Dataarkitekten i AI's tid

🌐 Findes også på 28 sprog

English · Español · 日本語 · Português (Brasil) · Français · Deutsch · Italiano · 한국어 · 简体中文 · Português (Portugal) · 繁體中文 · Bahasa Indonesia · Türkçe · Polski · Tiếng Việt · ไทย · Nederlands · العربية · עברית · Українська · हिन्दी · Русский · Svenska · Norsk bokmål · Suomi · Español (México) · Français (Canada) · Deutsch (Schweiz)

Billedet er lavet med AI

Oversat med AI. Fællesskabet har endnu ikke gennemgået oversættelsen. Læs på engelsk

Modul 7 af 7 i kapitlet Tænk som en dataarkitekt, kapitel 1 i kurset Data Architect. Hvert modul står på egne ben. Forrige: Kend dine værktøjer: de ni spørgsmål · Næste: næste kapitel: Modellér data for betydning

Spørgsmålet, dette modul besvarer: Hvad ændrer AI for dataarkitekten, og hvad ændrer den ikke?

AI ændrer arkitektur, men måske ikke på den måde, folk først tror.

Husk, hvor kapitlet startede: det meste af min karriere har jeg været bygger. Det meste af den tid var det dyrt at bygge software. Du havde brug for folk med specialiserede kompetencer, og det tog tid at skrive kode, bygge integrationer, lave applikationer og teste; selv at eksperimentere med en idé var en mærkbar investering. AI ændrer det regnestykke. I dag kan jeg beskrive, hvad jeg vil have, og få AI til at generere en datamodel, Apex, et Flow, en Lightning-komponent, en integration, test eller dokumentation bemærkelsesværdigt hurtigt, og i morgen kan den endnu mere.

Så det er rimeligt at spørge: hvis AI kan klare så meget af byggeriet, hvad sker der så med arkitekten? Jeg tror, svaret er, at arkitektur bliver vigtigere, ikke mindre vigtig.

AI er en raketbooster

Jeg har brugt denne sammenligning i mine foredrag:

AI er raketboosteren. Arkitektur er styresystemet.

AI giver os en enestående acceleration. Vi kan generere applikationer, datamodeller, integrationer, test og dokumentation hurtigere end nogensinde. Men en raketbooster bestemmer ikke, hvor raketten skal hen. Den leverer fremdrift. Styresystemet bestemmer kursen og retter til undervejs.

Uden et sundt styresystem hjælper mere fremdrift ikke. Det får dig bare hurtigere frem til det forkerte mål. Arkitektens job er ikke at bremse alt; det er at sikre, at vi accelererer i den rigtige retning.

Billedet er genereret med AI.

Forestil dig et AI-værktøj, der bygger en applikation ti gange hurtigere, end vi kunne før. Det er fantastisk, hvis det er den rigtige applikation. Men hvad hvis datamodellen er forkert, eller vi valgte det forkerte standardobjekt, eller misforstod, hvor masterdataene hører hjemme, eller designet virker ved dagens volumen og bryder sammen med et nul mere? AI har ikke fjernet fejlen. Den har hjulpet os med at bygge fejlen hurtigere og bygge meget mere oven på den, før nogen opdager det.

Billig implementering flytter værdien

Når implementering er dyr, går opmærksomheden naturligt til implementeringen: hvem kan bygge det, hvor lang tid tager det, kan det overhovedet lade sig gøre? Når implementering bliver billigere, betyder et andet spørgsmål mere: hvad skal vi bygge? Det er et arkitekturspørgsmål.

AI kan generere tyve objekter; dataarkitekten beslutter, om vi skal have fem. AI kan generere en integration; arkitekten beslutter, om dataene overhovedet skal kopieres. AI kan lave et felt på få sekunder; arkitekten spørger, om det har en klar betydning, en ejer og en grund til at eksistere. AI bygger det, vi beder om, så kvaliteten af det, vi beder om, betyder mere end nogensinde.

At generere er ikke at vurdere

AI er rigtig god til at generere muligheder, og det er enormt nyttigt. Jeg beder den om tre måder at modellere noget på, om afvejningerne, om at udfordre en arkitektur, om at fortælle mig, hvad der sker ved 100 millioner poster, eller hvor et design kan fejle, eller om at give mig et alternativ, hvor Salesforce ikke er system of record. Det vil jeg have, at arkitekter gør.

Men at generere muligheder og at vurdere dem er to forskellige ting. AI kan fortælle mig, hvad mulighed A og mulighed B hver især tilbyder. Nogen skal stadig forstå forretningen godt nok til at vide, hvilke fordele der betyder noget, hvilke begrænsninger der er reelle, hvilken risiko der er acceptabel, og hvornår et svar er teknisk plausibelt, men forkert for denne organisation. Det er dømmekraft, og det er arkitektur.

Sådan viser det sig i mit eget arbejde. Inden for det seneste år er jeg holdt op med selv at skrive det meste af koden. Jeg giver AI detaljerne og beder den generere skærmbillederne og backend-koden, og den er bemærkelsesværdigt god til det.

Men den træder ikke et skridt tilbage og kigger dybere analytisk på det. Hvis der er en fejl i datamodellen eller designet, sætter den ikke spørgsmålstegn ved den. Den behandler det, der allerede er der, som en antagelse og bygger videre oven på det, hurtigt og kompetent. Den stopper sjældent op og siger: »Før jeg tilføjer det her, kunne det være værd at ændre den model, du allerede har.« At se på det, der findes, og spørge, om det er rigtigt, ikke kun om vi kan bygge det næste oven på det, er stadig arkitektens job. Hvis du vil have AI til at sætte spørgsmålstegn ved en antagelse, skal du bede den om det.

Reversibilitetstesten gælder stadig

Gå tilbage til spørgsmålet fra modul 3: hvor svært bliver det at omgøre denne beslutning? AI ændrer prisen på at generere og ændre software. Den ændrer ikke prisen på at ændre virkeligheden. Når 100 millioner poster først er indlæst, så findes de. Når tolv systemer først afhænger af et id, så findes de afhængigheder. Når kunderne først bruger en proces, eller analyser afhænger af, hvad et felt betyder, har det konsekvenser at ændre det. Og når data først er blevet delt et sted, hvor de ikke skulle have været, kan ingen mængde ny kode lægge dem tilbage.

Det, der ikke kan omgøres, kan stadig ikke omgøres.

Agenter er en ny slags dataforbruger

Før designede vi data til to slags forbrugere: mennesker og software. En person læser en post; en rapport, en integration eller en applikation læser dataene. Nu er der en tredje: agenter. En agent kan hente data, fortolke dem, kombinere dem med andre oplysninger, beslutte og handle, nogle gange uden et menneske imellem.

Det hæver indsatsen. Hvad et felt betyder, hvem der ejer det, hvor aktuelt og troværdigt det er, om det er følsomt, om en agent kan og bør se det, hvad der sker, når to kilder er uenige: det plejede at være dokumentation. Nu er det sådan, et intelligent system forstår forretningen.

Og dårlige data bliver ikke klogere af, at AI læser dem. Skrald ind, skrald ud gælder stadig. Dublerede kunder, uklart ejerskab, inkonsistente id’er og modstridende systems of record forsvinder ikke, når du kobler en agent på; konsekvenserne bliver bare mere synlige. En person kigger på et felt og ved, at ingen har opdateret det i tre år. Agenten har ikke den viden fra organisationen, og den kan handle selvsikkert på data, som alle andre stille og roligt vidste, at man ikke skulle stole på. Dataarkitektur bliver en del af AI-arkitektur.

Pas på skemaer, der vokser vildt

AI gør det også utrolig nemt at skabe ting. Brug for endnu et objekt, seks felter mere, endnu en automatisering? Generér dem. Hver beslutning virker billig, men husk den arkitektoniske tyngdekraft fra modul 3: de objekter og felter samler afhængigheder (automatisering, integrationer, rapporter, agenter), og snart har du en datamodel, som ingen har designet. Den voksede bare.

Arkitekten skal være villig til at spørge: »Har vi faktisk brug for det her?« Nogle gange er den mest værdifulde beslutning ikke at skabe noget. God arkitektur handler lige så meget om det, du udelader, som om det, du tager med.

Menneskelig gennemgang er ikke en ceremoni

Når jeg siger, at en menneskelig arkitekt skal gennemgå en AI-genereret datamodel, mener jeg ikke »AI lavede den, og Steve kiggede på diagrammet i fem minutter og godkendte det«. Det er ikke tilsyn. Arkitekten skal forstå modellen: hvorfor disse objekter, hvorfor disse relationer, hvilke alternativer blev overvejet, hvor er nøglerne og masterdataene, hvad sker der, når volumen vokser, hvad betyder det for adgangen, og hvilke afvejninger blev foretaget. Hvis jeg ikke kan svare på det, ejer jeg ikke arkitekturen; jeg har bare sat et stempel på den. AI kan bidrage til en arkitektur, udfordre den og dokumentere den, men den menneskelige arkitekt skal kunne forsvare den.

Det samme gælder fakta. Jeg bruger hele tiden AI til at lære og researche, og min regel er stol på, men efterprøv. Stil spørgsmålet, bed om forklaringen, alternativerne og en udfordring af dens eget svar. Følg så linket, læs dokumentationen, tjek grænsen, bekræft licenserne og test adfærden for alt, der betyder noget for din arkitektur. AI kan være meget overbevisende, når den tager fejl, og at skelne fakta fra antagelser er nu en endnu større del af jobbet.

AI gør ikke rejsen kortere

Der er en sætning, jeg bruger, når jeg taler om at blive arkitekt:

AI gør ikke rejsen kortere. Den kan få hvert skridt til at tælle mere.

Du skal stadig forstå data, sikkerhed, integration, platformen og forretningen, og du har stadig brug for erfaringen med at træffe beslutninger og leve med konsekvenserne. AI kan sætte fart på din læring, vise dig scenarier, du ikke har mødt, forklare ting, udfordre dig, hjælpe dig med at bygge og give dig et ekstra sæt øjne. Brug det hele. Bare forveksl ikke en AI, der kender svaret, med at du forstår svaret.

Arkitekten leder

Vi startede kapitlet med personen, der holder tegningen. AI giver den person enestående nye værktøjer: en assistent, der kan tegne dele af tegningen, researche materialer, foreslå alternativer, beregne belastninger, skrive dokumentationen og endda opdage problemer, du overså. Brug den. Men nogen skal stadig forstå hele bygningen, spørge, om det er den rigtige bygning, vide, hvad der sker, når kravene ændrer sig, og hvilke beslutninger der bliver dyre at omgøre, og stå til ansvar for resultatet.

Derfor hedder kursets sidste niveau Direct (lede). Du skriver måske ikke hver linje kode, laver hvert Flow eller bygger hvert objekt. Nogen skal stadig lede løsningen, og det er arkitekten. AI afskaffer ikke arkitektur; den ændrer, hvor arkitekter skaber værdi. Det er en enestående tid at blive arkitekt i.

Hvad en arkitekt beslutter her

• Hvad der overhovedet skal bygges, nu hvor det er billigt at bygge: hvilke objekter, felter og integrationer der fortjener deres plads.
• Hvilke AI-genererede muligheder der passer til denne forretning, og hvilke der er plausible, men forkerte.
• Hvilke beslutninger AI suser forbi, som bliver dyre at omgøre.
• Hvad agenter må læse og handle på, og om dataene er gode og godt nok beskrevet til, at de kan gøre det.
• Hvilke fakta fra AI der skal efterprøves, før de former designet.

Det er at tænke som en arkitekt i AI’s tid.