ארכיטקט הנתונים בעידן הבינה המלאכותית

🌐 זמין גם ב-28 שפות

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 · Українська · हिन्दी · Русский · Svenska · Dansk · Norsk bokmål · Suomi · Español (México) · Français (Canada) · Deutsch (Schweiz)

התמונה נוצרה בבינה מלאכותית

תורגם בבינה מלאכותית. הקהילה עוד לא בדקה את התרגום. לקריאה באנגלית

יחידה 7 מתוך 7 בפרק לחשוב כמו ארכיטקט נתונים, הפרק הראשון בקורס Data Architect. כל יחידה עומדת בפני עצמה. הקודם: הכירו את הכלים שלכם: תשע השאלות · הבא: הפרק הבא: מידול נתונים

השאלה שהיחידה הזו עונה עליה: מה הבינה המלאכותית משנה עבור ארכיטקט הנתונים, ומה היא לא משנה?

בינה מלאכותית משנה את הארכיטקטורה, אבל אולי לא בדרך שאנשים חושבים בהתחלה.

זכרו איפה הפרק הזה התחיל: את רוב הקריירה שלי ביליתי כבונה. ברוב הזמן הזה, בניית תוכנה הייתה יקרה. הייתם צריכים אנשים עם מיומנויות מיוחדות, וכתיבת קוד, בניית אינטגרציות, יצירת אפליקציות ובדיקות לקחו זמן; אפילו להתנסות ברעיון הייתה השקעה משמעותית. הבינה המלאכותית משנה את המשוואה הזו. היום אני יכול לתאר מה אני רוצה ולקבל מבינה מלאכותית מודל נתונים, Apex, Flow, רכיב Lightning, אינטגרציה, בדיקות או תיעוד במהירות מדהימה, ומחר היא תעשה אפילו יותר.

אז סביר לשאול: אם הבינה המלאכותית יכולה לעשות כל כך הרבה מהבנייה, מה קורה לארכיטקט? אני חושב שהתשובה היא שהארכיטקטורה נעשית חשובה יותר, לא פחות.

בינה מלאכותית היא מאיץ רקטה

השתמשתי באנלוגיה הזו בהרצאות שלי:

הבינה המלאכותית היא מאיץ הרקטה. הארכיטקטורה היא מערכת ההנחיה.

בינה מלאכותית נותנת לנו תאוצה יוצאת דופן. אנחנו יכולים לייצר אפליקציות, מודלי נתונים, אינטגרציות, בדיקות ותיעוד מהר יותר מאי פעם. אבל מאיץ רקטה לא מחליט לאן הרקטה צריכה לטוס. הוא מספק דחף. מערכת ההנחיה קובעת את המסלול ומבצעת תיקונים לאורך הדרך.

בלי הנחיה טובה, יותר דחף לא עוזר. הוא מביא אתכם ליעד הלא נכון מהר יותר. התפקיד של הארכיטקט הוא לא להאט הכול; הוא לוודא שאנחנו מאיצים בכיוון הנכון.

התמונה נוצרה באמצעות בינה מלאכותית.

דמיינו כלי בינה מלאכותית שבונה אפליקציה מהר פי עשרה ממה שיכולנו קודם. נהדר, אם זו האפליקציה הנכונה. אבל מה אם מודל הנתונים שגוי, או שבחרנו את האובייקט הסטנדרטי הלא נכון, או שלא הבנו איפה נתוני האב שייכים, או שהתכנון עובד בנפח של היום וקורס עם עוד אפס? הבינה המלאכותית לא הסירה את הטעות. היא עזרה לנו לבנות את הטעות מהר יותר, ולבנות עליה הרבה יותר לפני שמישהו שם לב.

מימוש זול מזיז את הערך

כשמימוש יקר, תשומת הלב הולכת באופן טבעי למימוש: מי יכול לבנות את זה, כמה זמן זה ייקח, האם אפשר בכלל לגרום לזה לעבוד. ככל שהמימוש נעשה זול יותר, שאלה אחרת נעשית חשובה יותר: מה כדאי לבנות? זו שאלה ארכיטקטונית.

בינה מלאכותית יכולה לייצר עשרים אובייקטים; ארכיטקט הנתונים מחליט אם צריכים להיות לנו חמישה. בינה מלאכותית יכולה לייצר אינטגרציה; הארכיטקט מחליט אם בכלל צריך להעתיק את הנתונים. בינה מלאכותית יכולה ליצור שדה בתוך שניות; הארכיטקט שואל אם יש לו משמעות ברורה, בעלים וסיבה להתקיים. בינה מלאכותית בונה את מה שאנחנו מבקשים, ולכן איכות הבקשה שלנו חשובה יותר מאי פעם.

יצירה היא לא שיקול דעת

בינה מלאכותית טובה מאוד בייצור אפשרויות, וזה שימושי מאוד. אני מבקש ממנה שלוש דרכים למדל משהו, את הפשרות, לאתגר ארכיטקטורה, לספר לי מה קורה ב-100 מיליון רשומות או איפה תכנון יכול להיכשל, או לתת לי חלופה שבה Salesforce הוא לא מערכת הרשומה. אני רוצה שארכיטקטים יעשו את זה.

אבל לייצר אפשרויות ולשפוט אותן הם דברים שונים. בינה מלאכותית יכולה להגיד לי מה כל אחת מאפשרויות A ו-B מציעה. מישהו עדיין צריך להבין את העסק מספיק טוב כדי לדעת אילו יתרונות חשובים, אילו מגבלות אמיתיות, איזה סיכון מקובל, ומתי תשובה סבירה טכנית אבל שגויה לארגון הזה. זה שיקול דעת, וזו ארכיטקטורה.

הנה איך זה מתבטא בעבודה שלי. במהלך השנה האחרונה הפסקתי לכתוב בעצמי את רוב הקוד. אני נותן לבינה המלאכותית את הפרטים ומבקש ממנה לייצר את המסכים ואת קוד צד השרת, והיא טובה בזה בצורה מדהימה.

אבל היא לא עושה צעד אחורה ומסתכלת במבט אנליטי עמוק יותר. אם יש פגם במודל הנתונים או בתכנון, היא לא מטילה בו ספק. היא מתייחסת למה שכבר קיים כהנחה ובונה מעליו, מהר ובמקצועיות. רק לעיתים רחוקות היא עוצרת ואומרת: “לפני שאני מוסיפה את זה, אולי כדאי לשנות את המודל שכבר יש לכם.” להסתכל על מה שקיים ולשאול אם הוא נכון, ולא רק אם אפשר לבנות עליו את הדבר הבא, זה עדיין התפקיד של הארכיטקט. אם אתם רוצים שהבינה המלאכותית תטיל ספק בהנחה, אתם צריכים לבקש ממנה.

מבחן ההפיכות עדיין תקף

חזרו לשאלה של יחידה 3: כמה קשה יהיה להפוך את ההחלטה הזו? בינה מלאכותית משנה את המחיר של ייצור ושינוי תוכנה. היא לא משנה את המחיר של שינוי המציאות. ברגע ש-100 מיליון רשומות נטענו, הן קיימות. ברגע ששתים-עשרה מערכות תלויות במזהה, התלויות האלה קיימות. ברגע שלקוחות משתמשים בתהליך, או שאנליטיקה תלויה במשמעות של שדה, לשנות אותו יש השלכות. וברגע שנתונים שותפו במקום שבו לא היו אמורים להיות, שום כמות של קוד חדש לא תחזיר אותם.

מה שבלתי הפיך נשאר בלתי הפיך.

סוכנים הם סוג חדש של צרכן נתונים

פעם תכננו נתונים לשני סוגי צרכנים: בני אדם ותוכנה. אדם קורא רשומה; דוח, אינטגרציה או אפליקציה קוראים את הנתונים. עכשיו יש סוג שלישי: סוכנים. סוכן עשוי לשלוף נתונים, לפרש אותם, לשלב אותם עם מידע אחר, להחליט ולפעול, לפעמים בלי אף אדם באמצע.

זה מעלה את הרף. מה המשמעות של שדה, מי הבעלים שלו, כמה הוא עדכני ואמין, האם הוא רגיש, האם סוכן יכול וצריך לראות אותו, מה קורה כששני מקורות לא מסכימים: פעם אלה היו עניין של תיעוד. עכשיו זו הדרך שבה מערכת אינטליגנטית מבינה את העסק.

ונתונים גרועים לא נעשים חכמים יותר כי בינה מלאכותית קוראת אותם. זבל נכנס, זבל יוצא, עדיין נכון. לקוחות כפולים, בעלות לא ברורה, מזהים לא עקביים ומערכות רשומה סותרות לא נעלמים כשמחברים סוכן; ההשלכות רק נעשות גלויות יותר. אדם מסתכל על שדה ויודע שאף אחד לא עדכן אותו כבר שלוש שנים. לסוכן אין את הידע הארגוני הזה, והוא עלול לפעול בביטחון על נתונים שכל השאר ידעו בשקט לא לסמוך עליהם. ארכיטקטורת נתונים הופכת לחלק מארכיטקטורת הבינה המלאכותית.

היזהרו מהתפשטות הסכמה

בינה מלאכותית גם הופכת את יצירת הדברים לקלה להפליא. צריכים עוד אובייקט, עוד שישה שדות, עוד אוטומציה? תייצרו אותם. כל החלטה נראית זולה, אבל זכרו את כוח המשיכה הארכיטקטוני מיחידה 3: האובייקטים והשדות האלה צוברים תלויות (אוטומציה, אינטגרציות, דוחות, סוכנים), ומהר מאוד יש לכם מודל נתונים שאף אחד לא תכנן. הוא פשוט צמח.

הארכיטקט צריך להיות מוכן לשאול: “אנחנו באמת צריכים את זה?” לפעמים ההחלטה הכי חשובה היא לא ליצור משהו. ארכיטקטורה טובה עוסקת במה שמשאירים בחוץ לא פחות מאשר במה שמכניסים.

סקירה אנושית היא לא טקס

כשאני אומר שארכיטקט אנושי צריך לסקור מודל נתונים שנוצר על ידי בינה מלאכותית, אני לא מתכוון ל”בינה מלאכותית יצרה אותו, ו-Steve הסתכל על התרשים חמש דקות ואישר”. זה לא פיקוח. הארכיטקט צריך להבין את המודל: למה האובייקטים האלה, למה הקשרים האלה, אילו חלופות נשקלו, איפה המפתחות ונתוני האב, מה קורה כשהנפח גדל, מהן ההשלכות על הגישה, ואילו פשרות נעשו. אם אני לא יכול לענות על אלה, אני לא הבעלים של הארכיטקטורה; רק הטבעתי עליה חותמת גומי. בינה מלאכותית יכולה לתרום לארכיטקטורה, לאתגר אותה ולתעד אותה, אבל הארכיטקט האנושי צריך להיות מסוגל להגן עליה.

אותו דבר נכון לגבי עובדות. אני משתמש בבינה מלאכותית כל הזמן ללמידה ולמחקר, והכלל שלי הוא סמכו אבל אמתו. שאלו את השאלה, בקשו את ההסבר, את החלופות ואתגר לתשובה של עצמה. ואז, לכל דבר שחשוב לארכיטקטורה שלכם, עקבו אחרי הקישור, קראו את התיעוד, בדקו את המגבלה, ודאו את הרישוי ובדקו את ההתנהגות. בינה מלאכותית יכולה להיות משכנעת מאוד כשהיא טועה, וההבחנה בין עובדות להנחות היא עכשיו חלק גדול עוד יותר מהעבודה.

בינה מלאכותית לא מקצרת את המסע

יש משפט שאני משתמש בו כשאני מדבר על להפוך לארכיטקט:

בינה מלאכותית לא מקצרת את המסע. היא יכולה לגרום לכל צעד להיות שווה יותר.

אתם עדיין צריכים להבין נתונים, אבטחה, אינטגרציה, את הפלטפורמה ואת העסק, ואתם עדיין צריכים את הניסיון של קבלת החלטות וחיים עם ההשלכות. בינה מלאכותית יכולה להאיץ את הלמידה שלכם, להראות לכם תרחישים שעוד לא פגשתם, להסביר דברים, לאתגר אתכם, לעזור לכם לבנות ולתת לכם זוג עיניים נוסף. השתמשו בכל זה. רק אל תבלבלו בין בינה מלאכותית שיודעת את התשובה לבין זה שאתם מבינים את התשובה.

הארכיטקט מוביל

התחלנו את הפרק עם האדם שמחזיק את התוכנית. בינה מלאכותית נותנת לאדם הזה כלים חדשים יוצאי דופן: עוזר שיכול לשרטט חלקים מהתוכנית, לחקור חומרים, להציע חלופות, לחשב עומסים, לכתוב את התיעוד ואפילו לזהות בעיות שפספסתם. השתמשו בו. אבל מישהו עדיין צריך להבין את הבניין כולו, לשאול אם זה הבניין הנכון, לדעת מה קורה כשהדרישות משתנות ואילו החלטות יהיה יקר לבטל, ולשאת באחריות לתוצאה.

בגלל זה הרמה האחרונה בקורס הזה נקראת Direct (להוביל). ייתכן שלא תכתבו כל שורת קוד, תיצרו כל Flow או תבנו כל אובייקט. מישהו עדיין צריך להוביל את הפתרון, וזה הארכיטקט. בינה מלאכותית לא מבטלת את הארכיטקטורה; היא משנה את המקום שבו ארכיטקטים יוצרים ערך. זו תקופה יוצאת דופן להפוך לארכיטקט.

מה הארכיטקט מחליט כאן

• מה בכלל כדאי לבנות, עכשיו כשבנייה זולה: אילו אובייקטים, שדות ואינטגרציות מצדיקים את מקומם.
• אילו אפשרויות שנוצרו על ידי בינה מלאכותית מתאימות לעסק הזה, ואילו נשמעות סבירות אבל שגויות.
• אילו החלטות הבינה המלאכותית דוהרת על פניהן, שיהיה יקר להפוך אותן.
• מה סוכנים רשאים לקרוא ולפעול לפיו, והאם הנתונים טובים ומתוארים מספיק כדי שיוכלו לעשות זאת.
• אילו עובדות מהבינה המלאכותית צריך לאמת לפני שהן מעצבות את התכנון.

זו חשיבה כמו של ארכיטקט בעידן הבינה המלאכותית.