តើ AI នឹងជំនួសវិស្វករទិន្នន័យដែរឬទេ?

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

• ក្របខ័ណ្ឌ​បំលែង​ប្រកាស 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។.

---

តើ​អ្វី​ទៅ​ដែល​ធ្វើ​ឱ្យ​តួនាទី​វិស្វកម្ម​ទិន្នន័យ​មាន​ភាព​រឹងមាំ? ✅

ផ្នែកនេះមានសារៈសំខាន់ ពីព្រោះការនិយាយអំពីការជំនួសជាធម្មតាសន្មតថាវិស្វករទិន្នន័យភាគច្រើនជា "អ្នកសាងសង់បំពង់បង្ហូរប្រេង"។ នោះដូចជាការសន្មតថាចុងភៅភាគច្រើនជា "អ្នកចិញ្ច្រាំបន្លែ"។ វាជាផ្នែកមួយនៃការងារ ប៉ុន្តែវាមិនមែនជាការងារនោះទេ។.

កំណែ ដ៏រឹងមាំរបស់វិស្វករទិន្នន័យ ជាធម្មតាមានន័យថាពួកគេអាចធ្វើរឿងភាគច្រើនទាំងនេះ៖

• រចនាសម្រាប់ការផ្លាស់ប្តូរ
  ទិន្នន័យផ្លាស់ប្តូរ។ ក្រុមផ្លាស់ប្តូរ។ ឧបករណ៍ផ្លាស់ប្តូរ។ វិស្វករល្អបង្កើតប្រព័ន្ធដែលមិនដួលរលំរាល់ពេលដែលការពិតកណ្តាស់ 🤧

• កំណត់​កិច្ចសន្យា និង​ការរំពឹងទុក
  តើ​ពាក្យ «អតិថិជន» មានន័យ​ដូចម្តេច? តើ​ពាក្យ «សកម្ម» មានន័យ​ដូចម្តេច? 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 ភារកិច្ច មិនមែន ជំនួសកម្មសិទ្ធិនោះ ។

---

កន្លែងដែល AI កំពុងជួយវិស្វករទិន្នន័យរួចហើយ (ហើយវាពិតជាអស្ចារ្យណាស់) 🤖✨

បញ្ញាសិប្បនិម្មិត (AI) មិនមែនគ្រាន់តែជាការធ្វើទីផ្សារនោះទេ។ ប្រសិនបើប្រើប្រាស់បានល្អ វាគឺជាកត្តាជំរុញដ៏ស្របច្បាប់មួយ។.

១) ការងារ SQL និងការផ្លាស់ប្តូរលឿនជាងមុន

• ការរៀបចំការតភ្ជាប់ស្មុគស្មាញ

• ការសរសេរមុខងារបង្អួចដែលអ្នកមិនចង់គិតដល់

• ការប្រែក្លាយតក្កវិជ្ជាភាសាសាមញ្ញទៅជាគ្រោងសំណួរ

• ការ​រៀបចំ​សំណួរ​មិន​ល្អ​ឡើង​វិញ​ទៅ​ជា CTE ដែល​អាច​អាន​បាន GitHub Copilot សម្រាប់ SQL

នេះ​ជា​រឿង​ធំ​ណាស់​ព្រោះ​វា​កាត់​បន្ថយ​ឥទ្ធិពល "ទំព័រ​ទទេ"។ អ្នក​នៅ​តែ​ត្រូវ​ការ​ផ្ទៀងផ្ទាត់ ប៉ុន្តែ​អ្នក​ចាប់​ផ្តើម​ពី 70% ជំនួស​ឲ្យ 0%។.

២) ការបំបាត់កំហុស និង​ការ​កំណត់​មូលហេតុ​ចម្បង

AI មាន​លក្ខណៈ​ល្អ​នៅ​ចំណុច​ដូច​ខាង​ក្រោម៖

• 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) 🧠🧩

នេះ​ជា​ផ្នែក​ដែល​សំខាន់​បំផុត ពី​ព្រោះ​វា​ឆ្លើយ​សំណួរ​ជំនួស​ដោយ​វាយនភាព​ពិត។.

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

• សរសេរ​សេចក្ដី​ស្លាប់​ក្រោយ​ពេល​ស្លាប់

• 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

• យន្តការ​សាកល្បង​ឡើងវិញ​បណ្តាល​ឱ្យ​សរសេរ​ពីរដង

• 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 🔔
ក្របខ័ណ្ឌ​ការ​ផ្លាស់ប្តូរ (ការ​ធ្វើ​គំរូ​ប្រកាស) 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

នេះ​គឺជា​ការ​ផ្លាស់ប្តូរ​ដ៏​ស្រទន់៖ វិស្វកម្ម​ទិន្នន័យ​ក្លាយជា​មិនសូវ​សំខាន់​អំពី "ការ​កសាង​បំពង់​បង្ហូរ​ប្រេង" ទេ ប៉ុន្តែ​កាន់តែ​សំខាន់​អំពី "ការ​កសាង​ប្រព័ន្ធ​ផលិតផល​ទិន្នន័យ​ដែល​អាច​ទុកចិត្ត​បាន"។

ហើយ​ក្នុង​ន័យ​ស្ងប់ស្ងាត់​មួយ វា​មាន​តម្លៃ​ជាង មិនមែន​តិច​ជាង​នេះ​ទេ។.

ហើយ​ខ្ញុំ​នឹង​និយាយ​បែប​នេះ​ទោះបីជា​វា​ស្តាប់​ទៅ​គួរ​ឲ្យ​ភ្ញាក់ផ្អើល​ក៏ដោយ - បញ្ញា​សិប្បនិម្មិត​បង្កើន​ចំនួន​មនុស្ស​ដែល​អាច​បង្កើត​វត្ថុ​បុរាណ​ទិន្នន័យ ដែល​បង្កើន​តម្រូវការ​សម្រាប់​នរណា​ម្នាក់​ដើម្បី​រក្សា​រឿង​ទាំងមូល​ឲ្យ​មាន​ភាព​ប្រក្រតី។ ទិន្នផល​ច្រើន​មាន​ន័យ​ថា​ការ​ភាន់ច្រឡំ​កាន់តែ​ច្រើន​។ 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)

• សេវា​ធានា​រ៉ាប់រង​ការងារ (SLAs), សេវា​ធានា​រ៉ាប់រង​ការងារ (SLOs), ទម្លាប់​ឆ្លើយតប​នឹង​ឧប្បត្តិហេតុ

• ការវិភាគមូលហេតុដើមដោយមានវិន័យ (មិនមែនភាពរំជើបរំជួលទេ)

រចនាសម្ព័ន្ធអភិបាលកិច្ច និងទំនុកចិត្ត

• លំនាំចូលប្រើ

• ការត្រួតពិនិត្យ NIST SP 800-92 (ការគ្រប់គ្រងកំណត់ហេតុ)

• ភាពឯកជនតាមការរចនា ក្របខ័ណ្ឌភាពឯកជន NIST

• ការគ្រប់គ្រងវដ្តជីវិតទិន្នន័យ ការណែនាំរបស់សហភាពអឺរ៉ុបស្តីពីការរក្សាទុក

ការគិតបែបវេទិកា

• គំរូដែលអាចប្រើឡើងវិញបាន ផ្លូវមាស

• គំរូស្តង់ដារសម្រាប់ការទទួលទាន ការបំលែង ការធ្វើតេស្ត ការធ្វើតេស្តទិន្នន័យ Fivetran

• ឧបករណ៍​ដែល​បម្រើ​ដោយ​ខ្លួនឯង​ដែល​មិន​រលាយ​

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៖

• តួនាទី​សម្រាប់​ការ​បញ្ចូល​តែ​ប៉ុណ្ណោះ ដែល​អ្វីៗ​ទាំងអស់​ជា​ឧបករណ៍​ភ្ជាប់​ស្តង់ដារ ឧបករណ៍​ភ្ជាប់ 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។

---

សំណួរដែលសួរញឹកញាប់

តើ AI នឹងជំនួសវិស្វករទិន្នន័យទាំងស្រុងទេ?

នៅក្នុងអង្គការភាគច្រើន បញ្ញាសិប្បនិម្មិត (AI) ទំនងជាទទួលយកភារកិច្ចជាក់លាក់ជាជាងការលុបចោលតួនាទីទាំងស្រុង។ វាអាចបង្កើនល្បឿននៃការព្រាង SQL ការរៀបចំរចនាសម្ព័ន្ធបំពង់បង្ហូរទិន្នន័យ ការឆ្លងកាត់ឯកសារដំបូង និងការបង្កើតការធ្វើតេស្តជាមូលដ្ឋាន។ ប៉ុន្តែវិស្វកម្មទិន្នន័យក៏មានភាពជាម្ចាស់ និងការទទួលខុសត្រូវផងដែរ បូករួមទាំងការងារដែលមិនគួរឱ្យចាប់អារម្មណ៍នៃការធ្វើឱ្យការពិតអាជីវកម្មរញ៉េរញ៉ៃមានឥរិយាបទដូចជាប្រព័ន្ធដែលអាចទុកចិត្តបាន។ ផ្នែកទាំងនោះនៅតែត្រូវការមនុស្សដើម្បីសម្រេចចិត្តថា "ត្រឹមត្រូវ" មើលទៅដូចអ្វី និងទទួលខុសត្រូវនៅពេលដែលមានរឿងកើតឡើង។.

តើ​ផ្នែក​ណាខ្លះ​នៃ​វិស្វកម្ម​ទិន្នន័យ​ដែល AI កំពុង​ធ្វើ​ស្វ័យប្រវត្តិកម្ម​រួចហើយ?

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។.

តើ​ជំនាញ​អ្វីខ្លះ​ដែល​នៅតែ​មានតម្លៃ​សម្រាប់​វិស្វករ​ទិន្នន័យ ខណៈ​ដែល​បញ្ញា​សិប្បនិម្មិត (AI) មាន​ភាព​រីកចម្រើន?

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

1. គណៈកម្មការអឺរ៉ុប - ការពន្យល់អំពីការការពារទិន្នន័យ៖ គោលការណ៍ GDPR - commission.europa.eu

2. ការិយាល័យស្នងការព័ត៌មាន (ICO) - ការកំណត់ការផ្ទុក - ico.org.uk

3. គណៈកម្មការអឺរ៉ុប - តើទិន្នន័យអាចរក្សាទុកបានរយៈពេលប៉ុន្មាន ហើយតើចាំបាច់ត្រូវធ្វើបច្ចុប្បន្នភាពវាដែរឬទេ? - commission.europa.eu

4. វិទ្យាស្ថានជាតិស្តង់ដារ និងបច្ចេកវិទ្យា (NIST) - ក្របខ័ណ្ឌឯកជនភាព - nist.gov

5. មជ្ឈមណ្ឌលធនធានសន្តិសុខកុំព្យូទ័រ NIST (CSRC) - SP 800-92៖ មគ្គុទ្ទេសក៍សម្រាប់ការគ្រប់គ្រងកំណត់ហេតុសុវត្ថិភាពកុំព្យូទ័រ - csrc.nist.gov

6. មជ្ឈមណ្ឌលសន្តិសុខអ៊ីនធឺណិត (CIS) - ការគ្រប់គ្រងកំណត់ហេតុសវនកម្ម (ការគ្រប់គ្រង CIS) - cisecurity.org

7. ឯកសារ Snowflake - គោលការណ៍ចូលប្រើជួរដេក - docs.snowflake.com

8. ឯកសារ Google Cloud - សុវត្ថិភាពកម្រិតជួរដេក BigQuery - docs.cloud.google.com

9. BITOL - ស្តង់ដារកិច្ចសន្យាទិន្នន័យបើកចំហ (ODCS) កំណែ 3.1.0 - bitol-io.github.io

10. BITOL (GitHub) - ស្តង់ដារកិច្ចសន្យាទិន្នន័យបើកចំហ - github.com

11. Apache Airflow - ឯកសារ (មានស្ថេរភាព) - airflow.apache.org

12. លំហូរខ្យល់ Apache - DAGs (គោលគំនិតស្នូល) - airflow.apache.org

13. ឯកសារមន្ទីរពិសោធន៍ dbt - តើ dbt ជាអ្វី? - docs.getdbt.com

14. ឯកសារមន្ទីរពិសោធន៍ dbt - អំពីម៉ូដែល dbt - docs.getdbt.com

15. ឯកសារមន្ទីរពិសោធន៍ dbt - ឯកសារ - docs.getdbt.com

16. ឯកសារមន្ទីរពិសោធន៍ dbt - ការធ្វើតេស្តទិន្នន័យ - docs.getdbt.com

17. ឯកសារមន្ទីរពិសោធន៍ dbt - ស្រទាប់ន័យវិទ្យា dbt - docs.getdbt.com

18. ឯកសារ Fivetran - ការចាប់ផ្តើម - fivetran.com

19. Fivetran - ឧបករណ៍ភ្ជាប់ - fivetran.com

20. ឯកសារ AWS - មគ្គុទ្ទេសក៍អ្នកអភិវឌ្ឍន៍ AWS Lambda - docs.aws.amazon.com

21. GitHub - GitHub Copilot - github.com

22. ឯកសារ GitHub - ការទទួលបានការណែនាំអំពីកូដនៅក្នុង IDE របស់អ្នកជាមួយ GitHub Copilot - docs.github.com

23. Microsoft Learn - GitHub Copilot សម្រាប់ SQL (ផ្នែកបន្ថែម VS Code) - learn.microsoft.com

24. ឯកសារ Dynatrace - លទ្ធភាពសង្កេតទិន្នន័យ - docs.dynatrace.com

25. DataGalaxy - តើ​ភាពអាចសង្កេតទិន្នន័យ​ជាអ្វី? - datagalaxy.com

26. ឯកសារស្តីពីការរំពឹងទុកដ៏អស្ចារ្យ - ទិដ្ឋភាពទូទៅនៃការរំពឹងទុក - docs.greatexpectations.io

ស្វែងរក AI ចុងក្រោយបំផុតនៅហាងជំនួយការ AI ផ្លូវការ

អំពីយើង