คำตอบสั้นๆ คือ AI จะไม่เข้ามาแทนที่วิศวกรข้อมูลโดยตรง แต่จะช่วยทำให้งานที่ซ้ำซากจำเจเป็นไปโดยอัตโนมัติ เช่น การร่างคำสั่ง SQL การสร้างโครงสร้างพื้นฐานของไปป์ไลน์ การทดสอบ และการจัดทำเอกสาร หากบทบาทของคุณส่วนใหญ่เป็นงานที่ไม่ต้องรับผิดชอบมากนักและต้องจัดการตามตั๋วงาน AI ก็จะมีความเสี่ยงมากขึ้น แต่ถ้าคุณรับผิดชอบด้านความน่าเชื่อถือ คำจำกัดความ การกำกับดูแล และการตอบสนองต่อเหตุการณ์ AI จะช่วยให้คุณทำงานได้เร็วขึ้นเป็นหลัก
ประเด็นสำคัญ:
ความรับผิดชอบ : ให้ความสำคัญกับความรับผิดชอบต่อผลลัพธ์ ไม่ใช่แค่การเขียนโค้ดให้เสร็จเร็วเท่านั้น
คุณภาพ : สร้างการทดสอบ การตรวจสอบ และสัญญา เพื่อให้ไปป์ไลน์ยังคงน่าเชื่อถือ
การกำกับดูแล : ควรให้บุคคลเป็นผู้รับผิดชอบด้านความเป็นส่วนตัว การควบคุมการเข้าถึง การเก็บรักษา และการตรวจสอบบันทึกต่างๆ
การป้องกันการใช้งานผิดวิธี : ให้ถือว่าผลลัพธ์จาก AI เป็นเพียงร่าง ตรวจสอบความถูกต้องอีกครั้งเพื่อหลีกเลี่ยงความมั่นใจในผลลัพธ์ที่ผิดพลาด
การเปลี่ยนบทบาท : ใช้เวลาน้อยลงในการพิมพ์ข้อความสำเร็จรูป และใช้เวลามากขึ้นในการออกแบบระบบที่มีความทนทาน
หากคุณเคยใช้เวลาอยู่กับทีมข้อมูลมากกว่าห้านาที คุณคงได้ยินคำถามนี้บ่อยๆ – บางครั้งกระซิบกันเบาๆ บางครั้งก็พูดออกมาดังๆ ทั่วที่ประชุมราวกับเป็นจุดพลิกผันของเรื่อง: AI จะมาแทนที่วิศวกรข้อมูลหรือไม่?
และ… ผมเข้าใจแล้ว AI สามารถสร้าง SQL สร้างไปป์ไลน์ อธิบายสแต็กเทรซ ร่างโมเดล dbt และแม้กระทั่งแนะนำสคีมาคลังข้อมูลได้อย่างมั่นใจจนน่าตกใจ GitHub Copilot สำหรับ SQL เกี่ยวกับโมเดล dbt GitHub Copilot
มันให้ความรู้สึกเหมือนดูรถยกเรียนรู้การเล่นกล น่าประทับใจ น่าตกใจเล็กน้อย และคุณก็ไม่แน่ใจนักว่ามันหมายความว่าอย่างไรสำหรับงานของคุณ 😅
แต่ความจริงนั้นไม่เรียบร้อยเหมือนพาดหัวข่าว AI กำลังเปลี่ยนแปลงวิศวกรรมข้อมูลอย่างสิ้นเชิง มันกำลังทำให้ส่วนที่น่าเบื่อและซ้ำซากเป็นไปโดยอัตโนมัติ มันกำลังเร่งความเร็วในส่วนที่ว่า “ฉันรู้ว่าฉันต้องการอะไร แต่จำไวยากรณ์ไม่ได้” นอกจากนี้มันยังก่อให้เกิดความวุ่นวายรูปแบบใหม่ๆ อีกด้วย.
ดังนั้นเรามาอธิบายให้ชัดเจนกันดีกว่า โดยปราศจากความหวังลมๆ แล้งๆ หรือความตื่นตระหนกจากการเสพข่าวร้ายทางออนไลน์.
บทความที่คุณอาจสนใจอ่านต่อหลังจากบทความนี้:
🔗 ปัญญาประดิษฐ์จะเข้ามาแทนที่รังสีแพทย์หรือไม่?
AI ด้านการประมวลผลภาพเปลี่ยนแปลงขั้นตอนการทำงาน ความแม่นยำ และบทบาทในอนาคตอย่างไร.
🔗 ปัญญาประดิษฐ์จะเข้ามาแทนที่นักบัญชีหรือไม่?
ดูว่า AI ช่วยทำงานด้านบัญชีส่วนใดบ้าง และส่วนใดบ้างที่ยังคงต้องใช้คนทำ.
🔗 ปัญญาประดิษฐ์จะเข้ามาแทนที่นักลงทุนในธนาคารหรือไม่?
ทำความเข้าใจผลกระทบของ AI ต่อการทำข้อตกลง การวิจัย และความสัมพันธ์กับลูกค้า.
🔗 AI จะเข้ามาแทนที่ตัวแทนประกันภัยหรือไม่?
เรียนรู้วิธีที่ AI เปลี่ยนแปลงกระบวนการพิจารณาอนุมัติสินเชื่อ การขาย และการสนับสนุนลูกค้า.
ทำไมคำถามที่ว่า “AI จะมาแทนที่วิศวกรข้อมูล” ถึงได้วนเวียนกลับมาซ้ำแล้วซ้ำเล่า 😬
ความกังวลนี้มาจากสาเหตุเฉพาะเจาะจงอย่างหนึ่ง นั่นคือ ตอน การทำงานที่ซ้ำซากอยู่เป็นจำนวนมาก
-
การเขียนและการปรับปรุงโครงสร้าง SQL
-
การสร้างสคริปต์การนำเข้า
-
การแมปฟิลด์จากสคีมาหนึ่งไปยังอีกสคีมาหนึ่ง
-
การสร้างชุดทดสอบและเอกสารพื้นฐาน
-
การแก้ไขข้อผิดพลาดในไปป์ไลน์ที่...ค่อนข้างคาดเดาได้
AI มีความสามารถพิเศษในการค้นหารูปแบบที่ซ้ำกัน และงานด้านวิศวกรรมข้อมูลส่วนใหญ่ก็คือการทำซ้ำรูปแบบเหล่านั้น ( คำแนะนำโค้ดจาก GitHub Copilot)
นอกจากนี้ ระบบนิเวศของเครื่องมือยัง "ซ่อน" ความซับซ้อนเอาไว้ด้วย:
-
ตัวเชื่อมต่อ ELT ที่จัดการได้ เอกสาร Fivetran
-
การประมวลผลแบบไร้เซิร์ฟเวอร์ AWS Lambda (serverless compute)
-
การจัดเตรียมคลังสินค้าด้วยการคลิกเพียงครั้งเดียว
-
เอกสารประกอบ Apache Airflow เกี่ยวกับการจัดการระบบแบบปรับขนาดอัตโนมัติ
-
เฟรมเวิร์กการแปลงข้อมูลแบบประกาศ (Declarative transformation frameworks) dbt คืออะไร?
ดังนั้นเมื่อ AI ปรากฏตัวขึ้น มันจึงรู้สึกเหมือนเป็นชิ้นส่วนสุดท้าย หากโครงสร้างพื้นฐานถูกแยกส่วนออกไปแล้ว และ AI สามารถเขียนโค้ดเชื่อมต่อได้... แล้วอะไรจะเหลืออยู่ล่ะ? 🤷
แต่สิ่งที่คนส่วนใหญ่มองข้ามไปก็ คือ วิศวกรรมข้อมูลไม่ได้มีแค่การพิมพ์ข้อมูล การพิมพ์ข้อมูลเป็นเรื่องง่าย ส่วนที่ยากคือการทำให้ความเป็นจริงทางธุรกิจที่คลุมเครือ เต็มไปด้วยเรื่องการเมือง และเปลี่ยนแปลงอยู่ตลอดเวลา ทำงานได้เหมือนระบบที่เชื่อถือได้
และ AI ก็ยังคงดิ้นรนกับความคลุมเครือเหล่านั้นอยู่ มนุษย์ก็ดิ้นรนเช่นกัน เพียงแต่พวกเขามีความสามารถในการแก้ไขสถานการณ์เฉพาะหน้าได้ดีกว่า.
สิ่งที่วิศวกรข้อมูลทำจริงๆ ตลอดทั้งวัน (ความจริงที่ไม่สวยหรู) 🧱
พูดกันตรงๆ ชื่อตำแหน่งงาน “วิศวกรข้อมูล” ฟังดูเหมือนคุณกำลังสร้างเครื่องยนต์จรวดจากคณิตศาสตร์ล้วนๆ แต่ในทางปฏิบัติแล้ว คุณกำลังสร้าง ความไว้วางใจ ต่างหาก
วันทำงานทั่วไปไม่ได้เน้นการ "คิดค้นอัลกอริทึมใหม่" มากนัก แต่จะเน้นไปที่:
-
การเจรจากับทีมต้นทางเกี่ยวกับคำจำกัดความของข้อมูล (ยากลำบากแต่จำเป็น)
-
ตรวจสอบว่าเหตุใดตัวชี้วัดจึงเปลี่ยนแปลง (และเปลี่ยนแปลงจริงหรือไม่)
-
การรับมือกับการเปลี่ยนแปลงโครงสร้างข้อมูลและเรื่องที่ไม่คาดคิด เช่น “มีคนเพิ่มคอลัมน์ตอนเที่ยงคืน”
-
การทำให้มั่นใจว่าไปป์ไลน์เป็นแบบ idempotent, สามารถกู้คืนได้ และสามารถตรวจสอบได้
-
สร้างแนวทางป้องกันเพื่อป้องกันไม่ให้นักวิเคราะห์ในขั้นตอนถัดไปสร้างแดชบอร์ดที่ไร้สาระโดยไม่ตั้งใจ
-
บริหารจัดการต้นทุนเพื่อไม่ให้คลังสินค้าของคุณกลายเป็นกองไฟเผาเงิน 🔥
-
การรักษาความปลอดภัยในการเข้าถึง การตรวจสอบ การปฏิบัติตามกฎระเบียบ นโยบายการเก็บรักษา หลักการ GDPR (คณะกรรมาธิการยุโรป) ข้อจำกัดในการจัดเก็บข้อมูล (ICO)
-
สร้างผลิตภัณฑ์ข้อมูลที่ผู้คนสามารถใช้งานได้จริงโดยไม่ต้องส่งข้อความส่วนตัวมาถามคุณ 20 ข้อ
งานส่วนใหญ่เกี่ยวข้องกับด้านสังคมและการปฏิบัติงาน:
-
“โต๊ะตัวนี้เป็นของใคร?”
-
“คำจำกัดความนี้ยังใช้ได้อยู่หรือไม่?”
-
“ทำไมระบบ CRM ถึงส่งออกข้อมูลซ้ำ?”
-
“เราสามารถส่งข้อมูลตัวชี้วัดนี้ให้ผู้บริหารได้โดยไม่ทำให้พวกเขารู้สึกอับอายได้ไหม?” 😭
AI สามารถช่วยในบางส่วนได้แน่นอน แต่การทดแทนทั้งหมดนั้น...เป็นเรื่องยาก.
อะไรคือสิ่งที่ทำให้บทบาทวิศวกรข้อมูลมีความแข็งแกร่ง? ✅
ส่วนนี้สำคัญเพราะการพูดถึงการทดแทนมักจะตั้งสมมติฐานว่าวิศวกรข้อมูลส่วนใหญ่เป็นเพียง "ผู้สร้างไปป์ไลน์" ซึ่งก็เหมือนกับการสมมติว่าเชฟส่วนใหญ่ "หั่นผัก" มันเป็นส่วนหนึ่งของงาน แต่ไม่ใช่ทั้งหมดของงาน.
วิศวกรข้อมูลที่มีความสามารถสูง มัก จะสามารถทำสิ่งเหล่านี้ได้เป็นส่วนใหญ่:
-
ออกแบบเพื่อรองรับการเปลี่ยนแปลง
ข้อมูลเปลี่ยนแปลง ทีมเปลี่ยนแปลง เครื่องมือเปลี่ยนแปลง วิศวกรที่ดีจะสร้างระบบที่ไม่ล่มสลายทุกครั้งที่ความเป็นจริงเปลี่ยนแปลงไป 🤧 -
กำหนดสัญญาและความคาดหวัง
“ลูกค้า” หมายถึงอะไร? “ใช้งานอยู่” หมายถึงอะไร? จะเกิดอะไรขึ้นเมื่อข้อมูลมาถึงล่าช้า? สัญญาช่วยป้องกันความวุ่นวายได้ดีกว่าโค้ดที่ซับซ้อนเสียอีก มาตรฐานสัญญาข้อมูลเปิด (ODCS) ODCS (GitHub) -
สร้างระบบตรวจสอบได้ในทุกสิ่ง
ไม่ใช่แค่ "มันทำงานหรือไม่" แต่ต้อง "มันทำงานอย่างถูกต้องหรือไม่" ตรวจสอบความสดใหม่ของข้อมูล ความผิดปกติของปริมาณข้อมูล การระเบิดของค่าว่าง การเปลี่ยนแปลงการกระจายตัว การตรวจสอบข้อมูล (Dynatrace) การตรวจสอบข้อมูลคืออะไร? -
จงตัดสินใจอย่างมีวุฒิภาวะ
ความเร็วกับความถูกต้อง ต้นทุนกับความล่าช้า ความยืดหยุ่นกับความเรียบง่าย ไม่มีไปป์ไลน์ที่สมบูรณ์แบบ มีแต่ไปป์ไลน์ที่คุณสามารถใช้งานได้อย่างสบายใจ -
แปลงความต้องการทางธุรกิจให้เป็นระบบที่ยั่งยืน
ผู้คนเรียกร้องหาตัวชี้วัด แต่สิ่งที่พวกเขาต้องการคือผลิตภัณฑ์ข้อมูล AI สามารถร่างโค้ดได้ แต่ไม่สามารถรู้ถึงอุปสรรคทางธุรกิจได้อย่างมหัศจรรย์ -
เก็บข้อมูลไว้เป็นความลับ
คำชมที่ดีที่สุดสำหรับแพลตฟอร์มข้อมูลคือไม่มีใครพูดถึงมัน ข้อมูลที่ไม่มีเหตุการณ์อะไรเกิดขึ้นคือข้อมูลที่ดี เหมือนกับระบบประปา คุณจะสังเกตเห็นก็ต่อเมื่อมันเสียเท่านั้น 🚽
ถ้าคุณกำลังทำสิ่งเหล่านี้อยู่ คำถามที่ว่า “AI จะมาแทนที่วิศวกรข้อมูลหรือไม่?” อาจฟังดู...ไม่ค่อยเหมาะสมนัก AI สามารถทดแทน งาน แต่ไม่ใช่ การ เป็นเจ้าของ
AI ช่วยเหลือวิศวกรข้อมูลได้อย่างไรบ้าง (และมันยอดเยี่ยมจริงๆ) 🤖✨
AI ไม่ใช่แค่การตลาด หากใช้ให้ถูกวิธี มันคือตัวคูณกำลังที่แท้จริง.
1) การประมวลผล SQL และการแปลงข้อมูลที่รวดเร็วยิ่งขึ้น
-
การร่างแบบการเชื่อมต่อที่ซับซ้อน
-
การเขียนฟังก์ชันหน้าต่างที่คุณไม่อยากคิดถึง
-
แปลงตรรกะภาษาธรรมดาให้เป็นโครงร่างคำสั่งค้นหา
-
การปรับปรุงโครงสร้างคิวรีที่ซับซ้อนให้เป็น CTE ที่อ่านง่าย GitHub Copilot สำหรับ SQL
นี่เป็นเรื่องสำคัญมาก เพราะมันช่วยลดผลกระทบจาก "หน้าว่างเปล่า" คุณยังคงต้องตรวจสอบความถูกต้องอยู่ แต่คุณจะเริ่มต้นที่ 70% แทนที่จะเป็น 0%.
2) ร่องรอยการดีบักและสาเหตุหลัก
AI มีความสามารถที่ดีในด้าน:
-
การอธิบายข้อความแสดงข้อผิดพลาด
-
แนะนำว่าควรดูที่ไหน
-
การแนะนำขั้นตอน "ตรวจสอบความไม่ตรงกันของสคีมา" ใน GitHub Copilot
ก็เหมือนกับการมีวิศวกรฝึกหัดที่ไม่รู้จักเหน็ดเหนื่อย ไม่เคยนอนหลับ และบางครั้งก็โกหกอย่างมั่นใจ 😅
3) การเสริมสร้างเอกสารและแคตตาล็อกข้อมูล
สร้างโดยอัตโนมัติ:
-
คำอธิบายคอลัมน์
-
บทสรุปแบบจำลอง
-
คำอธิบายลำดับวงศ์ตระกูล
-
เอกสารร่าง dbt ระบุว่า “ตารางนี้ใช้สำหรับอะไร?”
มันอาจจะไม่สมบูรณ์แบบ แต่ก็ช่วยแก้ปัญหาเรื่องท่อส่งข้อมูลที่ไม่ได้รับการบันทึกอย่างเป็นทางการได้.
4) ทดสอบโครงสร้างและตรวจสอบ
AI สามารถเสนอแนะได้ดังนี้:
-
การทดสอบค่าว่างพื้นฐาน
-
การตรวจสอบความเป็นเอกลักษณ์
-
แนวคิดเกี่ยวกับความสมบูรณ์ของการอ้างอิง
-
ข้อความยืนยันสไตล์ “ค่าตัวเลขนี้ไม่ควรลดลง” จากการทดสอบข้อมูล dbt ความคาดหวังที่ยิ่งใหญ่: ความคาดหวัง
ย้ำอีกครั้ง คุณยังคงเป็นผู้ตัดสินใจว่าอะไรสำคัญ แต่กระบวนการนี้จะช่วยเร่งขั้นตอนที่ซ้ำซากจำเจให้เร็วขึ้น.
5) โค้ด "เชื่อมต่อ" ไปป์ไลน์
เทมเพลตการกำหนดค่า โครงสร้าง YAML ร่าง DAG สำหรับการจัดการกระบวนการทำงาน สิ่งเหล่านี้ซ้ำซาก และ AI ชอบอะไรที่ซ้ำซากมาก 🥣 DAG ของ Apache Airflow
จุดที่ AI ยังคงมีข้อจำกัด (และนี่คือประเด็นสำคัญ) 🧠🧩
นี่คือส่วนที่สำคัญที่สุด เพราะมันตอบคำถามเรื่องการทดแทนได้อย่างแท้จริง.
1) ความกำกวมและการเปลี่ยนแปลงนิยาม
ตรรกะทางธุรกิจมักไม่ชัดเจนเสมอไป คนเราเปลี่ยนใจกลางประโยคได้ “ผู้ใช้งานประจำ” กลายเป็น “ผู้ใช้งานประจำที่จ่ายเงิน” กลายเป็น “ผู้ใช้งานประจำที่จ่ายเงิน ไม่รวมการคืนเงิน ยกเว้นในบางกรณี”… คุณคงเข้าใจดี.
AI ไม่สามารถเป็นเจ้าของความคลุมเครือนั้นได้ มันทำได้เพียงคาดเดาเท่านั้น.
2) ความรับผิดชอบและความเสี่ยง
เมื่อระบบท่อส่งข้อมูลล้มเหลวและแดชบอร์ดของผู้บริหารแสดงข้อมูลที่ไม่ถูกต้อง ใครบางคนต้องรับผิดชอบเรื่องนี้:
-
การคัดกรอง
-
สื่อสารผลกระทบ
-
แก้ไข
-
ป้องกันการเกิดซ้ำ
-
เขียนรายงานการชันสูตรศพ
-
ตัดสินใจว่าธุรกิจยังสามารถเชื่อถือตัวเลขของสัปดาห์ที่แล้วได้หรือไม่
AI สามารถช่วยเหลือได้ แต่ไม่สามารถรับผิดชอบได้อย่างมีนัยสำคัญ องค์กรไม่ได้ดำเนินงานด้วยความรู้สึก แต่ดำเนินงานด้วยความรับผิดชอบ.
3) การคิดเชิงระบบ
แพลตฟอร์มข้อมูลเป็นระบบนิเวศ: การนำเข้า การจัดเก็บ การแปลง การจัดการ การกำกับดูแล การควบคุมต้นทุน และข้อตกลงระดับบริการ (SLA) การเปลี่ยนแปลงในชั้นใดชั้นหนึ่งจะส่งผลกระทบเป็นวงกว้าง แนวคิดของ Apache Airflow
AI อาจเสนอแนวทางการปรับปรุงเฉพาะจุดที่ก่อให้เกิดปัญหาในภาพรวม เหมือนกับการซ่อมประตูที่ส่งเสียงดังเอี๊ยดด้วยการถอดประตูออกไปเลย 😬
4) ความปลอดภัย ความเป็นส่วนตัว และการปฏิบัติตามกฎระเบียบ
ที่นี่คือที่ที่ความฝันเกี่ยวกับการหาคนมาทดแทนจบลง.
-
การควบคุมการเข้าถึง
-
การรักษาความปลอดภัยระดับแถว นโยบายการเข้าถึงแถวของ Snowflake การรักษาความปลอดภัยระดับแถวของ BigQuery
-
การจัดการข้อมูลส่วนบุคคล (PII) ตาม กรอบงานความเป็นส่วนตัวของ NIST
-
กฎการเก็บรักษา ข้อจำกัดในการจัดเก็บ (ICO) แนวทางของสหภาพยุโรปเกี่ยวกับการเก็บรักษา
-
บันทึกการตรวจสอบตามมาตรฐาน NIST SP 800-92 (การจัดการบันทึก) และ CIS Control 8 (การจัดการบันทึกการตรวจสอบ)
-
ข้อจำกัดด้านที่ตั้งของข้อมูล
AI สามารถร่างนโยบายได้ แต่การนำนโยบายเหล่านั้นไปใช้อย่างปลอดภัยนั้นเป็นเรื่องของวิศวกรรมที่แท้จริง.
5) “สิ่งที่ไม่รู้ว่าไม่รู้”
เหตุการณ์ข้อมูลรั่วไหลมักคาดเดาไม่ได้:
-
API ของผู้ขายเปลี่ยนแปลงความหมายโดยไม่แจ้งให้ทราบล่วงหน้า
-
สมมติฐานเรื่องเขตเวลาพลิกกลับ
-
การเติมกลับ (Backfill) จะสร้างสำเนาของพาร์ติชัน
-
กลไกการลองใหม่ทำให้เกิดการเขียนข้อมูลซ้ำสองครั้ง
-
ฟีเจอร์ผลิตภัณฑ์ใหม่นำเสนอรูปแบบเหตุการณ์ใหม่
AI จะมีประสิทธิภาพลดลงเมื่อสถานการณ์ไม่เป็นไปตามรูปแบบที่คุ้นเคย.
ตารางเปรียบเทียบ: อะไรลดอะไรบ้างในทางปฏิบัติ 🧾🤔
ด้านล่างนี้คือมุมมองเชิงปฏิบัติ ไม่ใช่ "เครื่องมือที่มาแทนที่คน" แต่เป็นเครื่องมือและแนวทางที่ช่วยลดขนาดงานบางอย่างลง.
| เครื่องมือ/วิธีการ | ผู้ชม | ราคาค่อนข้างสูง | เหตุผลที่มันได้ผล |
|---|---|---|---|
| ตัวช่วยเขียนโค้ด AI (SQL + Python) GitHub Copilot | วิศวกรที่เขียนโค้ดจำนวนมาก | จากฟรีไปจนถึงเสียเงิน | เก่งเรื่องการสร้างโครงสร้างพื้นฐาน การปรับโครงสร้างใหม่ ไวยากรณ์...บางครั้งก็หยิ่งผยองในแบบเฉพาะเจาะจง |
| ตัวเชื่อมต่อ ELT ที่จัดการโดย Fivetran | ทีมงานเบื่อกับการสร้างระบบนำเข้าข้อมูลแล้ว | การสมัครสมาชิก | ขจัดความยุ่งยากในการปรับแต่งการรับประทานอาหาร แต่เพิ่มความสนุกสนานในรูปแบบใหม่ๆ |
| แพลตฟอร์มการตรวจสอบข้อมูล ) การตรวจสอบข้อมูล (Dynatrace) | ผู้ที่เป็นเจ้าของ SLA ทุกคน | ธุรกิจขนาดกลางถึงขนาดใหญ่ | ตรวจจับความผิดปกติได้ตั้งแต่เนิ่นๆ - เหมือนเครื่องตรวจจับควันสำหรับท่อส่ง 🔔 |
| กรอบการแปลงข้อมูล (การสร้างแบบจำลองเชิงประกาศ) dbt | การวิเคราะห์ + ระบบไฮบริด DE | โดยปกติแล้วคือเครื่องมือ + การคำนวณ | ทำให้ตรรกะเป็นแบบโมดูลาร์และทดสอบได้ง่าย ลดความยุ่งเหยิง |
| แคตตาล็อกข้อมูล + เลเยอร์เชิงความหมาย dbt เลเยอร์เชิงความหมาย | องค์กรที่มีความสับสนเรื่องหน่วยวัด | ขึ้นอยู่กับสถานการณ์ในทางปฏิบัติ | กำหนดนิยามของ “ความจริง” เพียงครั้งเดียว ช่วยลดการถกเถียงเรื่องมาตรวัดที่ไม่จบสิ้น |
| การจัดการกระบวนการด้วยเทมเพลต Apache Airflow | ทีมที่มุ่งเน้นแพลตฟอร์ม | ค่าใช้จ่ายในการเปิดและดำเนินงาน | ทำให้ขั้นตอนการทำงานเป็นมาตรฐานมากขึ้น ลดจำนวน DAG ที่ซับซ้อนและไม่เป็นระเบียบ |
| การสร้างเอกสารโดยใช้ AI ช่วย (dbt docs generation) | ทีมที่เกลียดการเขียนเอกสาร | ราคาถูกถึงปานกลาง | สร้างเอกสารที่มีคุณภาพ "เพียงพอ" เพื่อไม่ให้ความรู้สูญหายไป |
| นโยบายการกำกับดูแลอัตโนมัติ กรอบงานความเป็นส่วนตัวของ NIST | สภาพแวดล้อมที่มีการควบคุม | องค์กรธุรกิจ | ช่วยบังคับใช้กฎระเบียบ - แต่ก็ยังต้องการมนุษย์ในการออกแบบกฎระเบียบอยู่ดี |
สังเกตสิ่งที่หายไป: แถวที่เขียนว่า “กดปุ่มเพื่อลบวิศวกรข้อมูล” ใช่แล้ว… แถวนั้นไม่มีอยู่จริง 🙃
แล้ว… AI จะเข้ามาแทนที่วิศวกรข้อมูล หรือแค่เปลี่ยนบทบาทไปเฉยๆ ล่ะ? 🛠️
คำตอบที่ไม่หวือหวาคือ AI จะเข้ามาแทนที่บางส่วนของกระบวนการทำงาน แต่ไม่ใช่เปลี่ยนอาชีพทั้งหมด
แต่มัน จะ ปรับเปลี่ยนบทบาท และถ้าคุณเพิกเฉยต่อเรื่องนั้น คุณจะรู้สึกถึงความกดดัน
สิ่งที่เปลี่ยนแปลง:
-
ใช้เวลาน้อยลงในการเขียนข้อความสำเร็จรูป
-
ใช้เวลาน้อยลงในการค้นหาเอกสาร
-
ใช้เวลามากขึ้นในการตรวจสอบ ยืนยัน และออกแบบ
-
ใช้เวลามากขึ้นในการกำหนดสัญญาและความคาดหวังด้านคุณภาพ ตามมาตรฐานสัญญาข้อมูลเปิด (ODCS)
-
ใช้เวลามากขึ้นในการทำงานร่วมกับฝ่ายผลิตภัณฑ์ ฝ่ายรักษาความปลอดภัย และฝ่ายการเงิน
นี่คือการเปลี่ยนแปลงที่แนบเนียน: วิศวกรรมข้อมูลจึงเปลี่ยนจากการ "สร้างไปป์ไลน์" ไปสู่การ "สร้างระบบผลิตภัณฑ์ข้อมูลที่เชื่อถือได้" มากขึ้น
และในแง่ที่คาดไม่ถึง นั่นกลับมีค่ามากกว่า ไม่ใช่น้อยกว่า.
นอกจากนี้ – และฉันจะพูดอย่างนี้แม้ว่ามันจะฟังดูเกินจริงไปบ้าง – AI เพิ่มจำนวนคนที่สามารถสร้างข้อมูลได้ ซึ่งทำให้จำเป็นต้องมีคนคอยดูแลให้ทุกอย่างเป็นระเบียบมากขึ้น ผลผลิตที่มากขึ้นหมายถึงความสับสนที่อาจเกิดขึ้นได้มากขึ้น GitHub Copilot
มันเหมือนกับการแจกสว่านไฟฟ้าให้ทุกคนเลย เยี่ยม! ทีนี้ก็ต้องมีคนมาบังคับใช้กฎที่ว่า "ห้ามเจาะท่อน้ำ" แล้วล่ะ 🪠
ทักษะชุดใหม่ที่ยังคงมีคุณค่า (แม้จะมี AI อยู่ทุกหนทุกแห่ง) 🧠⚙️
หากคุณต้องการเช็คลิสต์ที่ใช้งานได้จริงและ "พร้อมรับมือกับอนาคต" มันจะมีลักษณะดังนี้:
แนวคิดการออกแบบระบบ
-
การสร้างแบบจำลองข้อมูลที่ทนทานต่อการเปลี่ยนแปลง
-
ข้อดีข้อเสียของการประมวลผลแบบแบทช์เทียบกับการประมวลผลแบบสตรีมมิ่ง
-
การพิจารณาเรื่องความหน่วงเวลา ต้นทุน และความน่าเชื่อถือ
วิศวกรรมคุณภาพข้อมูล
-
สัญญา การตรวจสอบความถูกต้อง การตรวจจับความผิดปกติ มาตรฐานสัญญาข้อมูลเปิด (ODCS) การตรวจสอบข้อมูล (Dynatrace)
-
SLA, SLO, พฤติกรรมการตอบสนองต่อเหตุการณ์
-
การวิเคราะห์หาสาเหตุที่แท้จริงอย่างมีระเบียบวินัย (ไม่ใช่ตามอารมณ์ความรู้สึก)
โครงสร้างการกำกับดูแลและความไว้วางใจ
-
รูปแบบการเข้าถึง
-
ความสามารถในการตรวจสอบตามมาตรฐาน NIST SP 800-92 (การจัดการบันทึกข้อมูล)
-
ความเป็นส่วนตัวโดยการออกแบบตาม กรอบงานความเป็นส่วนตัวของ NIST
-
แนวทางปฏิบัติของสหภาพยุโรปเกี่ยวกับการเก็บรักษา ข้อมูลเพื่อการจัดการวงจรชีวิตของข้อมูล
การคิดเชิงแพลตฟอร์ม
-
แม่แบบที่นำกลับมาใช้ใหม่ได้ เส้นทางทองคำ
-
รูปแบบมาตรฐานสำหรับการนำเข้า การแปลง และการทดสอบ ข้อมูล Fivetran
-
เครื่องมือบริการตนเองที่ไม่ละลาย
การสื่อสาร (ใช่แล้ว จริงๆ นะ)
-
การเขียนเอกสารที่ชัดเจน
-
การปรับคำจำกัดความให้สอดคล้องกัน
-
การกล่าวว่า “ไม่” อย่างสุภาพแต่หนักแน่น
-
อธิบายข้อดีข้อเสียโดยไม่ให้ฟังดูเหมือนหุ่นยนต์ 🤖
หากคุณสามารถทำสิ่งเหล่านี้ได้ คำถามที่ว่า “AI จะเข้ามาแทนที่วิศวกรข้อมูลหรือไม่?” ก็จะดูไม่น่ากลัวอีกต่อไป AI จะกลายเป็นส่วนเสริมที่ช่วยเสริมการทำงานของคุณ ไม่ใช่สิ่งที่จะมาแทนที่ตัวคุณ.
สถานการณ์ที่เป็นไปได้จริงที่บทบาทด้านวิศวกรรมข้อมูลบางส่วนอาจลดลง 📉
โอเค มาตรวจสอบความเป็นจริงกันหน่อย เพราะมันไม่ได้มีแต่เรื่องดีๆ และความสุขสมหวังไปซะทั้งหมด 🎉
บางตำแหน่งงานมีความเสี่ยงมากกว่า:
-
บทบาทที่เน้นการนำเข้าข้อมูลอย่างเดียว โดยทุกอย่างใช้ตัวเชื่อมต่อมาตรฐาน ของ Fivetran
-
ทีมส่วนใหญ่ทำรายงานซ้ำซากโดยมีรายละเอียดเชิงลึกน้อยมาก
-
องค์กรที่มองงานด้านวิศวกรรมข้อมูลเป็นเพียง "คนเขียน SQL" (อาจจะฟังดูรุนแรง แต่เป็นความจริง)
-
ตำแหน่งงานที่มีอำนาจในการตัดสินใจน้อย ซึ่งงานส่วนใหญ่เป็นการจัดการตั๋วและคัดลอกวาง
AI บวกกับเครื่องมือที่ได้รับการจัดการอย่างดีสามารถลดความต้องการเหล่านั้นลงได้.
แต่ถึงอย่างนั้น การทดแทนก็มักจะมีลักษณะดังนี้:
-
จำนวนคนที่ทำงานซ้ำซากจำเจลดลง
-
เน้นย้ำเรื่องความเป็นเจ้าของแพลตฟอร์มและความน่าเชื่อถือมากขึ้น
-
การเปลี่ยนแปลงไปสู่แนวคิดที่ว่า “คนคนเดียวสามารถสนับสนุนท่อส่งได้หลายท่อ”
ใช่แล้ว รูปแบบจำนวนพนักงานสามารถเปลี่ยนแปลงได้ บทบาทหน้าที่อาจพัฒนาไป ชื่อตำแหน่งอาจเปลี่ยนไป นั่นเป็นเรื่องจริง.
อย่างไรก็ตาม บทบาทในรูปแบบที่มีอำนาจควบคุมสูงและความไว้วางใจสูงยังคงอยู่.
บทสรุปปิดท้าย 🧾✅
AI จะเข้ามาแทนที่วิศวกรข้อมูลหรือไม่? คงไม่ใช่ในแบบที่ทุกคนคิดกันอย่างแน่นอน
AI จะทำสิ่งต่อไปนี้:
-
ทำให้งานที่ทำซ้ำๆ เป็นไปโดยอัตโนมัติ
-
เร่งความเร็วในการเขียนโค้ด แก้ไขข้อผิดพลาด และจัดทำเอกสาร GitHub Copilot สำหรับ เอกสาร SQL dbt
-
ลดต้นทุนการผลิตท่อส่ง
แต่โดยพื้นฐานแล้ว วิศวกรรมข้อมูลเกี่ยวข้องกับ:
-
ความรับผิดชอบ
-
การออกแบบระบบ
-
ความไว้วางใจ คุณภาพ และการกำกับดูแล มาตรฐานสัญญาข้อมูลเปิด (ODCS) กรอบงานความเป็นส่วนตัวของ NIST
-
แปลงความจริงทางธุรกิจที่ไม่ชัดเจนให้เป็นผลิตภัณฑ์ข้อมูลที่เชื่อถือได้
AI สามารถช่วยในเรื่องนั้นได้… แต่ AI ไม่ได้ “เป็นเจ้าของ” เรื่องนี้.
หากคุณเป็นวิศวกรข้อมูล การเปลี่ยนแปลงนั้นง่าย (ไม่ใช่เรื่องง่าย แต่เป็นเรื่องง่าย):
เน้นความรับผิดชอบ คุณภาพ การคิดเชิงแพลตฟอร์ม และการสื่อสาร ปล่อยให้ AI จัดการงานที่ซ้ำซากจำเจ ในขณะที่คุณจัดการส่วนที่สำคัญจริงๆ
ใช่แล้ว บางครั้งนั่นหมายถึงการเป็นผู้ใหญ่ในห้อง มันอาจดูไม่สวยหรู แต่ทรงพลังอย่างเงียบๆ 😄
AI จะเข้ามาแทนที่วิศวกรข้อมูลหรือไม่?
มันจะเข้ามาแทนที่งานบางอย่าง ปรับเปลี่ยนโครงสร้างสายงาน และทำให้วิศวกรข้อมูลที่เก่งที่สุดมีคุณค่ามากยิ่งขึ้น นั่นคือเรื่องราวที่แท้จริง
คำถามที่พบบ่อย
AI จะเข้ามาแทนที่วิศวกรข้อมูลอย่างสมบูรณ์หรือไม่?
ในองค์กรส่วนใหญ่ AI มีแนวโน้มที่จะเข้ามาทำงานเฉพาะด้านมากกว่าที่จะเข้ามาแทนที่บทบาทนั้นโดยสิ้นเชิง AI สามารถช่วยเร่งกระบวนการร่าง SQL การสร้างโครงสร้างพื้นฐานของไปป์ไลน์ การตรวจสอบเอกสารเบื้องต้น และการสร้างการทดสอบขั้นพื้นฐานได้ แต่การทำงานด้านวิศวกรรมข้อมูลก็ยังเกี่ยวข้องกับความเป็นเจ้าของและความรับผิดชอบ รวมถึงงานที่ไม่น่าดึงดูดใจอย่างการทำให้ความเป็นจริงทางธุรกิจที่ยุ่งเหยิงทำงานได้เหมือนระบบที่เชื่อถือได้ ส่วนต่างๆ เหล่านั้นยังคงต้องการมนุษย์ในการตัดสินใจว่า "สิ่งที่ถูกต้อง" คืออะไร และรับผิดชอบเมื่อเกิดปัญหาขึ้น.
ปัจจุบัน AI เข้ามาช่วยทำงานด้านวิศวกรรมข้อมูลในส่วนใดบ้างโดยอัตโนมัติ?
AI ทำงานได้ดีที่สุดกับงานที่ทำซ้ำได้ เช่น การร่างและปรับปรุง SQL การสร้างโครงร่างโมเดล dbt การอธิบายข้อผิดพลาดทั่วไป และการสร้างโครงร่างเอกสาร นอกจากนี้ยังสามารถสร้างโครงสร้างพื้นฐานสำหรับการทดสอบ เช่น การตรวจสอบค่าว่างหรือความไม่ซ้ำกัน และสร้างโค้ด "เชื่อมต่อ" แม่แบบสำหรับเครื่องมือจัดการระบบ ข้อดีคือความรวดเร็ว คุณจะเริ่มต้นได้ใกล้เคียงกับวิธีแก้ปัญหาที่ใช้งานได้จริงมากขึ้น แต่คุณยังคงต้องตรวจสอบความถูกต้องและตรวจสอบให้แน่ใจว่าเหมาะสมกับสภาพแวดล้อมของคุณ.
ถ้า AI สามารถเขียน SQL และสร้างไปป์ไลน์ได้ แล้ววิศวกรข้อมูลจะเหลืออะไรให้ทำอีก?
งานของวิศวกรข้อมูลนั้นมากมาย ตั้งแต่การกำหนดสัญญาข้อมูล การจัดการกับการเปลี่ยนแปลงโครงสร้างข้อมูล และการทำให้มั่นใจว่าไปป์ไลน์ข้อมูลนั้นสามารถทำซ้ำได้ ตรวจสอบได้ และกู้คืนได้ วิศวกรข้อมูลใช้เวลาในการตรวจสอบการเปลี่ยนแปลงของตัวชี้วัด สร้างมาตรการป้องกันสำหรับผู้ใช้ปลายทาง และจัดการความสมดุลระหว่างต้นทุนและความน่าเชื่อถือ งานส่วนใหญ่จึงเกี่ยวข้องกับการสร้างความไว้วางใจและทำให้แพลตฟอร์มข้อมูล "สงบ" กล่าวคือมีความเสถียรมากพอที่ไม่มีใครต้องคิดถึงมันในแต่ละวัน.
ปัญญาประดิษฐ์ (AI) เปลี่ยนแปลงการทำงานประจำวันของวิศวกรข้อมูลอย่างไร?
โดยทั่วไปแล้ว มันจะช่วยลดโค้ดซ้ำซ้อนและ "เวลาในการค้นหา" ทำให้คุณใช้เวลาน้อยลงในการพิมพ์และใช้เวลามากขึ้นในการตรวจสอบ ตรวจสอบความถูกต้อง และออกแบบ การเปลี่ยนแปลงนี้จะผลักดันบทบาทไปสู่การกำหนดความคาดหวัง มาตรฐานคุณภาพ และรูปแบบที่นำกลับมาใช้ใหม่ได้ แทนที่จะเขียนโค้ดทุกอย่างด้วยมือ ในทางปฏิบัติ คุณอาจต้องทำงานร่วมกับฝ่ายผลิตภัณฑ์ ฝ่ายรักษาความปลอดภัย และฝ่ายการเงินมากขึ้น เพราะผลลัพธ์ทางเทคนิคสร้างได้ง่ายขึ้น แต่ควบคุมได้ยากขึ้น.
เหตุใด AI จึงประสบปัญหาในการทำความเข้าใจคำจำกัดความทางธุรกิจที่ไม่ชัดเจน เช่น "ผู้ใช้งานที่ใช้งานอยู่"?
เนื่องจากตรรกะทางธุรกิจไม่ได้คงที่หรือแม่นยำเสมอไป มันเปลี่ยนแปลงไปในระหว่างโครงการและแตกต่างกันไปตามผู้มีส่วนได้ส่วนเสีย AI สามารถร่างการตีความได้ แต่ไม่สามารถตัดสินใจได้เมื่อคำจำกัดความเปลี่ยนแปลงไปหรือเกิดความขัดแย้งขึ้น วิศวกรรมข้อมูลมักต้องอาศัยการเจรจา การบันทึกสมมติฐาน และการเปลี่ยนข้อกำหนดที่ไม่ชัดเจนให้เป็นสัญญาที่มั่นคง งาน "การปรับให้เข้ากับมนุษย์" นี้เป็นเหตุผลสำคัญที่ทำให้บทบาทนี้ไม่หายไปแม้ว่าเครื่องมือจะดีขึ้นก็ตาม.
AI สามารถจัดการงานด้านการกำกับดูแลข้อมูล ความเป็นส่วนตัว และการปฏิบัติตามกฎระเบียบได้อย่างปลอดภัยหรือไม่?
AI สามารถช่วยร่างนโยบายหรือเสนอแนวทางได้ แต่การนำไปใช้อย่างปลอดภัยยังคงต้องการวิศวกรรมที่แท้จริงและการกำกับดูแลอย่างรอบคอบ การกำกับดูแลเกี่ยวข้องกับการควบคุมการเข้าถึง การจัดการข้อมูลส่วนบุคคล กฎการเก็บรักษา บันทึกการตรวจสอบ และบางครั้งข้อจำกัดด้านถิ่นที่อยู่ เหล่านี้เป็นพื้นที่ที่มีความเสี่ยงสูงซึ่ง “เกือบถูกต้อง” นั้นยอมรับไม่ได้ มนุษย์ต้องออกแบบกฎ ตรวจสอบการบังคับใช้ และรับผิดชอบต่อผลลัพธ์ของการปฏิบัติตามกฎระเบียบ.
ทักษะใดบ้างที่ยังคงมีค่าสำหรับวิศวกรข้อมูลในขณะที่ปัญญาประดิษฐ์ (AI) พัฒนาขึ้น?
ทักษะที่ทำให้ระบบมีความยืดหยุ่น ได้แก่ การคิดเชิงออกแบบระบบ วิศวกรรมคุณภาพข้อมูล และการกำหนดมาตรฐานที่คำนึงถึงแพลตฟอร์ม สัญญา การตรวจสอบ การตอบสนองต่อเหตุการณ์ และการวิเคราะห์สาเหตุที่แท้จริงอย่างมีระเบียบวินัยจะมีความสำคัญมากยิ่งขึ้นเมื่อมีผู้คนจำนวนมากขึ้นสามารถสร้างข้อมูลได้อย่างรวดเร็ว การสื่อสารก็กลายเป็นปัจจัยสำคัญเช่นกัน การกำหนดคำจำกัดความให้สอดคล้องกัน การเขียนเอกสารที่ชัดเจน และการอธิบายข้อดีข้อเสียโดยปราศจากความขัดแย้ง เป็นส่วนสำคัญในการรักษาความน่าเชื่อถือของข้อมูล.
บทบาทด้านวิศวกรรมข้อมูลใดบ้างที่มีความเสี่ยงมากที่สุดจาก AI และเครื่องมือจัดการข้อมูล?
บทบาทที่เน้นเฉพาะการนำเข้าข้อมูลซ้ำๆ หรือกระบวนการรายงานมาตรฐานนั้นมีความเสี่ยงมากขึ้น โดยเฉพาะอย่างยิ่งเมื่อตัวเชื่อมต่อ ELT ที่ได้รับการจัดการครอบคลุมแหล่งข้อมูลส่วนใหญ่ งานที่มีผู้รับผิดชอบน้อยและขับเคลื่อนด้วยระบบตั๋วอาจลดลงเนื่องจาก AI และนามธรรมช่วยลดความพยายามต่อกระบวนการทำงาน แต่โดยปกติแล้วสิ่งนี้จะหมายถึงจำนวนคนน้อยลงที่ทำงานซ้ำๆ ไม่ใช่ "ไม่มีวิศวกรข้อมูล" บทบาทที่มีความรับผิดชอบสูงซึ่งเน้นความน่าเชื่อถือ คุณภาพ และความไว้วางใจยังคงมีความยั่งยืน.
ฉันควรใช้เครื่องมืออย่าง GitHub Copilot หรือ dbt ร่วมกับ AI อย่างไรโดยไม่ทำให้เกิดความวุ่นวาย?
จงมองผลลัพธ์จาก AI เป็นเพียงร่าง ไม่ใช่ข้อสรุป ใช้มันเพื่อสร้างโครงร่างคำสั่งค้นหา ปรับปรุงความอ่านง่าย หรือสร้างโครงสร้างพื้นฐานสำหรับการทดสอบและเอกสาร dbt จากนั้นตรวจสอบความถูกต้องกับข้อมูลจริงและกรณีพิเศษต่างๆ ควบคู่ไปกับหลักเกณฑ์ที่เข้มงวด เช่น สัญญา มาตรฐานการตั้งชื่อ การตรวจสอบความสามารถในการสังเกตการณ์ และแนวทางการทบทวน เป้าหมายคือการส่งมอบงานที่รวดเร็วขึ้นโดยไม่ลดทอนความน่าเชื่อถือ การควบคุมต้นทุน หรือการกำกับดูแล.
เอกสารอ้างอิง
-
คณะกรรมาธิการยุโรป - คำอธิบายเกี่ยวกับการคุ้มครองข้อมูล: หลักการของ GDPR - commission.europa.eu
-
สำนักงานคณะกรรมการข้อมูลข่าวสาร (ICO) - ข้อจำกัดในการจัดเก็บข้อมูล - ico.org.uk
-
คณะกรรมาธิการยุโรป - ข้อมูลสามารถเก็บรักษาได้นานแค่ไหน และจำเป็นต้องอัปเดตข้อมูลหรือไม่? - commission.europa.eu
-
สถาบันมาตรฐานและเทคโนโลยีแห่งชาติ (NIST) - กรอบนโยบายความเป็นส่วนตัว - nist.gov
-
ศูนย์ทรัพยากรความปลอดภัยคอมพิวเตอร์ของ NIST (CSRC) - SP 800-92: คู่มือการจัดการบันทึกความปลอดภัยคอมพิวเตอร์ - csrc.nist.gov
-
ศูนย์ความปลอดภัยทางอินเทอร์เน็ต (CIS) - การจัดการบันทึกการตรวจสอบ (CIS Controls) - cisecurity.org
-
เอกสารประกอบการใช้งาน Snowflake - นโยบายการเข้าถึงแถว - docs.snowflake.com
-
เอกสารประกอบของ Google Cloud - การรักษาความปลอดภัยระดับแถวของ BigQuery - docs.cloud.google.com
-
BITOL - มาตรฐานสัญญาข้อมูลเปิด (ODCS) เวอร์ชัน 3.1.0 - bitol-io.github.io
-
BITOL (GitHub) - มาตรฐานสัญญาข้อมูลเปิด - github.com
-
Apache Airflow - เอกสารประกอบ (เวอร์ชันเสถียร) - airflow.apache.org
-
Apache Airflow - DAGs (แนวคิดหลัก) - airflow.apache.org
-
เอกสารประกอบการใช้งาน dbt Labs - dbt คืออะไร? - docs.getdbt.com
-
เอกสารประกอบการใช้งาน dbt Labs - เกี่ยวกับโมเดล dbt - docs.getdbt.com
-
เอกสารประกอบการใช้งาน dbt Labs - Documentation - docs.getdbt.com
-
เอกสารประกอบการใช้งาน dbt Labs - การทดสอบข้อมูล - docs.getdbt.com
-
เอกสารประกอบการใช้งาน dbt Labs - dbt Semantic Layer - docs.getdbt.com
-
เอกสารประกอบการใช้งาน FiveTran - เริ่มต้นใช้งาน - fivetran.com
-
Fivetran - ตัวเชื่อมต่อ - fivetran.com
-
เอกสารประกอบของ AWS - คู่มือสำหรับนักพัฒนา AWS Lambda - docs.aws.amazon.com
-
GitHub - GitHub Copilot - github.com
-
เอกสาร GitHub - การรับคำแนะนำโค้ดใน IDE ของคุณด้วย GitHub Copilot - docs.github.com
-
Microsoft Learn - GitHub Copilot สำหรับ SQL (ส่วนขยาย VS Code) - learn.microsoft.com
-
เอกสารประกอบการใช้งาน Dynatrace - การตรวจสอบข้อมูล - docs.dynatrace.com
-
DataGalaxy - การตรวจสอบข้อมูลคืออะไร? - datagalaxy.com
-
เอกสารประกอบ Great Expectations - ภาพรวมของ Expectations - docs.greatexpectations.io