AI ຈະທົດແທນວິສະວະກອນຂໍ້ມູນບໍ?

ຄຳຕອບສັ້ນໆ: AI ຈະບໍ່ທົດແທນວິສະວະກອນຂໍ້ມູນໂດຍກົງ; ມັນຈະເຮັດໃຫ້ວຽກງານທີ່ຊ້ຳໆເປັນອັດຕະໂນມັດເຊັ່ນ: ການຮ່າງ SQL, ການກໍ່ສ້າງທໍ່ສົ່ງ, ການທົດສອບ ແລະ ເອກະສານ. ຖ້າບົດບາດຂອງເຈົ້າສ່ວນໃຫຍ່ແມ່ນວຽກງານທີ່ມີຄວາມເປັນເຈົ້າຂອງຕ່ຳ, ເຮັດວຽກທີ່ຂັບເຄື່ອນດ້ວຍໃບສັ່ງ, ມັນຈະເປີດເຜີຍຫຼາຍຂຶ້ນ; ຖ້າເຈົ້າເປັນເຈົ້າຂອງຄວາມໜ້າເຊື່ອຖື, ຄຳນິຍາມ, ການຄຸ້ມຄອງ ແລະ ການຕອບສະໜອງຕໍ່ເຫດການ, AI ສ່ວນໃຫຍ່ຈະເຮັດໃຫ້ເຈົ້າໄວຂຶ້ນ.

ບົດຮຽນຫຼັກ:

ຄວາມເປັນເຈົ້າຂອງ : ໃຫ້ຄວາມສຳຄັນກັບຄວາມຮັບຜິດຊອບຕໍ່ຜົນໄດ້ຮັບ, ບໍ່ພຽງແຕ່ຜະລິດລະຫັດໄດ້ຢ່າງວ່ອງໄວ.

ຄຸນນະພາບ : ສ້າງການທົດສອບ, ການສັງເກດການ, ແລະ ສັນຍາເພື່ອໃຫ້ທໍ່ສົ່ງຍັງຄົງໜ້າເຊື່ອຖື.

ການຄຸ້ມຄອງ : ຮັກສາຄວາມເປັນສ່ວນຕົວ, ການຄວບຄຸມການເຂົ້າເຖິງ, ການເກັບຮັກສາ ແລະ ການກວດສອບເສັ້ນທາງທີ່ເປັນຂອງມະນຸດ.

ການຕ້ານທານການໃຊ້ໃນທາງທີ່ຜິດ : ປະຕິບັດຕໍ່ຜົນຜະລິດຂອງ AI ຄືກັບຮ່າງ; ທົບທວນຄືນພວກມັນເພື່ອຫຼີກເວັ້ນຄວາມຜິດພາດທີ່ໝັ້ນໃຈ.

ການປ່ຽນແປງບົດບາດ : ໃຊ້ເວລາໜ້ອຍລົງໃນການພິມແບບແຜນ ແລະ ມີເວລາຫຼາຍຂຶ້ນໃນການອອກແບບລະບົບທີ່ທົນທານ.

ຖ້າທ່ານໄດ້ໃຊ້ເວລາຫຼາຍກວ່າຫ້ານາທີຢູ່ກັບທີມງານຂໍ້ມູນ, ທ່ານເຄີຍໄດ້ຍິນຄຳເວົ້າທີ່ຄ່ອຍໆເວົ້າອອກມາ - ບາງຄັ້ງກໍ່ເວົ້າຄ່ອຍໆ, ບາງຄັ້ງກໍ່ເວົ້າອອກມາຄືກັບການບິດເບືອນເລື່ອງ: AI ຈະມາແທນວິສະວະກອນຂໍ້ມູນບໍ?

ແລະ... ຂ້ອຍເຂົ້າໃຈແລ້ວ. AI ສາມາດສ້າງ SQL, ສ້າງ pipelines, ອະທິບາຍ stack traces, ຮ່າງແບບຈຳລອງ dbt, ແມ່ນແຕ່ແນະນຳ schemas ຄັງສິນຄ້າດ້ວຍຄວາມໝັ້ນໃຈທີ່ບໍ່ໝັ້ນຄົງ. GitHub Copilot ສຳລັບ SQL ກ່ຽວກັບແບບຈຳລອງ dbt GitHub Copilot
ມັນຮູ້ສຶກຄືກັບການເບິ່ງລົດຍົກຮຽນຮູ້ທີ່ຈະຫຼິ້ນກົນ. ໜ້າປະທັບໃຈ, ໜ້າຕົກໃຈເລັກນ້ອຍ, ແລະເຈົ້າບໍ່ແນ່ໃຈວ່າມັນໝາຍຄວາມວ່າແນວໃດຕໍ່ວຽກຂອງເຈົ້າ 😅

ແຕ່ຄວາມຈິງແລ້ວມັນບໍ່ເປັນລະບຽບຮຽບຮ້ອຍຄືກັບຫົວຂໍ້ຂ່າວ. AI ກຳລັງປ່ຽນແປງວິສະວະກຳຂໍ້ມູນຢ່າງແທ້ຈິງ. ມັນກຳລັງເຮັດໃຫ້ສ່ວນທີ່ໜ້າເບື່ອ ແລະ ຊ້ຳໆເປັນອັດຕະໂນມັດ. ມັນກຳລັງເລັ່ງຊ່ວງເວລາທີ່ "ຂ້ອຍຮູ້ວ່າຂ້ອຍຕ້ອງການຫຍັງ ແຕ່ຈື່ບໍ່ໄດ້" ໃຫ້ໄວຂຶ້ນ. ມັນຍັງສ້າງຄວາມວຸ້ນວາຍແບບໃໝ່ອີກ.

ສະນັ້ນ, ຂໍໃຫ້ພວກເຮົາວາງມັນອອກຢ່າງຖືກຕ້ອງ, ໂດຍບໍ່ມີການເບິ່ງໂລກໃນແງ່ດີແບບຄື້ນໆ ຫຼື ຄວາມຕື່ນຕົກໃຈທີ່ເລື່ອນລົງມາ.

ບົດຄວາມທີ່ທ່ານອາດຈະຢາກອ່ານຫຼັງຈາກບົດຄວາມນີ້:

🔗 AI ຈະທົດແທນນັກວິທະຍາສາດດ້ານລັງສີບໍ?
ວິທີທີ່ AI ໃນການຖ່າຍພາບປ່ຽນແປງຂະບວນການເຮັດວຽກ, ຄວາມຖືກຕ້ອງ ແລະ ບົດບາດໃນອະນາຄົດ.

🔗 AI ຈະທົດແທນນັກບັນຊີບໍ?
ເບິ່ງວ່າໜ້າວຽກບັນຊີໃດທີ່ AI ເຮັດໃຫ້ເປັນອັດຕະໂນມັດ ແລະ ໜ້າວຽກໃດທີ່ຍັງຄົງເປັນມະນຸດ.

🔗 AI ຈະທົດແທນນັກທະນາຄານລົງທຶນບໍ?
ເຂົ້າໃຈຜົນກະທົບຂອງ AI ຕໍ່ຂໍ້ຕົກລົງ, ການຄົ້ນຄວ້າ ແລະ ການພົວພັນກັບລູກຄ້າ.

🔗 AI ຈະມາແທນຕົວແທນປະກັນໄພບໍ?
ຮຽນຮູ້ວິທີທີ່ AI ປ່ຽນຮູບແບບການຮັບປະກັນ, ການຂາຍ ແລະ ການສະໜັບສະໜູນລູກຄ້າ.

---

ເປັນຫຍັງຄຳຖາມ “AI ແທນວິສະວະກອນຂໍ້ມູນ” ຈຶ່ງກັບມາປາກົດຂຶ້ນເລື້ອຍໆ 😬

ຄວາມຢ້ານກົວມາຈາກສະຖານທີ່ສະເພາະໃດໜຶ່ງ: ວິສະວະກຳຂໍ້ມູນມີວຽກທີ່ເຮັດຊ້ຳໄດ້ຫຼາຍຢ່າງ .

• ການຂຽນ ແລະ ການປັບປຸງ SQL

• ການສ້າງສະຄຣິບການນຳເຂົ້າ

• ການສ້າງແຜນທີ່ພາກສະໜາມຈາກໂຄງຮ່າງໜຶ່ງໄປຫາອີກໂຄງຮ່າງໜຶ່ງ

• ການສ້າງແບບທົດສອບ ແລະ ເອກະສານພື້ນຖານ

• ການແກ້ໄຂຄວາມລົ້ມເຫຼວຂອງທໍ່ສົ່ງທີ່... ສາມາດຄາດເດົາໄດ້

AI ເກັ່ງຫຼາຍໃນຮູບແບບທີ່ເຮັດຊ້ຳໄດ້. ແລະ ວິສະວະກຳຂໍ້ມູນສ່ວນໃຫຍ່ແມ່ນຮູບແບບທີ່ຊ້ອນກັນຢູ່ເທິງຮູບແບບຕ່າງໆ. ຄຳແນະນຳລະຫັດ GitHub Copilot

ນອກຈາກນີ້, ລະບົບນິເວດເຄື່ອງມືຕ່າງໆກໍ່ "ເຊື່ອງ" ຄວາມຊັບຊ້ອນໄວ້ແລ້ວ:

• ຕົວເຊື່ອມຕໍ່ ELT ທີ່ຄຸ້ມຄອງ ເອກະສານ Fivetran

• ການປະມວນຜົນແບບບໍ່ມີເຊີບເວີ AWS Lambda (ການປະມວນຜົນແບບບໍ່ມີເຊີບເວີ)

• ການຈັດສັນສາງສິນຄ້າດ້ວຍການຄລິກດຽວ

• ເອກະສານ Apache Airflow ກ່ຽວກັບການປັບຂະໜາດອັດຕະໂນມັດ

• ຂອບການຫັນປ່ຽນແບບປະກາດ dbt ແມ່ນຫຍັງ?

ສະນັ້ນເມື່ອ AI ປາກົດຂຶ້ນ, ມັນອາດຈະຮູ້ສຶກຄືກັບຊິ້ນສ່ວນສຸດທ້າຍ. ຖ້າ stack ໄດ້ຖືກແຍກອອກແລ້ວ, ແລະ AI ສາມາດຂຽນລະຫັດກາວໄດ້... ຈະເຫຼືອຫຍັງ? 🤷

ແຕ່ນີ້ແມ່ນສິ່ງທີ່ຄົນເຮົາມອງຂ້າມ: ວິສະວະກຳຂໍ້ມູນສ່ວນໃຫຍ່ບໍ່ແມ່ນການພິມ . ການພິມແມ່ນສ່ວນທີ່ງ່າຍ. ສ່ວນທີ່ຍາກແມ່ນການເຮັດໃຫ້ຄວາມເປັນຈິງທາງທຸລະກິດທີ່ມົວ, ທາງດ້ານການເມືອງ, ແລະປ່ຽນແປງໄປມາປະພຶດຕົວຄືກັບລະບົບທີ່ໜ້າເຊື່ອຖື.

ແລະ AI ຍັງຄົງດີ້ນລົນກັບຄວາມມືດມົວນັ້ນ. ຜູ້ຄົນກໍ່ດີ້ນລົນຄືກັນ - ພວກເຂົາພຽງແຕ່ປັບປຸງໃຫ້ດີຂຶ້ນເທົ່ານັ້ນ.

---

ສິ່ງທີ່ວິສະວະກອນຂໍ້ມູນເຮັດຕະຫຼອດມື້ (ຄວາມຈິງທີ່ບໍ່ໜ້າສົນໃຈ) 🧱

ເວົ້າກົງໄປກົງມາ - ຕຳແໜ່ງງານ "ວິສະວະກອນຂໍ້ມູນ" ຟັງຄືກັບວ່າເຈົ້າກຳລັງສ້າງເຄື່ອງຈັກຈະຫຼວດຈາກຄະນິດສາດບໍລິສຸດ. ໃນທາງປະຕິບັດ, ເຈົ້າກຳລັງສ້າງ ຄວາມໄວ້ວາງໃຈ .

ມື້ປົກກະຕິແມ່ນໜ້ອຍລົງ "ປະດິດອັລກໍຣິທຶມໃໝ່" ແລະ ຫຼາຍກວ່ານັ້ນ:

• ການເຈລະຈາກັບທີມງານຕົ້ນນ້ຳກ່ຽວກັບຄຳນິຍາມຂໍ້ມູນ (ເຈັບປວດແຕ່ຈຳເປັນ)

• ການສືບສວນວ່າເປັນຫຍັງຕົວຊີ້ວັດຈຶ່ງມີການປ່ຽນແປງ (ແລະວ່າມັນເປັນຈິງຫຼືບໍ່)

• ການຈັດການກັບການເລື່ອນຂອງໂຄງຮ່າງ ແລະ ຄວາມແປກໃຈ “ມີຄົນເພີ່ມຖັນໃນເວລາທ່ຽງຄືນ”

• ຮັບປະກັນວ່າທໍ່ສົ່ງນ້ຳມັນມີຄວາມຄືກັນ, ສາມາດກູ້ຄືນໄດ້, ແລະ ສາມາດສັງເກດເຫັນໄດ້

• ການສ້າງຮົ້ວກັ້ນເພື່ອບໍ່ໃຫ້ນັກວິເຄາະຊັ້ນລຸ່ມສ້າງແຜງຄວບຄຸມທີ່ບໍ່ມີປະໂຫຍດໂດຍບັງເອີນ

• ການຄຸ້ມຄອງຕົ້ນທຶນເພື່ອບໍ່ໃຫ້ສາງຂອງທ່ານກາຍເປັນກອງໄຟເງິນ 🔥

• ນະໂຍບາຍການຮັບປະກັນການເຂົ້າເຖິງ, ການກວດສອບ, ການປະຕິບັດຕາມ, ແລະ ການເກັບຮັກສາ ຫຼັກການ GDPR (ຄະນະກຳມະການເອີຣົບ) ຂໍ້ຈຳກັດການເກັບຮັກສາ (ICO)

• ການສ້າງຜະລິດຕະພັນຂໍ້ມູນທີ່ຜູ້ຄົນສາມາດໃຊ້ໄດ້ໂດຍບໍ່ຕ້ອງສົ່ງຂໍ້ຄວາມສ່ວນຕົວຫາເຈົ້າ 20 ຄຳຖາມ

ສ່ວນໃຫຍ່ຂອງວຽກແມ່ນສັງຄົມ ແລະ ການດຳເນີນງານ:

• "ໃຜເປັນເຈົ້າຂອງໂຕະນີ້?"

• "ຄຳນິຍາມນີ້ຍັງຖືກຕ້ອງຢູ່ບໍ?"

• "ເປັນຫຍັງ CRM ຈຶ່ງສົ່ງອອກຂໍ້ມູນຊ້ຳກັນ?"

• "ພວກເຮົາສາມາດສົ່ງຕົວຊີ້ວັດນີ້ໄປຫາຜູ້ບໍລິຫານໂດຍບໍ່ມີຄວາມອັບອາຍໄດ້ບໍ?" 😭

ແນ່ນອນ, AI ສາມາດຊ່ວຍໃນບາງສ່ວນຂອງສິ່ງນີ້ໄດ້. ແຕ່ການທົດແທນມັນທັງໝົດແມ່ນ… ເປັນເລື່ອງທີ່ຍາກ.

---

ສິ່ງໃດທີ່ເຮັດໃຫ້ບົດບາດວິສະວະກຳຂໍ້ມູນມີບົດບາດທີ່ເຂັ້ມແຂງ? ✅

ພາກນີ້ມີຄວາມສຳຄັນເພາະວ່າການເວົ້າກ່ຽວກັບການທົດແທນມັກຈະສົມມຸດວ່າວິສະວະກອນຂໍ້ມູນສ່ວນໃຫຍ່ແມ່ນ "ຜູ້ສ້າງທໍ່ສົ່ງ". ນັ້ນຄືກັບການສົມມຸດວ່າພໍ່ຄົວສ່ວນໃຫຍ່ແມ່ນ "ຟັກຜັກ". ມັນເປັນສ່ວນໜຶ່ງຂອງວຽກ, ແຕ່ມັນບໍ່ແມ່ນວຽກ.

ວິສະວະກອນຂໍ້ມູນລຸ້ນທີ່ເຂັ້ມແຂງ ມັກ ຈະໝາຍຄວາມວ່າພວກເຂົາສາມາດເຮັດສິ່ງເຫຼົ່ານີ້ໄດ້ສ່ວນໃຫຍ່:

• ອອກແບບເພື່ອການປ່ຽນແປງ
  ຂໍ້ມູນປ່ຽນແປງ. ທີມງານປ່ຽນແປງ. ເຄື່ອງມືປ່ຽນແປງ. ວິສະວະກອນທີ່ດີສ້າງລະບົບທີ່ບໍ່ລົ້ມເຫຼວທຸກຄັ້ງທີ່ຄວາມເປັນຈິງຈາມ 🤧

• ນິຍາມສັນຍາ ແລະ ຄວາມຄາດຫວັງ
  “ລູກຄ້າ” ໝາຍຄວາມວ່າແນວໃດ? “ໃຊ້ງານ” ໝາຍຄວາມວ່າແນວໃດ? ຈະເກີດຫຍັງຂຶ້ນເມື່ອການຕໍ່ລອງມາຮອດຊ້າ? ສັນຍາປ້ອງກັນຄວາມວຸ້ນວາຍໄດ້ຫຼາຍກວ່າລະຫັດທີ່ທັນສະໄໝ. ມາດຕະຖານສັນຍາຂໍ້ມູນເປີດ (ODCS) ODCS (GitHub)

• ສ້າງຄວາມສາມາດໃນການສັງເກດການໃນທຸກສິ່ງທຸກຢ່າງ
  ບໍ່ພຽງແຕ່ "ມັນເຮັດວຽກໄດ້ບໍ" ແຕ່ "ມັນເຮັດວຽກຢ່າງຖືກຕ້ອງບໍ." ຄວາມສົດໃໝ່, ຄວາມຜິດປົກກະຕິຂອງປະລິມານ, ການລະເບີດຂອງຄ່າ null, ການປ່ຽນແປງການແຈກຢາຍ. ຄວາມສາມາດໃນການສັງເກດການຂໍ້ມູນ (Dynatrace) ຄວາມສາມາດໃນການສັງເກດການຂໍ້ມູນແມ່ນຫຍັງ?

• ເຮັດການແລກປ່ຽນຄືກັບຜູ້ໃຫຍ່
  ຄວາມໄວທຽບກັບຄວາມຖືກຕ້ອງ, ຄ່າໃຊ້ຈ່າຍທຽບກັບຄວາມຊັກຊ້າ, ຄວາມຍືດຫຍຸ່ນທຽບກັບຄວາມລຽບງ່າຍ. ບໍ່ມີທໍ່ສົ່ງທີ່ສົມບູນແບບ, ມີແຕ່ທໍ່ສົ່ງເທົ່ານັ້ນທີ່ເຈົ້າສາມາດຢູ່ນຳໄດ້.

• ແປຄວາມຕ້ອງການທາງທຸລະກິດໃຫ້ເປັນລະບົບທີ່ທົນທານ
  ຜູ້ຄົນຮ້ອງຂໍຕົວຊີ້ວັດ, ແຕ່ສິ່ງທີ່ພວກເຂົາຕ້ອງການແມ່ນຜະລິດຕະພັນຂໍ້ມູນ. AI ສາມາດຮ່າງລະຫັດໄດ້, ແຕ່ມັນບໍ່ສາມາດຮູ້ລະເບີດຝັງດິນທາງທຸລະກິດໄດ້ຢ່າງມະຫັດສະຈັນ.

• ຮັກສາຂໍ້ມູນໃຫ້ງຽບໆ
  ຄຳຍ້ອງຍໍສູງສຸດສຳລັບແພລດຟອມຂໍ້ມູນແມ່ນບໍ່ມີໃຜເວົ້າກ່ຽວກັບມັນ. ຂໍ້ມູນທີ່ບໍ່ມີເຫດການແມ່ນຂໍ້ມູນທີ່ດີ. ຄືກັບທໍ່ນໍ້າ. ເຈົ້າຈະສັງເກດເຫັນມັນເມື່ອມັນລົ້ມເຫຼວເທົ່ານັ້ນ 🚽

ຖ້າທ່ານກຳລັງເຮັດສິ່ງເຫຼົ່ານີ້, ຄຳຖາມທີ່ວ່າ "AI ຈະທົດແທນວິສະວະກອນຂໍ້ມູນບໍ?" ຈະເລີ່ມຟັງຄືວ່າ... ຜິດປົກກະຕິເລັກນ້ອຍ. AI ສາມາດທົດແທນ ວຽກງານໄດ້ , ບໍ່ແມ່ນ ການເປັນເຈົ້າຂອງ .

---

ບ່ອນທີ່ AI ກຳລັງຊ່ວຍວິສະວະກອນຂໍ້ມູນຢູ່ແລ້ວ (ແລະມັນດີຫຼາຍແທ້ໆ) 🤖✨

AI ບໍ່ແມ່ນພຽງແຕ່ການຕະຫຼາດເທົ່ານັ້ນ. ຖ້າໃຊ້ດີມັນກໍ່ເປັນຕົວຄູນກຳລັງທີ່ຖືກຕ້ອງ.

1) ວຽກງານ SQL ແລະ ການຫັນປ່ຽນໄວຂຶ້ນ

• ການຮ່າງການເຊື່ອມຕໍ່ທີ່ສັບສົນ

• ກຳລັງຂຽນຟັງຊັນໜ້າຕ່າງທີ່ທ່ານບໍ່ຢາກຄິດເຖິງ

• ການປ່ຽນເຫດຜົນພາສາທຳມະດາໃຫ້ເປັນໂຄງຮ່າງການສອບຖາມ

• ການປັບປຸງໂຄງສ້າງຄຳຖາມທີ່ບໍ່ດີໃຫ້ເປັນ CTE ທີ່ອ່ານໄດ້ GitHub Copilot ສຳລັບ SQL

ນີ້ແມ່ນເລື່ອງໃຫຍ່ເພາະມັນຊ່ວຍຫຼຸດຜ່ອນຜົນກະທົບຂອງ "ໜ້າເປົ່າ". ທ່ານຍັງຕ້ອງການກວດສອບຄວາມຖືກຕ້ອງ, ແຕ່ທ່ານເລີ່ມຕົ້ນດ້ວຍ 70% ແທນທີ່ຈະເປັນ 0%.

2) ການແກ້ໄຂບັນຫາ ແລະ ສາເຫດຕົ້ນຕໍ

AI ມີຄວາມສາມາດໃນການເຮັດວຽກໄດ້ດີໃນ:

• ການອະທິບາຍຂໍ້ຄວາມຜິດພາດ

• ແນະນຳວ່າຈະເບິ່ງຢູ່ໃສ

• ແນະນຳຂັ້ນຕອນປະເພດ “ກວດສອບ schema ບໍ່ກົງກັນ” GitHub Copilot
  ມັນຄືກັບການມີວິສະວະກອນລຸ້ນໃໝ່ທີ່ບໍ່ມີອິດເມື່ອຍຜູ້ທີ່ບໍ່ເຄີຍນອນຫຼັບ ແລະບາງຄັ້ງກໍ່ຕົວະຢ່າງໝັ້ນໃຈ 😅

3) ການປັບປຸງເອກະສານ ແລະ ລາຍການຂໍ້ມູນ

ສ້າງໂດຍອັດຕະໂນມັດ:

• ລາຍລະອຽດຖັນ

• ສະຫຼຸບຮູບແບບ

• ຄຳອະທິບາຍກ່ຽວກັບເຊື້ອສາຍ

• "ຕາຕະລາງນີ້ໃຊ້ເພື່ອຫຍັງ?" ຮ່າງ ເອກະສານ dbt

ມັນບໍ່ສົມບູນແບບ, ແຕ່ມັນທຳລາຍຄຳສາບແຊ່ງຂອງທໍ່ສົ່ງທີ່ບໍ່ມີເອກະສານ.

4) ທົດສອບ ແລະ ກວດສອບໂຄງສ້າງ

AI ສາມາດສະເໜີ:

• ການທົດສອບພື້ນຖານທີ່ເປັນໂມຄະ

• ການກວດສອບຄວາມເປັນເອກະລັກ

• ແນວຄວາມຄິດກ່ຽວກັບຄວາມສົມບູນແບບຂອງການອ້າງອີງ

• ການຢືນຢັນແບບ “ຕົວຊີ້ວັດນີ້ບໍ່ຄວນຫຼຸດລົງ” ການທົດສອບຂໍ້ມູນ dbt ຄວາມຄາດຫວັງທີ່ຍິ່ງໃຫຍ່: ຄວາມຄາດຫວັງ

ອີກເທື່ອໜຶ່ງ - ເຈົ້າຍັງຕັດສິນໃຈໄດ້ວ່າສິ່ງໃດສຳຄັນ, ແຕ່ມັນເຮັດໃຫ້ສ່ວນຕ່າງໆໃນກິດຈະວັດປະຈຳວັນໄວຂຶ້ນ.

5) ລະຫັດ "ກາວ" ຂອງທໍ່ສົ່ງນ້ຳ

ແມ່ແບບການຕັ້ງຄ່າ, YAML scaffolds, ຮ່າງ DAG orchestration. ສິ່ງນັ້ນແມ່ນຊ້ຳໆ ແລະ AI ກິນຊ້ຳໆເປັນອາຫານເຊົ້າ 🥣 Apache Airflow DAGs

---

ບ່ອນທີ່ AI ຍັງຄົງປະສົບກັບຄວາມຫຍຸ້ງຍາກ (ແລະນີ້ແມ່ນຫຼັກຂອງມັນ) 🧠🧩

ນີ້ແມ່ນສ່ວນທີ່ສຳຄັນທີ່ສຸດ, ເພາະມັນຕອບຄຳຖາມການທົດແທນດ້ວຍໂຄງສ້າງທີ່ແທ້ຈິງ.

1) ຄວາມກຳກວມ ແລະ ຄຳນິຍາມທີ່ປ່ຽນແປງ

ເຫດຜົນທາງທຸລະກິດບໍ່ຄ່ອຍຈະແຈ້ງເທົ່າໃດ. ຄົນເຮົາມັກປ່ຽນໃຈກາງປະໂຫຍກ. “ຜູ້ໃຊ້ທີ່ໃຊ້ງານຢູ່” ກາຍເປັນ “ຜູ້ໃຊ້ທີ່ຈ່າຍເງິນຢູ່” ກາຍເປັນ “ຜູ້ໃຊ້ທີ່ຈ່າຍເງິນຢູ່ ຍົກເວັ້ນການຄືນເງິນຍົກເວັ້ນບາງຄັ້ງ”... ເຈົ້າຮູ້ບໍ່ວ່າມັນເປັນແນວໃດ.

AI ບໍ່ສາມາດເປັນເຈົ້າຂອງຄວາມບໍ່ແນ່ນອນນັ້ນໄດ້. ມັນສາມາດຄາດເດົາໄດ້ເທົ່ານັ້ນ.

2) ຄວາມຮັບຜິດຊອບ ແລະ ຄວາມສ່ຽງ

ເມື່ອທໍ່ສົ່ງນ້ຳແຕກ ແລະ ແຜງຄວບຄຸມ exec ສະແດງຄວາມບໍ່ສຳຄັນ, ບາງຄົນຕ້ອງ:

• ການຄັດເລືອກ

• ສື່ສານຜົນກະທົບ

• ແກ້ໄຂມັນ

• ປ້ອງກັນການເກີດຂຶ້ນຊ້ຳອີກ

• ຂຽນບົດສະຫຼຸບຫຼັງການຕາຍ

• ຕັດສິນໃຈວ່າທຸລະກິດຍັງສາມາດໄວ້ວາງໃຈຕົວເລກຂອງອາທິດແລ້ວນີ້ໄດ້ຫຼືບໍ່

ປັນຍາປະດິດສາມາດຊ່ວຍໄດ້, ແຕ່ມັນບໍ່ສາມາດຮັບຜິດຊອບໃນທາງທີ່ມີຄວາມໝາຍ. ອົງກອນຕ່າງໆບໍ່ໄດ້ເຮັດວຽກດ້ວຍຄວາມຮູ້ສຶກ - ແຕ່ພວກມັນເຮັດວຽກດ້ວຍຄວາມຮັບຜິດຊອບ.

3) ການຄິດແບບລະບົບ

ແພລດຟອມຂໍ້ມູນແມ່ນລະບົບນິເວດ: ການກິນ, ການເກັບຮັກສາ, ການຫັນປ່ຽນ, ການຈັດການ, ການຄຸ້ມຄອງ, ການຄວບຄຸມຕົ້ນທຶນ, SLA. ການປ່ຽນແປງຂອງຄື້ນຊັ້ນດຽວ. ແນວຄວາມຄິດຂອງ Apache Airflow

AI ສາມາດສະເໜີການເພີ່ມປະສິດທິພາບໃນທ້ອງຖິ່ນທີ່ສ້າງຄວາມເຈັບປວດທົ່ວໂລກ. ມັນຄືກັບການແກ້ໄຂປະຕູທີ່ມີສຽງດັງໂດຍການຖອດປະຕູອອກ 😬

4) ຄວາມປອດໄພ, ຄວາມເປັນສ່ວນຕົວ, ການປະຕິບັດຕາມ

ນີ້ແມ່ນບ່ອນທີ່ຈິນຕະນາການທົດແທນຕາຍໄປ.

• ການຄວບຄຸມການເຂົ້າເຖິງ

• ຄວາມປອດໄພລະດັບແຖວ ນະໂຍບາຍການເຂົ້າເຖິງແຖວ Snowflake ຄວາມປອດໄພລະດັບແຖວ BigQuery

• ການຈັດການ PII ຂອບການຄວາມເປັນສ່ວນຕົວຂອງ NIST

• ກົດລະບຽບ ການເກັບຮັກສາ ຂໍ້ຈຳກັດການເກັບຮັກສາ (ICO) ຄຳແນະນຳຂອງ EU ກ່ຽວກັບການເກັບຮັກສາ

• ເສັ້ນທາງການກວດສອບ NIST SP 800-92 (ການຄຸ້ມຄອງບັນທຶກ) CIS Control 8 (ການຄຸ້ມຄອງບັນທຶກການກວດສອບ)

• ຂໍ້ຈຳກັດດ້ານທີ່ຢູ່ອາໄສຂອງຂໍ້ມູນ

AI ສາມາດຮ່າງນະໂຍບາຍໄດ້, ແຕ່ການຈັດຕັ້ງປະຕິບັດນະໂຍບາຍເຫຼົ່ານັ້ນຢ່າງປອດໄພແມ່ນວິສະວະກຳທີ່ແທ້ຈິງ.

5) “ສິ່ງທີ່ບໍ່ຮູ້ຈັກ”

ເຫດການຂໍ້ມູນມັກຈະບໍ່ສາມາດຄາດເດົາໄດ້:

• API ຂອງຜູ້ຂາຍປ່ຽນແປງຄວາມໝາຍຢ່າງງຽບໆ

• ສົມມຸດຕິຖານເຂດເວລາປ່ຽນແປງ

• ການຕື່ມຄືນຂໍ້ມູນຊ້ຳກັນຂອງພາທິຊັນ

• ກົນໄກການລອງໃໝ່ເຮັດໃຫ້ເກີດການຂຽນຊ້ຳກັນ

• ຄຸນສົມບັດຜະລິດຕະພັນໃໝ່ແນະນຳຮູບແບບກິດຈະກຳໃໝ່

AI ຈະອ່ອນແອລົງເມື່ອສະຖານະການບໍ່ແມ່ນຮູບແບບທີ່ຮູ້ຈັກ.

---

ຕາຕະລາງປຽບທຽບ: ສິ່ງທີ່ກຳລັງຫຼຸດຜ່ອນສິ່ງທີ່, ໃນທາງປະຕິບັດ 🧾🤔

ຂ້າງລຸ່ມນີ້ແມ່ນມຸມມອງທີ່ໃຊ້ໄດ້ຈິງ. ບໍ່ແມ່ນ "ເຄື່ອງມືທີ່ທົດແທນຄົນ," ແຕ່ເປັນເຄື່ອງມື ແລະ ວິທີການທີ່ຫຼຸດຜ່ອນວຽກງານບາງຢ່າງ.

ເຄື່ອງມື / ວິທີການ	ຜູ້ຊົມ	ບັນຍາກາດລາຄາ	ເປັນຫຍັງມັນຈຶ່ງໃຊ້ໄດ້
ຜູ້ຮ່ວມພັດທະນາລະຫັດ AI (ຜູ້ຊ່ວຍ SQL + Python) GitHub Copilot	ວິສະວະກອນຜູ້ທີ່ຂຽນລະຫັດຫຼາຍ	ຟຣີ - ຈົນເຖິງ ຈ່າຍ	ເກັ່ງໃນການກໍ່ສ້າງ scaffolding, ການປັບປຸງໂຄງສ້າງ, syntax... ບາງຄັ້ງກໍ່ອວດດີໃນລັກສະນະສະເພາະເຈາະຈົງຫຼາຍ
ຕົວເຊື່ອມຕໍ່ ELT ທີ່ຄຸ້ມຄອງ Fivetran	ທີມງານທີ່ເບື່ອໜ່າຍກັບການກໍ່ສ້າງ	ການສະໝັກໃຊ້-y	ກຳຈັດອາການເຈັບຈາກການກິນແບບກຳນົດເອງ, ແຕ່ສາມາດຢຸດໄດ້ດ້ວຍວິທີໃໝ່ໆທີ່ມ່ວນຊື່ນ
ແພລດຟອມການສັງເກດການຂໍ້ມູນ ການສັງເກດການຂໍ້ມູນ (Dynatrace)	ໃຜກໍຕາມທີ່ເປັນເຈົ້າຂອງ SLA	ລະດັບກາງຫາລະດັບວິສາຫະກິດ	ກວດພົບຄວາມຜິດປົກກະຕິໄດ້ໄວ - ເຊັ່ນ: ເຄື່ອງກວດຈັບຄວັນສຳລັບທໍ່ສົ່ງນ້ຳມັນ 🔔
ຂອບການຫັນປ່ຽນ (ການສ້າງແບບຈຳລອງແບບປະກາດ) dbt	ການວິເຄາະ + DE hybrids	ໂດຍປົກກະຕິແລ້ວເຄື່ອງມື + ຄອມພິວເຕີ	ເຮັດໃຫ້ເຫດຜົນເປັນໂມດູນ ແລະ ສາມາດທົດສອບໄດ້, ມີເສັ້ນໃຍໜ້ອຍລົງ
ລາຍການຂໍ້ມູນ + ຊັ້ນຄວາມໝາຍ dbt ຊັ້ນຄວາມໝາຍ	ອົງກອນທີ່ມີຄວາມສັບສົນທາງດ້ານແມັດຕຣິກ	ຂຶ້ນກັບ, ໃນການປະຕິບັດ	ນິຍາມ “ຄວາມຈິງ” ພຽງຄັ້ງດຽວ - ຫຼຸດຜ່ອນການໂຕ້ວາທີທີ່ບໍ່ມີທີ່ສິ້ນສຸດ
ການປະສານສຽງດ້ວຍແມ່ແບບ Apache Airflow	ທີມງານທີ່ມີຈິດໃຈແບບແພລດຟອມ	ຄ່າໃຊ້ຈ່າຍເປີດ + ການປະຕິບັດງານ	ມາດຕະຖານຂັ້ນຕອນການເຮັດວຽກ; ຫຼຸດຜ່ອນ DAG ຂອງ snowflake
ການສ້າງເອກະສານ dbt ໂດຍໃຊ້ AI	ທີມທີ່ບໍ່ມັກຂຽນເອກະສານ	ລາຄາຖືກຫາປານກາງ	ສ້າງເອກະສານທີ່ "ດີພໍ" ເພື່ອບໍ່ໃຫ້ຄວາມຮູ້ຫາຍໄປ
ນະໂຍບາຍການຄຸ້ມຄອງແບບອັດຕະໂນມັດ NIST Privacy Framework	ສະພາບແວດລ້ອມທີ່ມີການຄວບຄຸມ	ວິສາຫະກິດ-y	ຊ່ວຍບັງຄັບໃຊ້ກົດລະບຽບ - ແຕ່ຍັງຕ້ອງການໃຫ້ມະນຸດອອກແບບກົດລະບຽບ

ສັງເກດສິ່ງທີ່ຂາດຫາຍໄປ: ແຖວທີ່ຂຽນວ່າ "ກົດປຸ່ມເພື່ອລຶບວິສະວະກອນຂໍ້ມູນ." ແມ່ນແລ້ວ... ແຖວນັ້ນບໍ່ມີຢູ່ແລ້ວ 🙃

---

ດັ່ງນັ້ນ... AI ຈະທົດແທນວິສະວະກອນຂໍ້ມູນ, ຫຼືພຽງແຕ່ປ່ຽນບົດບາດ? 🛠️

ນີ້ແມ່ນຄຳຕອບທີ່ບໍ່ແມ່ນເລື່ອງໃຫຍ່: AI ຈະທົດແທນສ່ວນຕ່າງໆຂອງຂະບວນການເຮັດວຽກ, ບໍ່ແມ່ນອາຊີບ.

ແຕ່ມັນ ຈະ ປັບປ່ຽນບົດບາດ. ແລະ ຖ້າທ່ານບໍ່ສົນໃຈເລື່ອງນັ້ນ, ທ່ານຈະຮູ້ສຶກເຖິງການບີບອັດ.

ສິ່ງທີ່ປ່ຽນແປງ:

• ໃຊ້ເວລາໜ້ອຍລົງໃນການຂຽນບົດສະຫຼຸບ

• ໃຊ້ເວລາໜ້ອຍລົງໃນການຄົ້ນຫາເອກະສານ

• ມີເວລາຫຼາຍຂຶ້ນໃນການທົບທວນ, ການກວດສອບຄວາມຖືກຕ້ອງ, ແລະ ການອອກແບບ

• ສັນຍາທີ່ກຳນົດເວລາຫຼາຍຂຶ້ນ ແລະ ຄວາມຄາດຫວັງດ້ານຄຸນນະພາບ ມາດຕະຖານສັນຍາຂໍ້ມູນເປີດ (ODCS)

• ມີເວລາຫຼາຍຂຶ້ນໃນການຮ່ວມມືກັບຜະລິດຕະພັນ, ຄວາມປອດໄພ, ການເງິນ

ນີ້ແມ່ນການປ່ຽນແປງທີ່ລະອຽດອ່ອນ: ວິສະວະກຳຂໍ້ມູນກາຍເປັນເລື່ອງຂອງ "ການສ້າງທໍ່ສົ່ງຂໍ້ມູນ" ໜ້ອຍລົງ ແລະ ເປັນເລື່ອງຂອງ "ການສ້າງລະບົບຜະລິດຕະພັນຂໍ້ມູນທີ່ໜ້າເຊື່ອຖື"

ແລະໃນເວລາສັ້ນໆ, ມັນມີຄ່າຫຼາຍກວ່າ, ບໍ່ແມ່ນໜ້ອຍກວ່າ.

ນອກຈາກນີ້ - ແລະຂ້ອຍຈະເວົ້າແບບນີ້ເຖິງແມ່ນວ່າມັນຈະຟັງຄືວ່າໜ້າຕື່ນເຕັ້ນ - AI ເພີ່ມຈຳນວນຄົນທີ່ສາມາດຜະລິດສິ່ງປະດິດຂໍ້ມູນ , ເຊິ່ງເພີ່ມຄວາມຕ້ອງການຂອງຜູ້ໃດຜູ້ໜຶ່ງທີ່ຈະຮັກສາທຸກຢ່າງໃຫ້ສະຫງົບ. ຜົນຜະລິດຫຼາຍຂຶ້ນໝາຍເຖິງຄວາມສັບສົນທີ່ອາດເກີດຂຶ້ນຫຼາຍຂຶ້ນ. GitHub Copilot

ມັນຄືກັບການໃຫ້ສະວ່ານໄຟຟ້າທຸກຄົນ. ດີຫຼາຍ! ດຽວນີ້ມີຄົນຕ້ອງບັງຄັບໃຊ້ກົດລະບຽບ "ກະລຸນາຢ່າເຈາະເຂົ້າໄປໃນທໍ່ນໍ້າ" 🪠

---

ຊຸດທັກສະໃໝ່ທີ່ຍັງຄົງມີຄຸນຄ່າ (ເຖິງແມ່ນວ່າຈະມີ AI ຢູ່ທົ່ວທຸກແຫ່ງ) 🧠⚙️

ຖ້າທ່ານຕ້ອງການບັນຊີກວດສອບ "ທີ່ທົນທານຕໍ່ອະນາຄົດ" ທີ່ໃຊ້ໄດ້ຈິງ, ມັນຈະມີລັກສະນະແບບນີ້:

ແນວ​ຄວາມ​ຄິດ​ດ້ານ​ການ​ອອກ​ແບບ​ລະ​ບົບ

• ການສ້າງແບບຈຳລອງຂໍ້ມູນທີ່ຢູ່ລອດຈາກການປ່ຽນແປງ

• ການແລກປ່ຽນແບບ Batch vs Streaming

• ການຄິດກ່ຽວກັບຄວາມຊັກຊ້າ, ຄ່າໃຊ້ຈ່າຍ, ຄວາມໜ້າເຊື່ອຖື

ວິສະວະກຳຄຸນນະພາບຂໍ້ມູນ

• ສັນຍາ, ການຢັ້ງຢືນ, ການກວດຈັບຄວາມຜິດປົກກະຕິ ມາດຕະຖານສັນຍາຂໍ້ມູນເປີດ (ODCS) ການສັງເກດຂໍ້ມູນ (Dynatrace)

• SLAs, SLOs, ນິໄສການຕອບສະໜອງຕໍ່ເຫດການ

• ການວິເຄາະສາເຫດຮາກຖານດ້ວຍວິໄນ (ບໍ່ແມ່ນຄວາມຮູ້ສຶກ)

ສະຖາປັດຕະຍະກຳການປົກຄອງ ແລະ ຄວາມໄວ້ວາງໃຈ

• ຮູບແບບການເຂົ້າເຖິງ

• ການກວດສອບ NIST SP 800-92 (ການຄຸ້ມຄອງບັນທຶກ)

• ຄວາມເປັນສ່ວນຕົວຕາມການອອກແບບ NIST Privacy Framework

• ການຄຸ້ມຄອງວົງຈອນຊີວິດຂໍ້ມູນ ຄຳແນະນຳຂອງ EU ກ່ຽວກັບການເກັບຮັກສາ

ການຄິດແບບແພລດຟອມ

• ແມ່ແບບທີ່ໃຊ້ຄືນໄດ້, ເສັ້ນທາງສີທອງ

• ຮູບແບບມາດຕະຖານສຳລັບການກິນ, ການຫັນປ່ຽນ, ການທົດສອບ Fivetran dbt

• ເຄື່ອງມືທີ່ໃຫ້ບໍລິການດ້ວຍຕົນເອງທີ່ບໍ່ລະລາຍລົງ

ການສື່ສານ (ແມ່ນແລ້ວ, ແທ້)

• ການຂຽນເອກະສານທີ່ຊັດເຈນ

• ການຈັດວາງຄຳນິຍາມ

• ເວົ້າຄຳວ່າ "ບໍ່" ຢ່າງສຸພາບແຕ່ໜັກແໜ້ນ

• ອະທິບາຍການແລກປ່ຽນໂດຍບໍ່ຕ້ອງຟັງຄືກັບຫຸ່ນຍົນ 🤖

ຖ້າທ່ານສາມາດເຮັດສິ່ງເຫຼົ່ານີ້ໄດ້, ຄຳຖາມທີ່ວ່າ "AI ຈະທົດແທນວິສະວະກອນຂໍ້ມູນບໍ?" ຈະກາຍເປັນໄພຂົ່ມຂູ່ໜ້ອຍລົງ. AI ກາຍເປັນໂຄງກະດູກພາຍນອກຂອງທ່ານ, ບໍ່ແມ່ນຕົວທົດແທນຂອງທ່ານ.

---

ສະຖານະການທີ່ເປັນຈິງທີ່ບົດບາດວິສະວະກຳຂໍ້ມູນບາງຢ່າງຫຼຸດລົງ 📉

ໂອເຄ, ກວດສອບຄວາມເປັນຈິງໄວໆ, ເພາະມັນບໍ່ແມ່ນແສງແດດ ແລະ ອີໂມຈິທີ່ສະທ້ອນເຖິງທຸກຢ່າງ 🎉

ບາງບົດບາດໄດ້ຮັບການເປີດເຜີຍຫຼາຍກວ່າ:

• ພາລະບົດບາດທີ່ນຳເຂົ້າໄດ້ຢ່າງບໍລິສຸດເທົ່ານັ້ນ ບ່ອນທີ່ທຸກຢ່າງແມ່ນຕົວເຊື່ອມຕໍ່ມາດຕະຖານ ຕົວ ເຊື່ອມຕໍ່ Fivetran

• ທີມງານສ່ວນໃຫຍ່ເຮັດຂັ້ນຕອນການລາຍງານທີ່ຊ້ຳໆກັນໂດຍມີຄວາມແຕກຕ່າງຂອງໂດເມນໜ້ອຍທີ່ສຸດ

• ອົງກອນທີ່ວິສະວະກຳຂໍ້ມູນຖືກປະຕິບັດຄືກັບ "ລີງ SQL" (ຮຸນແຮງ, ແຕ່ເປັນຄວາມຈິງ)

• ພາລະບົດບາດທີ່ມີເຈົ້າຂອງຕໍ່າບ່ອນທີ່ວຽກແມ່ນພຽງແຕ່ປີ້ ແລະ ການຄັດລອກ-ວາງ

ເຄື່ອງມືທີ່ມີການຄຸ້ມຄອງດ້ວຍ AI ບວກກັບ AI ສາມາດຫຼຸດຜ່ອນຄວາມຕ້ອງການເຫຼົ່ານັ້ນໄດ້.

ແຕ່ເຖິງແມ່ນວ່າຢູ່ທີ່ນັ້ນ, ການທົດແທນມັກຈະເບິ່ງຄືວ່າ:

• ມີຄົນໜ້ອຍລົງທີ່ເຮັດວຽກຊ້ຳໆຄືເກົ່າ

• ເນັ້ນໜັກໃສ່ການເປັນເຈົ້າຂອງແພລດຟອມ ແລະ ຄວາມໜ້າເຊື່ອຖືຫຼາຍຂຶ້ນ

• ການຫັນປ່ຽນໄປສູ່ “ຄົນດຽວສາມາດສະໜັບສະໜູນທໍ່ສົ່ງໄດ້ຫຼາຍຂຶ້ນ”

ສະນັ້ນແມ່ນແລ້ວ - ຮູບແບບການນັບຈຳນວນພະນັກງານສາມາດປ່ຽນແປງໄດ້. ບົດບາດມີການປ່ຽນແປງ. ຕຳແໜ່ງມີການປ່ຽນແປງ. ສ່ວນນັ້ນແມ່ນເລື່ອງຈິງ.

ເຖິງຢ່າງໃດກໍ່ຕາມ, ຮຸ່ນທີ່ມີຄວາມເປັນເຈົ້າຂອງສູງ ແລະ ມີຄວາມໄວ້ວາງໃຈສູງຂອງບົດບາດນີ້ຍັງຄົງຢູ່.

---

ສະຫຼຸບສະຫຼຸບ 🧾✅

AI ຈະທົດແທນວິສະວະກອນຂໍ້ມູນບໍ? ບໍ່ແມ່ນໃນວິທີທີ່ສະອາດ ແລະ ສົມບູນແບບທີ່ຄົນເຮົາຈິນຕະນາການໄວ້.

AI ຈະ:

• ອັດຕະໂນມັດໜ້າວຽກທີ່ຊ້ຳໆ

• ເລັ່ງການຂຽນໂປຣແກຣມ, ການດີບັກ ແລະ ເອກະສານ GitHub Copilot ສຳລັບ ເອກະສານ SQL dbt

• ຫຼຸດຜ່ອນຄ່າໃຊ້ຈ່າຍໃນການຜະລິດທໍ່ສົ່ງ

ແຕ່ວິສະວະກຳຂໍ້ມູນແມ່ນກ່ຽວກັບ:

• ຄວາມຮັບຜິດชอบ

• ການອອກແບບລະບົບ

• ຄວາມໄວ້ວາງໃຈ, ຄຸນນະພາບ ແລະ ການຄຸ້ມຄອງ ມາດຕະຖານສັນຍາຂໍ້ມູນເປີດ (ODCS) ຂອບການຄວາມເປັນສ່ວນຕົວຂອງ NIST

• ການແປຄວາມເປັນຈິງທາງທຸລະກິດທີ່ມືດມົວໄປສູ່ຜະລິດຕະພັນຂໍ້ມູນທີ່ໜ້າເຊື່ອຖື

ປັນຍາປະດິດສາມາດຊ່ວຍໄດ້ໃນເລື່ອງນັ້ນ… ແຕ່ມັນບໍ່ໄດ້ “ເປັນເຈົ້າຂອງ” ມັນ.

ຖ້າທ່ານເປັນວິສະວະກອນຂໍ້ມູນ, ການເຄື່ອນໄຫວແມ່ນງ່າຍດາຍ (ບໍ່ແມ່ນເລື່ອງງ່າຍ, ແຕ່ງ່າຍດາຍ):
ອີງໃສ່ຄວາມເປັນເຈົ້າຂອງ, ຄຸນນະພາບ, ການຄິດແບບແພລດຟອມ, ແລະ ການສື່ສານ. ໃຫ້ AI ຈັດການແຜນຜັງໃນຂະນະທີ່ທ່ານຈັດການກັບສ່ວນທີ່ສຳຄັນ.

ແລະແມ່ນແລ້ວ - ບາງຄັ້ງນັ້ນໝາຍເຖິງການເປັນຜູ້ໃຫຍ່ໃນຫ້ອງ. ບໍ່ໜ້າສົນໃຈ. ແຕ່ມີພະລັງຢ່າງງຽບໆ 😄

AI ຈະທົດແທນວິສະວະກອນຂໍ້ມູນບໍ?
ມັນຈະທົດແທນວຽກງານບາງຢ່າງ, ປັບປ່ຽນຂັ້ນຕອນ, ແລະເຮັດໃຫ້ວິສະວະກອນຂໍ້ມູນທີ່ດີທີ່ສຸດມີຄຸນຄ່າຫຼາຍຂຶ້ນ. ນັ້ນຄືເລື່ອງຈິງ.

---

ຄຳຖາມທີ່ຖືກຖາມເລື້ອຍໆ

AI ຈະທົດແທນວິສະວະກອນຂໍ້ມູນໄດ້ໝົດບໍ?

ໃນອົງກອນສ່ວນໃຫຍ່, AI ມີແນວໂນ້ມທີ່ຈະຮັບໜ້າທີ່ສະເພາະຫຼາຍກວ່າການລຶບລ້າງບົດບາດທັງໝົດ. ມັນສາມາດເລັ່ງການຮ່າງ SQL, ການວາງແຜນທໍ່ສົ່ງ, ການຜ່ານເອກະສານຄັ້ງທຳອິດ, ແລະ ການສ້າງການທົດສອບພື້ນຖານ. ແຕ່ວິສະວະກຳຂໍ້ມູນຍັງມີຄວາມເປັນເຈົ້າຂອງ ແລະ ຄວາມຮັບຜິດຊອບ, ບວກກັບວຽກງານທີ່ບໍ່ໜ້າສົນໃຈໃນການເຮັດໃຫ້ຄວາມເປັນຈິງທາງທຸລະກິດທີ່ສັບສົນປະພຶດຕົວຄືກັບລະບົບທີ່ໜ້າເຊື່ອຖື. ສ່ວນຕ່າງໆເຫຼົ່ານັ້ນຍັງຕ້ອງການໃຫ້ມະນຸດຕັດສິນໃຈວ່າ "ສິດ" ມີລັກສະນະແນວໃດ ແລະ ຮັບຜິດຊອບເມື່ອສິ່ງຕ່າງໆແຕກຫັກ.

ສ່ວນໃດຂອງວິສະວະກຳຂໍ້ມູນທີ່ AI ກຳລັງເຮັດໃຫ້ເປັນອັດຕະໂນມັດຢູ່ແລ້ວ?

AI ເຮັດວຽກໄດ້ດີທີ່ສຸດໃນວຽກທີ່ເຮັດຊ້ຳໆໄດ້ຄື: ການຮ່າງ ແລະ ການປັບປຸງໂຄງສ້າງ SQL, ການສ້າງໂຄງຮ່າງແບບຈຳລອງ dbt, ການອະທິບາຍຄວາມຜິດພາດທົ່ວໄປ, ແລະ ການສ້າງໂຄງຮ່າງເອກະສານ. ມັນຍັງສາມາດສ້າງການທົດສອບເຊັ່ນ: ການກວດສອບ null ຫຼື ການກວດສອບຄວາມເປັນເອກະລັກ ແລະ ສ້າງລະຫັດ "ກາວ" ແມ່ແບບສຳລັບເຄື່ອງມືການປະສານງານ. ໄຊຊະນະແມ່ນແຮງກະຕຸ້ນ - ທ່ານເລີ່ມຕົ້ນໃກ້ກັບວິທີແກ້ໄຂທີ່ເຮັດວຽກໄດ້ - ແຕ່ທ່ານຍັງຕ້ອງກວດສອບຄວາມຖືກຕ້ອງ ແລະ ຮັບປະກັນວ່າມັນເໝາະສົມກັບສະພາບແວດລ້ອມຂອງທ່ານ.

ຖ້າ AI ສາມາດຂຽນ SQL ແລະ pipelines ໄດ້, ຈະເຫຼືອຫຍັງແດ່ສຳລັບວິສະວະກອນຂໍ້ມູນ?

ຫຼາຍສິ່ງຫຼາຍຢ່າງ: ການກຳນົດສັນຍາຂໍ້ມູນ, ການຈັດການກັບການເລື່ອນຂອງໂຄງຮ່າງ, ແລະ ການຮັບປະກັນວ່າທໍ່ສົ່ງຂໍ້ມູນມີຄວາມສອດຄ່ອງກັນ, ສາມາດສັງເກດໄດ້, ແລະ ສາມາດກູ້ຄືນໄດ້. ວິສະວະກອນຂໍ້ມູນໃຊ້ເວລາສືບສວນການປ່ຽນແປງຂອງຕົວຊີ້ວັດ, ສ້າງລະບົບປ້ອງກັນສຳລັບຜູ້ໃຊ້ລຸ່ມນ້ຳ, ແລະ ການຄຸ້ມຄອງການແລກປ່ຽນຄ່າໃຊ້ຈ່າຍ ແລະ ຄວາມໜ້າເຊື່ອຖື. ວຽກງານມັກຈະມາຈາກການສ້າງຄວາມໄວ້ວາງໃຈ ແລະ ຮັກສາແພລດຟອມຂໍ້ມູນໃຫ້ “ງຽບ”, ຊຶ່ງໝາຍຄວາມວ່າມີຄວາມໝັ້ນຄົງພຽງພໍທີ່ບໍ່ມີໃຜຕ້ອງຄິດກ່ຽວກັບມັນໃນແຕ່ລະມື້.

AI ປ່ຽນແປງວຽກງານປະຈຳວັນຂອງວິສະວະກອນຂໍ້ມູນແນວໃດ?

ໂດຍປົກກະຕິແລ້ວມັນຈະຫຼຸດຜ່ອນເວລາໃນການພິມ ແລະ "ເວລາໃນການຄົ້ນຫາ", ດັ່ງນັ້ນທ່ານຈຶ່ງໃຊ້ເວລາໃນການພິມໜ້ອຍລົງ ແລະ ໃຊ້ເວລາໃນການທົບທວນ, ການກວດສອບຄວາມຖືກຕ້ອງ ແລະ ການອອກແບບຫຼາຍຂຶ້ນ. ການປ່ຽນແປງດັ່ງກ່າວຊຸກຍູ້ບົດບາດໄປສູ່ການກຳນົດຄວາມຄາດຫວັງ, ມາດຕະຖານຄຸນນະພາບ ແລະ ຮູບແບບທີ່ນຳໃຊ້ຄືນໄດ້ ແທນທີ່ຈະຂຽນລະຫັດທຸກຢ່າງດ້ວຍມື. ໃນທາງປະຕິບັດ, ທ່ານອາດຈະເຮັດວຽກຮ່ວມມືກັບຜະລິດຕະພັນ, ຄວາມປອດໄພ ແລະ ການເງິນຫຼາຍຂຶ້ນ - ເພາະວ່າຜົນຜະລິດດ້ານເຕັກນິກຈະງ່າຍຕໍ່ການສ້າງ, ແຕ່ຍາກທີ່ຈະຄວບຄຸມ.

ເປັນຫຍັງ AI ຈຶ່ງມີບັນຫາກັບຄໍານິຍາມທາງທຸລະກິດທີ່ບໍ່ຊັດເຈນເຊັ່ນ "ຜູ້ໃຊ້ທີ່ໃຊ້ງານຢູ່"?

ເນື່ອງຈາກເຫດຜົນທາງທຸລະກິດບໍ່ຄົງທີ່ ຫຼື ຊັດເຈນ - ມັນປ່ຽນແປງໃນລະຫວ່າງໂຄງການ ແລະ ແຕກຕ່າງກັນໄປຕາມຜູ້ມີສ່ວນຮ່ວມ. AI ສາມາດຮ່າງການຕີຄວາມໝາຍໄດ້, ແຕ່ມັນບໍ່ສາມາດເປັນເຈົ້າຂອງການຕັດສິນໃຈເມື່ອຄຳນິຍາມມີການປ່ຽນແປງ ຫຼື ມີຂໍ້ຂັດແຍ້ງເກີດຂຶ້ນ. ວິສະວະກຳຂໍ້ມູນມັກຈະຮຽກຮ້ອງໃຫ້ມີການເຈລະຈາ, ການບັນທຶກສົມມຸດຕິຖານ, ແລະ ການປ່ຽນຄວາມຕ້ອງການທີ່ບໍ່ຊັດເຈນໃຫ້ກາຍເປັນສັນຍາທີ່ຍືນຍົງ. ວຽກງານ "ການຈັດລຽນແບບມະນຸດ" ນັ້ນແມ່ນເຫດຜົນຫຼັກທີ່ເຮັດໃຫ້ບົດບາດບໍ່ຫາຍໄປເຖິງແມ່ນວ່າເຄື່ອງມືຈະດີຂຶ້ນກໍຕາມ.

AI ສາມາດຈັດການການຄຸ້ມຄອງຂໍ້ມູນ, ຄວາມເປັນສ່ວນຕົວ ແລະ ການປະຕິບັດຕາມກົດລະບຽບໄດ້ຢ່າງປອດໄພບໍ?

ປັນຍາປະດິດສາມາດຊ່ວຍຮ່າງນະໂຍບາຍ ຫຼື ແນະນຳວິທີການຕ່າງໆ, ແຕ່ການຈັດຕັ້ງປະຕິບັດຢ່າງປອດໄພຍັງຕ້ອງການວິສະວະກຳທີ່ແທ້ຈິງ ແລະ ການກວດກາຢ່າງລະມັດລະວັງ. ການຄຸ້ມຄອງກ່ຽວຂ້ອງກັບການຄວບຄຸມການເຂົ້າເຖິງ, ການຈັດການຂໍ້ມູນສ່ວນຕົວ (PII), ກົດລະບຽບການເກັບຮັກສາ, ຮ່ອງຮອຍການກວດສອບ, ແລະ ບາງຄັ້ງກໍ່ມີຂໍ້ຈຳກັດດ້ານການຢູ່ອາໄສ. ເຫຼົ່ານີ້ແມ່ນພື້ນທີ່ທີ່ມີຄວາມສ່ຽງສູງທີ່ "ເກືອບຖືກຕ້ອງ" ບໍ່ເປັນທີ່ຍອມຮັບ. ມະນຸດຕ້ອງອອກແບບກົດລະບຽບ, ກວດສອບການບັງຄັບໃຊ້, ແລະ ຮັບຜິດຊອບຕໍ່ຜົນໄດ້ຮັບຂອງການປະຕິບັດຕາມ.

ທັກສະໃດແດ່ທີ່ຍັງມີຄຸນຄ່າສຳລັບວິສະວະກອນຂໍ້ມູນ ເມື່ອ AI ດີຂຶ້ນ?

ທັກສະທີ່ເຮັດໃຫ້ລະບົບມີຄວາມຍືດຫຍຸ່ນ: ການຄິດອອກແບບລະບົບ, ວິສະວະກຳຄຸນນະພາບຂໍ້ມູນ, ແລະ ມາດຕະຖານທີ່ເນັ້ນໃສ່ແພລດຟອມ. ສັນຍາ, ການສັງເກດການ, ນິໄສການຕອບສະໜອງຕໍ່ເຫດການ, ແລະ ການວິເຄາະສາເຫດຮາກຖານທີ່ມີລະບຽບວິໄນຈະມີຄວາມສຳຄັນຍິ່ງຂຶ້ນເມື່ອຄົນຫຼາຍຄົນສາມາດສ້າງຂໍ້ມູນປອມໄດ້ໄວ. ການສື່ສານຍັງກາຍເປັນຕົວແຍກຄວາມແຕກຕ່າງ - ການສອດຄ່ອງຄຳນິຍາມ, ການຂຽນເອກະສານທີ່ຊັດເຈນ, ແລະ ການອະທິບາຍການແລກປ່ຽນໂດຍບໍ່ມີລະຄອນແມ່ນສ່ວນໜຶ່ງທີ່ສຳຄັນຂອງການຮັກສາຂໍ້ມູນໃຫ້ໜ້າເຊື່ອຖື.

ບົດບາດວິສະວະກຳຂໍ້ມູນທີ່ມີຄວາມສ່ຽງຫຼາຍທີ່ສຸດຈາກ AI ແລະເຄື່ອງມືທີ່ມີການຄຸ້ມຄອງ?

ບົດບາດທີ່ສຸມໃສ່ການກິນຂໍ້ມູນຊ້ຳໆ ຫຼື ທໍ່ສົ່ງລາຍງານມາດຕະຖານແມ່ນຖືກເປີດເຜີຍຫຼາຍຂຶ້ນ, ໂດຍສະເພາະເມື່ອຕົວເຊື່ອມຕໍ່ ELT ທີ່ມີການຄຸ້ມຄອງກວມເອົາແຫຼ່ງຂໍ້ມູນສ່ວນໃຫຍ່. ວຽກງານທີ່ມີຄວາມເປັນເຈົ້າຂອງຕ່ຳ ແລະ ຂັບເຄື່ອນດ້ວຍປີ້ສາມາດຫົດຕົວໄດ້ ເພາະວ່າ AI ແລະ ການສ້າງແບບນາມທຳຊ່ວຍຫຼຸດຜ່ອນຄວາມພະຍາຍາມຕໍ່ທໍ່ສົ່ງ. ແຕ່ສິ່ງນີ້ມັກຈະເບິ່ງຄືວ່າມີຄົນໜ້ອຍລົງທີ່ເຮັດວຽກຊ້ຳໆ, ບໍ່ແມ່ນ "ບໍ່ມີວິສະວະກອນຂໍ້ມູນ". ບົດບາດທີ່ມີຄວາມເປັນເຈົ້າຂອງສູງທີ່ສຸມໃສ່ຄວາມໜ້າເຊື່ອຖື, ຄຸນນະພາບ, ແລະ ຄວາມໄວ້ວາງໃຈຍັງຄົງທົນທານ.

ຂ້ອຍຄວນໃຊ້ເຄື່ອງມືເຊັ່ນ GitHub Copilot ຫຼື dbt ກັບ AI ໂດຍບໍ່ສ້າງຄວາມວຸ້ນວາຍແນວໃດ?

ປະຕິບັດຕໍ່ຜົນຜະລິດຂອງ AI ຄືກັບຮ່າງ, ບໍ່ແມ່ນການຕັດສິນໃຈ. ໃຊ້ມັນເພື່ອສ້າງໂຄງຮ່າງການສອບຖາມ, ປັບປຸງຄວາມສາມາດໃນການອ່ານ, ຫຼື ການທົດສອບ dbt ແລະເອກະສານ, ຈາກນັ້ນກວດສອບຄວາມຖືກຕ້ອງທຽບກັບຂໍ້ມູນຕົວຈິງ ແລະ ກໍລະນີຂອບ. ຈັບຄູ່ມັນກັບສົນທິສັນຍາທີ່ເຂັ້ມແຂງ: ສັນຍາ, ມາດຕະຖານການຕັ້ງຊື່, ການກວດສອບການສັງເກດການ, ແລະ ການປະຕິບັດການທົບທວນຄືນ. ເປົ້າໝາຍແມ່ນການຈັດສົ່ງທີ່ໄວຂຶ້ນໂດຍບໍ່ຕ້ອງເສຍສະລະຄວາມໜ້າເຊື່ອຖື, ການຄວບຄຸມຕົ້ນທຶນ, ຫຼື ການຄຸ້ມຄອງ.

ເອກະສານອ້າງອີງ

1. ຄະນະກຳມະການເອີຣົບ - ການປົກປ້ອງຂໍ້ມູນໄດ້ອະທິບາຍແລ້ວ: ຫຼັກການ GDPR - commission.europa.eu

2. ຫ້ອງການຜູ້ບັນຊາການຂໍ້ມູນຂ່າວສານ (ICO) - ຂໍ້ຈຳກັດການເກັບຮັກສາ - ico.org.uk

3. ຄະນະກຳມະການເອີຣົບ - ຂໍ້ມູນສາມາດເກັບຮັກສາໄວ້ໄດ້ດົນປານໃດ ແລະ ຈຳເປັນຕ້ອງອັບເດດມັນບໍ? - commission.europa.eu

4. ສະຖາບັນມາດຕະຖານ ແລະ ເຕັກໂນໂລຊີແຫ່ງຊາດ (NIST) - ຂອບການຄວາມເປັນສ່ວນຕົວ - nist.gov

5. ສູນຊັບພະຍາກອນຄວາມປອດໄພຄອມພິວເຕີ NIST (CSRC) - SP 800-92: ຄູ່ມືການຈັດການບັນທຶກຄວາມປອດໄພຄອມພິວເຕີ - csrc.nist.gov

6. ສູນຄວາມປອດໄພທາງອິນເຕີເນັດ (CIS) - ການຄຸ້ມຄອງບັນທຶກການກວດສອບ (ການຄວບຄຸມ CIS) - cisecurity.org

7. ເອກະສານ Snowflake - ນະໂຍບາຍການເຂົ້າເຖິງແຖວ - docs.snowflake.com

8. ເອກະສານ Google Cloud - ຄວາມປອດໄພລະດັບແຖວ BigQuery - docs.cloud.google.com

9. BITOL - ມາດຕະຖານສັນຍາຂໍ້ມູນເປີດ (ODCS) ເວີຊັນ 3.1.0 - bitol-io.github.io

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

11. Apache Airflow - ເອກະສານ (ໝັ້ນຄົງ) - airflow.apache.org

12. Apache Airflow - DAGs (ແນວຄວາມຄິດຫຼັກ) - airflow.apache.org

13. ເອກະສານຫ້ອງທົດລອງ dbt - dbt ແມ່ນຫຍັງ? - docs.getdbt.com

14. ເອກະສານຫ້ອງທົດລອງ dbt - ກ່ຽວກັບຮູບແບບ dbt - docs.getdbt.com

15. ເອກະສານຫ້ອງທົດລອງ dbt - ເອກະສານ - docs.getdbt.com

16. ເອກະສານຫ້ອງທົດລອງ dbt - ການທົດສອບຂໍ້ມູນ - docs.getdbt.com

17. ເອກະສານຫ້ອງທົດລອງ dbt - ຊັ້ນຄວາມໝາຍ dbt - docs.getdbt.com

18. ເອກະສານ Fivetran - ການເລີ່ມຕົ້ນ - fivetran.com

19. Fivetran - ຕົວເຊື່ອມຕໍ່ - fivetran.com

20. ເອກະສານ AWS - ຄູ່ມືນັກພັດທະນາ AWS Lambda - docs.aws.amazon.com

21. GitHub - GitHub Copilot - github.com

22. GitHub Docs - ການຮັບຄຳແນະນຳລະຫັດໃນ IDE ຂອງທ່ານດ້ວຍ GitHub Copilot - docs.github.com

23. Microsoft Learn - GitHub Copilot ສຳລັບ SQL (ສ່ວນຂະຫຍາຍລະຫັດ VS) - learn.microsoft.com

24. ເອກະສານ Dynatrace - ການສັງເກດຂໍ້ມູນ - docs.dynatrace.com

25. DataGalaxy - ການສັງເກດການຂໍ້ມູນແມ່ນຫຍັງ? - datagalaxy.com

26. ເອກະສານກ່ຽວກັບຄວາມຄາດຫວັງທີ່ຍິ່ງໃຫຍ່ - ພາບລວມຂອງຄວາມຄາດຫວັງ - docs.greatexpectations.io

ຊອກຫາ AI ລ່າສຸດໄດ້ທີ່ຮ້ານ AI Assistant ຢ່າງເປັນທາງການ

ກ່ຽວກັບພວກເຮົາ