ច ស្តង់ដារកិច្ចសន្យាទិន្នន័យបើកចំហ (ODCS) ក្របខ័ណ្ឌឯកជនភាព NIST
-
ការបកប្រែការពិតអាជីវកម្មដែលមិនច្បាស់លាស់ទៅជាផលិតផលទិន្នន័យដែលអាចទុកចិត្តបាន
បញ្ញាសិប្បនិម្មិត (AI) អាចជួយក្នុងរឿងនោះ… ប៉ុន្តែវាមិនមែនជាម្ចាស់វាទេ។.
ប្រសិនបើអ្នកជាវិស្វករទិន្នន័យ ការផ្លាស់ប្តូរគឺសាមញ្ញ (មិនងាយស្រួលទេ ប៉ុន្តែសាមញ្ញ)៖
ផ្ដោតលើភាពជាម្ចាស់ គុណភាព ការគិតលើវេទិកា និងការទំនាក់ទំនង។ អនុញ្ញាតឱ្យ AI គ្រប់គ្រងផែនការ ខណៈពេលដែលអ្នកគ្រប់គ្រងផ្នែកសំខាន់ៗ។
ហើយមែនហើយ - ពេលខ្លះវាមានន័យថាធ្វើជាមនុស្សពេញវ័យនៅក្នុងបន្ទប់។ មិនមែនជាមនុស្សទាក់ទាញទេ។ ទោះជាយ៉ាងណាក៏ដោយ វាមានឥទ្ធិពលស្ងាត់ៗ 😄
តើ AI នឹងជំនួសវិស្វករទិន្នន័យដែរឬទេ?
វានឹងជំនួសភារកិច្ចមួយចំនួន រៀបចំរចនាសម្ព័ន្ធឡើងវិញ និងធ្វើឱ្យវិស្វករទិន្នន័យល្អបំផុតកាន់តែមានតម្លៃ។ នោះជារឿងពិត។
ឧទាហរណ៍ក្នុងពិភពពិត៖ ការបង្កើតដំណើរការពិនិត្យមើលបំពង់ទិន្នន័យដែលមានជំនួយពី AI 🛠️
សេណារីយ៉ូ
ស្រមៃមើលក្រុមហ៊ុនពាណិជ្ជកម្មអេឡិចត្រូនិកតូចមួយដែលមានវិស្វករទិន្នន័យម្នាក់ អ្នកវិភាគពីរនាក់ និងបញ្ហាដែលធ្លាប់ស្គាល់៖ ផ្ទាំងគ្រប់គ្រងហិរញ្ញវត្ថុនៅតែខូចនៅពេលដែលអ្នកផ្តល់សេវាទូទាត់ផ្លាស់ប្តូរឈ្មោះវាល។.
ក្រុមនេះមិនចង់ឱ្យ AI «ធ្វើជាម្ចាស់» លើបំពង់បង្ហូរទិន្នន័យទេ។ នោះនឹងមានហានិភ័យ។ ផ្ទុយទៅវិញ ពួកគេប្រើ AI ជាជំនួយការព្រាងដំបូងសម្រាប់ការងារធម្មតា ប៉ុន្តែសំខាន់៖ ការសរសេរគ្រោងឆ្អឹងគំរូ dbt ការណែនាំអំពីការធ្វើតេស្ត ព្រាងឯកសារ និងការបង្កើតបញ្ជីត្រួតពិនិត្យសម្រាប់ការពិនិត្យកូដ។.
វិស្វករទិន្នន័យមនុស្សនៅតែជាម្ចាស់នៃការរចនាចុងក្រោយ និយមន័យទិន្នន័យ ច្បាប់ចូលប្រើ និងការដាក់ពង្រាយផលិតកម្ម។ បញ្ញាសិប្បនិម្មិតគ្រាន់តែបង្កើនល្បឿនដំណើរការកណ្តាលដ៏ស្មុគស្មាញ។.
អ្វីដែលដំណើរការការងារត្រូវការ
មុនពេលប្រើប្រាស់ AI ក្រុមការងារផ្តល់ឱ្យវានូវបរិបទគ្រប់គ្រាន់ដើម្បីមានប្រយោជន៍៖
-
គ្រោងការណ៍តារាងទូទាត់ដែលមានស្រាប់
-
និយមន័យរង្វាស់ហិរញ្ញវត្ថុគោលដៅ ដូចជា “ចំណូលសុទ្ធ” “ចំនួនទឹកប្រាក់សងវិញ” និង “ការទូទាត់ដែលបានទូទាត់”
-
អនុសញ្ញាដាក់ឈ្មោះសម្រាប់ម៉ូដែល dbt
-
ឧទាហរណ៍នៃការធ្វើតេស្តដែលត្រូវបានអនុម័ត
-
កិច្ចសន្យាទិន្នន័យខ្លីសម្រាប់ព័ត៌មានទូទាត់
-
ច្បាប់សម្រាប់ដោះស្រាយព័ត៌មានផ្ទាល់ខ្លួន (PII) ការទូទាត់ដែលបរាជ័យ ច្បាប់ចម្លង និងកំណត់ត្រាមកដល់យឺត
-
ឧទាហរណ៍នៃឧប្បត្តិហេតុកន្លងមក រួមទាំងអ្វីដែលបានខុស និងរបៀបដែលវាត្រូវបានជួសជុល
ចំណុចសំខាន់មិនមែន «សុំឱ្យ AI បង្កើតបំពង់បង្ហូរទិន្នន័យ» នោះទេ។ នោះមិនច្បាស់លាស់ពេកទេ។.
វិធីសាស្រ្តដ៏រឹងមាំជាងនេះទៅទៀតគឺ៖ «នេះជាច្បាប់របស់យើង នេះជាគ្រោងការណ៍ នេះជាឥរិយាបថដែលរំពឹងទុក។ ចូរព្រាងអ្វីមួយដែលយើងអាចពិនិត្យឡើងវិញបាន»។
ឧទាហរណ៍នៃការណែនាំ
អ្នកកំពុងជួយព្រាងគំរូ dbt សម្រាប់ទិន្នន័យទូទាត់របស់យើង។ សូមប្រើប្រាស់គ្រោងការណ៍ និងច្បាប់ខាងក្រោម ដើម្បីបង្កើតគំរូឆ្លងកាត់លើកដំបូង ការធ្វើតេស្ត dbt ដែលបានណែនាំ និងកំណត់ចំណាំឯកសារ។.
គំរូនេះត្រូវតែគណនាប្រាក់ចំណូលប្រចាំថ្ងៃដែលបានទូទាត់ដោយ order_id និង payment_provider។ មិនរាប់បញ្ចូលការទូទាត់ដែលបរាជ័យ មិនរាប់បញ្ចូលប្រតិបត្តិការសាកល្បង និងដកប្រាក់សងវិញតែនៅពេលដែល refund_status = “បានបញ្ជាក់”។.
កុំបង្កើតជួរឈរ។ ប្រសិនបើជួរឈរដែលត្រូវការបាត់ សូមរាយបញ្ជីវានៅក្រោម "សំណួរសម្រាប់ការពិនិត្យដោយមនុស្ស" ជំនួសឱ្យការទាយ។.
សូមស្នើការធ្វើតេស្តសម្រាប់ភាពប្លែក តម្លៃទទេ តម្លៃដែលទទួលយក និងភាពសមហេតុផលនៃប្រាក់ចំណូល។ សម្គាល់តក្កវិជ្ជាណាមួយដែលអាចប៉ះពាល់ដល់ការរាយការណ៍ហិរញ្ញវត្ថុ។.
របៀបសាកល្បងវា
ការធ្វើតេស្តសមហេតុផលគឺតូច និងជារឿងធម្មតាដោយចេតនា៖
-
ផ្តល់ឱ្យ AI នូវគ្រោងការណ៍ទូទាត់ដែលគេស្គាល់ល្អមួយ ហើយពិនិត្យមើលថាតើវាជៀសវាងការបង្កើតវាលដែរឬទេ។.
-
ផ្ដល់គ្រោងការណ៍មួយដែលបាត់ជួរឈរ refund_status ហើយមើលថាតើវាសួរសំណួរជំនួសឲ្យការទាយឬអត់។.
-
ដំណើរការ SQL ដែលបានបង្កើតប្រឆាំងនឹងសំណុំទិន្នន័យ staging មិនមែន production ទេ។.
-
ប្រៀបធៀបលទ្ធផលទល់នឹងកំណត់ត្រាទូទាត់ចំនួន 20 ដែលបានត្រួតពិនិត្យដោយដៃ។.
-
ស្នើសុំឱ្យអ្នកវិភាគ និងវិស្វករទិន្នន័យពិនិត្យមើលនិយមន័យមុនពេលបញ្ចូលគ្នា។.
-
បន្ថែមការធ្វើតេស្តដែលទទួលយកទៅ CI ដើម្បីឱ្យបំពង់បង្ហូរបន្តត្រួតពិនិត្យខ្លួនឯងបន្ទាប់ពីការដាក់ពង្រាយ។.
រឿងសំខាន់គឺត្រូវសាកល្បង AI លើរបៀបដែលអ្នកខ្លាចបំផុត៖ ជួរឈរដែលបង្កើតឡើង តក្កវិជ្ជាចំណូលខុស ការដោះស្រាយការសងប្រាក់វិញដែលបាត់ និងជួរដេកស្ទួនស្ងាត់ៗ។.
លទ្ធផល
លទ្ធផលជាឧទាហរណ៍៖ ផ្អែកលើពេលវេលាសម្រាប់ភារកិច្ចផ្លាស់ប្តូរបំពង់គំរូចំនួនបីមុន និងក្រោយពេលប្រើប្រាស់លំហូរការងារនេះ។.
មុនពេលប្រើប្រាស់ AI វិស្វករបានចំណាយពេលប្រហែល ៥ ម៉ោង ៣០ នាទីក្នុងមួយការផ្លាស់ប្តូរ៖ ប្រហែល ២ ម៉ោងសរសេរ SQL ១ ម៉ោងបង្កើតការធ្វើតេស្ត ៤៥ នាទីសរសេរឯកសារ និងពេលវេលាដែលនៅសល់ពិនិត្យមើលករណីគែមជាមួយហិរញ្ញវត្ថុ។.
ដោយសារបច្ចេកវិទ្យា AI ត្រូវបានប្រើប្រាស់សម្រាប់តែសេចក្តីព្រាងដំបូងប៉ុណ្ណោះ ការផ្លាស់ប្ដូរប្រភេទដូចគ្នានេះបានចំណាយពេលប្រហែល 2 ម៉ោង 10 នាទី។ ការសន្សំសំចៃធំបំផុតបានមកពីការសាកល្បងការរៀបចំសេចក្តីព្រាងឯកសារ ដែលបានធ្លាក់ចុះពី 1 ម៉ោង 45 នាទីមកត្រឹមប្រហែល 25 នាទី។.
ជំហានពិនិត្យមើលដោយមនុស្សនៅតែចំណាយពេលប្រហែល 45 នាទី ហើយវាមិនគួរត្រូវបានលុបចេញទេ។.
នៅក្នុងការធ្វើតេស្តភារកិច្ចបី បញ្ញាសិប្បនិម្មិត (AI) បានស្នើឱ្យមានការត្រួតពិនិត្យចំនួន 18។ វិស្វករបានទទួលយក 11 កែសម្រួល 5 និងបដិសេធ 2 ពីព្រោះពួកគេសន្មតថាច្បាប់អាជីវកម្មមិនពិត។ ចំនួននៃការបដិសេធនោះមានសារៈសំខាន់៖ វាបញ្ជាក់ថាដំណើរការការងារត្រូវការការពិនិត្យឡើងវិញ មិនមែនការទុកចិត្តដោយងងឹតងងល់នោះទេ។.
អ្វីដែលអាចខុសបាន
បញ្ញាសិប្បនិម្មិត (AI) អាចធ្វើឱ្យបំពង់បង្ហូរប្រេងមើលទៅពេញលេញជាងការពិត។.
ចំណុចបរាជ័យទូទៅរួមមាន៖
-
ការបង្កើតជួរឈរដែលស្តាប់ទៅគួរឱ្យជឿជាក់
-
ការចាត់ទុកការសងប្រាក់វិញ ការទារប្រាក់វិញ និងការទូទាត់ដែលបរាជ័យជារឿងដូចគ្នា
-
បញ្ហាតំបន់ពេលវេលាដែលបាត់ក្នុងចំណូលប្រចាំថ្ងៃ
-
ការណែនាំអំពីការធ្វើតេស្តទូទៅដែលមិនចាប់កំហុសហិរញ្ញវត្ថុ
-
ការសរសេរឯកសារដែលស្តាប់ទៅដូចជាមានទំនុកចិត្ត ប៉ុន្តែលាក់បាំងភាពមិនប្រាកដប្រជា
-
ការភ្លេចច្បាប់ឯកជនភាព នៅពេលដែលទិន្នន័យគំរូមានព័ត៌មានលម្អិតរបស់អតិថិជន
ច្បាប់ល្អមួយ៖ បញ្ញាសិប្បនិម្មិត (AI) អាចព្រាងគំរូបាន ប៉ុន្តែមនុស្សម្នាក់ត្រូវតែចុះហត្ថលេខាលើនិយមន័យ តក្កវិជ្ជាហិរញ្ញវត្ថុ ការគ្រប់គ្រងការចូលប្រើ និងការចេញផ្សាយផលិតកម្ម។.
សម្ភារៈសិក្សាជាក់ស្តែង
កំណែដ៏មានតម្លៃរបស់ AI ក្នុងវិស្វកម្មទិន្នន័យមិនមែនជា "ជំនួសវិស្វករទិន្នន័យ" នោះទេ។ វាគឺជា "លុបទំព័រទទេចេញ បន្ទាប់មកពិនិត្យឡើងវិញយ៉ាងម៉ត់ចត់"។.
នោះមានន័យថា SQL លឿនជាងមុន ការធ្វើតេស្តលឿនជាងមុន និងឯកសារឆ្លងកាត់ដំបូងកាន់តែប្រសើរ ខណៈពេលដែលវិស្វករនៅតែជាម្ចាស់ផ្នែកដែលសំខាន់បំផុត៖ ថាតើទិន្នន័យត្រឹមត្រូវ គួរឱ្យទុកចិត្ត មានសុវត្ថិភាព និងអាចពន្យល់បានឬអត់។.
សំណួរដែលសួរញឹកញាប់
តើ AI នឹងជំនួសវិស្វករទិន្នន័យទាំងស្រុងទេ?
នៅក្នុងអង្គការភាគច្រើន បញ្ញាសិប្បនិម្មិត (AI) ទំនងជាទទួលយកភារកិច្ចជាក់លាក់ជាជាងការលុបចោលតួនាទីទាំងស្រុង។ វាអាចបង្កើនល្បឿននៃការព្រាង SQL ការរៀបចំរចនាសម្ព័ន្ធបំពង់បង្ហូរទិន្នន័យ ការឆ្លងកាត់ឯកសារដំបូង និងការបង្កើតការធ្វើតេស្តជាមូលដ្ឋាន។ ប៉ុន្តែវិស្វកម្មទិន្នន័យក៏មានភាពជាម្ចាស់ និងការទទួលខុសត្រូវផងដែរ បូករួមទាំងការងារដែលមិនគួរឱ្យចាប់អារម្មណ៍នៃការធ្វើឱ្យការពិតអាជីវកម្មរញ៉េរញ៉ៃមានឥរិយាបទដូចជាប្រព័ន្ធដែលអាចទុកចិត្តបាន។ ផ្នែកទាំងនោះនៅតែត្រូវការមនុស្សដើម្បីសម្រេចចិត្តថា "ត្រឹមត្រូវ" មើលទៅដូចអ្វី និងទទួលខុសត្រូវនៅពេលដែលមានរឿងកើតឡើង។.
តើផ្នែកណាខ្លះនៃវិស្វកម្មទិន្នន័យដែល AI កំពុងធ្វើស្វ័យប្រវត្តិកម្មរួចហើយ?
បញ្ញាសិប្បនិម្មិត (AI) ដំណើរការបានល្អបំផុតលើការងារដែលអាចធ្វើម្តងទៀតបាន៖ ការព្រាង និងការរៀបចំ SQL ឡើងវិញ ការបង្កើតគ្រោងគំរូ dbt ការពន្យល់អំពីកំហុសទូទៅ និងការបង្កើតគ្រោងឯកសារ។ វាក៏អាចបង្កើតការធ្វើតេស្តដូចជាការត្រួតពិនិត្យភាពទទេ ឬភាពប្លែក និងបង្កើតកូដ "ស្អិត" គំរូសម្រាប់ឧបករណ៍រៀបចំ។ ជ័យជម្នះគឺសន្ទុះ - អ្នកចាប់ផ្តើមកាន់តែខិតជិតដំណោះស្រាយដែលដំណើរការ - ប៉ុន្តែអ្នកនៅតែត្រូវផ្ទៀងផ្ទាត់ភាពត្រឹមត្រូវ និងធានាថាវាសមនឹងបរិស្ថានរបស់អ្នក។.
ប្រសិនបើ AI អាចសរសេរ SQL និងបំពង់បង្ហូរទិន្នន័យបាន តើអ្វីដែលនៅសល់សម្រាប់វិស្វករទិន្នន័យ?
ច្រើន៖ ការកំណត់កិច្ចសន្យាទិន្នន័យ ការដោះស្រាយភាពរសាត់នៃគ្រោងការណ៍ និងធានាថាបំពង់បង្ហូរទិន្នន័យមានភាពដូចគ្នា អាចសង្កេតឃើញ និងអាចសង្គ្រោះបាន។ វិស្វករទិន្នន័យចំណាយពេលស៊ើបអង្កេតការផ្លាស់ប្តូរម៉ែត្រ កសាងរបាំងការពារសម្រាប់អ្នកប្រើប្រាស់នៅខាងក្រោម និងគ្រប់គ្រងការសម្របសម្រួលថ្លៃដើម និងភាពជឿជាក់។ ការងារនេះច្រើនតែផ្តោតលើការកសាងទំនុកចិត្ត និងរក្សាវេទិកាទិន្នន័យឱ្យ "ស្ងាត់" មានន័យថាមានស្ថេរភាពគ្រប់គ្រាន់ដែលគ្មាននរណាម្នាក់ត្រូវគិតអំពីវាជារៀងរាល់ថ្ងៃ។.
តើ AI ផ្លាស់ប្តូរការងារប្រចាំថ្ងៃរបស់វិស្វករទិន្នន័យយ៉ាងដូចម្តេច?
ជាធម្មតាវាកាត់បន្ថយពេលវេលាចាប់ផ្តើម និង "ពេលវេលាស្វែងរក" ដូច្នេះអ្នកចំណាយពេលតិចក្នុងការវាយអក្សរ និងចំណាយពេលច្រើនក្នុងការពិនិត្យមើល ផ្ទៀងផ្ទាត់ និងរចនា។ ការផ្លាស់ប្តូរនោះជំរុញតួនាទីឆ្ពោះទៅរកការកំណត់ការរំពឹងទុក ស្តង់ដារគុណភាព និងលំនាំដែលអាចប្រើឡើងវិញបាន ជាជាងការសរសេរកូដដោយដៃគ្រប់យ៉ាង។ នៅក្នុងការអនុវត្ត អ្នកទំនងជានឹងធ្វើការងារភាពជាដៃគូកាន់តែច្រើនជាមួយផលិតផល សុវត្ថិភាព និងហិរញ្ញវត្ថុ - ពីព្រោះលទ្ធផលបច្ចេកទេសកាន់តែងាយស្រួលក្នុងការបង្កើត ប៉ុន្តែពិបាកគ្រប់គ្រង។.
ហេតុអ្វីបានជា AI ជួបការលំបាកជាមួយនឹងនិយមន័យអាជីវកម្មមិនច្បាស់លាស់ដូចជា "អ្នកប្រើប្រាស់សកម្ម"?
ដោយសារតែតក្កវិជ្ជាអាជីវកម្មមិនស្ថិតស្ថេរ ឬច្បាស់លាស់ - វាផ្លាស់ប្តូរនៅពាក់កណ្តាលគម្រោង និងប្រែប្រួលទៅតាមភាគីពាក់ព័ន្ធ។ បញ្ញាសិប្បនិម្មិត (AI) អាចព្រាងការបកស្រាយ ប៉ុន្តែវាមិនអាចធ្វើជាម្ចាស់លើការសម្រេចចិត្តនៅពេលដែលនិយមន័យវិវត្ត ឬជម្លោះលេចឡើងនោះទេ។ វិស្វកម្មទិន្នន័យជារឿយៗតម្រូវឱ្យមានការចរចា ការកត់ត្រាការសន្មត់ និងការប្រែក្លាយតម្រូវការមិនច្បាស់លាស់ទៅជាកិច្ចសន្យាប្រើប្រាស់បានយូរ។ ការងារ "ការតម្រឹមមនុស្ស" នោះគឺជាហេតុផលស្នូលដែលតួនាទីមិនបាត់ទៅវិញ ទោះបីជាឧបករណ៍មានភាពប្រសើរឡើងក៏ដោយ។.
តើ AI អាចដោះស្រាយការគ្រប់គ្រងទិន្នន័យ ភាពឯកជន និងការអនុលោមតាមច្បាប់ដំណើរការដោយសុវត្ថិភាពបានទេ?
បញ្ញាសិប្បនិម្មិត (AI) អាចជួយរៀបចំគោលនយោបាយ ឬស្នើវិធីសាស្រ្ត ប៉ុន្តែការអនុវត្តដោយសុវត្ថិភាពនៅតែទាមទារវិស្វកម្មពិតប្រាកដ និងការត្រួតពិនិត្យដោយប្រុងប្រយ័ត្ន។ អភិបាលកិច្ចពាក់ព័ន្ធនឹងការគ្រប់គ្រងការចូលប្រើ ការគ្រប់គ្រងព័ត៌មានផ្ទាល់ខ្លួន (PII) ច្បាប់រក្សាទុក ផ្លូវសវនកម្ម និងជួនកាលការរឹតបន្តឹងការស្នាក់នៅ។ ទាំងនេះគឺជាតំបន់ដែលមានហានិភ័យខ្ពស់ ដែល "ស្ទើរតែត្រឹមត្រូវ" មិនអាចទទួលយកបាន។ មនុស្សត្រូវតែរចនាច្បាប់ ផ្ទៀងផ្ទាត់ការអនុវត្ត និងនៅតែទទួលខុសត្រូវចំពោះលទ្ធផលនៃការអនុលោមតាមច្បាប់។.
តើជំនាញអ្វីខ្លះដែលនៅតែមានតម្លៃសម្រាប់វិស្វករទិន្នន័យ ខណៈដែលបញ្ញាសិប្បនិម្មិត (AI) មានភាពរីកចម្រើន?
ជំនាញដែលធ្វើឱ្យប្រព័ន្ធមានភាពធន់៖ ការគិតគូរពីការរចនាប្រព័ន្ធ វិស្វកម្មគុណភាពទិន្នន័យ និងស្តង់ដារភាវូបនីយកម្មដែលផ្តោតលើវេទិកា។ កិច្ចសន្យា ភាពអាចសង្កេតបាន ទម្លាប់ឆ្លើយតបនឹងឧប្បត្តិហេតុ និងការវិភាគមូលហេតុឫសគល់ដែលមានវិន័យកាន់តែមានសារៈសំខាន់នៅពេលដែលមនុស្សកាន់តែច្រើនអាចបង្កើតវត្ថុបុរាណទិន្នន័យបានយ៉ាងឆាប់រហ័ស។ ការទំនាក់ទំនងក៏ក្លាយជាភាពខុសគ្នាផងដែរ - ការតម្រឹមនិយមន័យ ការសរសេរឯកសារច្បាស់លាស់ និងការពន្យល់អំពីការសម្របសម្រួលដោយគ្មានរឿងអាស្រូវគឺជាផ្នែកធំមួយនៃការរក្សាទិន្នន័យឱ្យគួរឱ្យទុកចិត្ត។.
តើតួនាទីវិស្វកម្មទិន្នន័យណាខ្លះដែលប្រឈមនឹងហានិភ័យខ្ពស់បំផុតពី AI និងឧបករណ៍ដែលត្រូវបានគ្រប់គ្រង?
តួនាទីដែលផ្តោតសំខាន់តែលើការទទួលទានម្តងហើយម្តងទៀត ឬបំពង់រាយការណ៍ស្តង់ដារ ត្រូវបានបង្ហាញកាន់តែច្បាស់ ជាពិសេសនៅពេលដែលឧបករណ៍ភ្ជាប់ ELT ដែលត្រូវបានគ្រប់គ្រងគ្របដណ្តប់ប្រភពភាគច្រើន។ ការងារដែលមានម្ចាស់ទាប និងជំរុញដោយសំបុត្រអាចរួញតូច ពីព្រោះ AI និងអរូបីកាត់បន្ថយការខិតខំប្រឹងប្រែងក្នុងមួយបំពង់។ ប៉ុន្តែជាធម្មតា នេះមើលទៅដូចជាមនុស្សតិចជាងមុនដែលធ្វើកិច្ចការដដែលៗ មិនមែន "គ្មានវិស្វករទិន្នន័យ" ទេ។ តួនាទីដែលមានម្ចាស់ខ្ពស់ផ្តោតលើភាពជឿជាក់ គុណភាព និងការជឿទុកចិត្តនៅតែប្រើប្រាស់បានយូរ។.
តើខ្ញុំគួរប្រើឧបករណ៍ដូចជា GitHub Copilot ឬ dbt ជាមួយ AI ដោយមិនបង្កើតភាពវឹកវរយ៉ាងដូចម្តេច?
ចាត់ទុកលទ្ធផល AI ជាសេចក្តីព្រាង មិនមែនជាការសម្រេចចិត្តទេ។ ប្រើវាដើម្បីបង្កើតគ្រោងសំណួរ កែលម្អភាពងាយស្រួលអាន ឬធ្វើតេស្ត dbt និងឯកសារ scaffolding បន្ទាប់មកផ្ទៀងផ្ទាត់ប្រឆាំងនឹងទិន្នន័យពិត និងករណីគែម។ ផ្គូផ្គងវាជាមួយនឹងអនុសញ្ញារឹងមាំ៖ កិច្ចសន្យា ស្តង់ដារដាក់ឈ្មោះ ការត្រួតពិនិត្យការសង្កេត និងការអនុវត្តការពិនិត្យឡើងវិញ។ គោលដៅគឺការដឹកជញ្ជូនលឿនជាងមុនដោយមិនបាត់បង់ភាពជឿជាក់ ការគ្រប់គ្រងថ្លៃដើម ឬអភិបាលកិច្ច។.
ឯកសារយោង
-
គណៈកម្មការអឺរ៉ុប - ការពន្យល់អំពីការការពារទិន្នន័យ៖ គោលការណ៍ GDPR - commission.europa.eu
-
ការិយាល័យស្នងការព័ត៌មាន (ICO) - ការកំណត់ការផ្ទុក - ico.org.uk
-
គណៈកម្មការអឺរ៉ុប - តើទិន្នន័យអាចរក្សាទុកបានរយៈពេលប៉ុន្មាន ហើយតើចាំបាច់ត្រូវធ្វើបច្ចុប្បន្នភាពវាដែរឬទេ? - commission.europa.eu
-
វិទ្យាស្ថានជាតិស្តង់ដារ និងបច្ចេកវិទ្យា (NIST) - ក្របខ័ណ្ឌឯកជនភាព - nist.gov
-
មជ្ឈមណ្ឌលធនធានសន្តិសុខកុំព្យូទ័រ NIST (CSRC) - SP 800-92៖ មគ្គុទ្ទេសក៍សម្រាប់ការគ្រប់គ្រងកំណត់ហេតុសុវត្ថិភាពកុំព្យូទ័រ - csrc.nist.gov
-
មជ្ឈមណ្ឌលសន្តិសុខអ៊ីនធឺណិត (CIS) - ការគ្រប់គ្រងកំណត់ហេតុសវនកម្ម (ការគ្រប់គ្រង CIS) - cisecurity.org
-
ឯកសារ Snowflake - គោលការណ៍ចូលប្រើជួរដេក - docs.snowflake.com
-
ឯកសារ Google Cloud - សុវត្ថិភាពកម្រិតជួរដេក BigQuery - docs.cloud.google.com
-
BITOL - ស្តង់ដារកិច្ចសន្យាទិន្នន័យបើកចំហ (ODCS) កំណែ 3.1.0 - bitol-io.github.io
-
BITOL (GitHub) - ស្តង់ដារកិច្ចសន្យាទិន្នន័យបើកចំហ - github.com
-
Apache Airflow - ឯកសារ (មានស្ថេរភាព) - airflow.apache.org
-
លំហូរខ្យល់ Apache - DAGs (គោលគំនិតស្នូល) - airflow.apache.org
-
ឯកសារមន្ទីរពិសោធន៍ dbt - តើ dbt ជាអ្វី? - docs.getdbt.com
-
ឯកសារមន្ទីរពិសោធន៍ dbt - អំពីម៉ូដែល dbt - docs.getdbt.com
-
ឯកសារមន្ទីរពិសោធន៍ dbt - ឯកសារ - docs.getdbt.com
-
ឯកសារមន្ទីរពិសោធន៍ dbt - ការធ្វើតេស្តទិន្នន័យ - docs.getdbt.com
-
ឯកសារមន្ទីរពិសោធន៍ dbt - ស្រទាប់ន័យវិទ្យា dbt - docs.getdbt.com
-
ឯកសារ Fivetran - ការចាប់ផ្តើម - fivetran.com
-
Fivetran - ឧបករណ៍ភ្ជាប់ - fivetran.com
-
ឯកសារ AWS - មគ្គុទ្ទេសក៍អ្នកអភិវឌ្ឍន៍ AWS Lambda - docs.aws.amazon.com
-
GitHub - GitHub Copilot - github.com
-
ឯកសារ GitHub - ការទទួលបានការណែនាំអំពីកូដនៅក្នុង IDE របស់អ្នកជាមួយ GitHub Copilot - docs.github.com
-
Microsoft Learn - GitHub Copilot សម្រាប់ SQL (ផ្នែកបន្ថែម VS Code) - learn.microsoft.com
-
ឯកសារ Dynatrace - លទ្ធភាពសង្កេតទិន្នន័យ - docs.dynatrace.com
-
DataGalaxy - តើភាពអាចសង្កេតទិន្នន័យជាអ្វី? - datagalaxy.com
-
ឯកសារស្តីពីការរំពឹងទុកដ៏អស្ចារ្យ - ទិដ្ឋភាពទូទៅនៃការរំពឹងទុក - docs.greatexpectations.io