Dataarkitekten i KI-ens tid

🌐 Finnes også på 28 språk

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 · Dansk · Suomi · Español (México) · Français (Canada) · Deutsch (Schweiz)

Bildet er laget med KI

Oversatt med KI. Fellesskapet har ikke gjennomgått oversettelsen ennå. Les på engelsk

Modul 7 av 7 i kapitlet Tenk som en dataarkitekt, kapittel 1 i kurset Data Architect. Hver modul står på egne ben. Forrige: Kjenn verktøyene dine: de ni spørsmålene · Neste: neste kapittel: Modeller data for mening

Spørsmålet denne modulen besvarer: Hva endrer KI for dataarkitekten, og hva endrer den ikke?

KI (AI) endrer arkitektur, men kanskje ikke slik folk først tror.

Husk hvor dette kapitlet startet: jeg har vært bygger mesteparten av karrieren. Det meste av den tiden var det dyrt å bygge programvare. Du trengte folk med spesialkompetanse, og å skrive kode, bygge integrasjoner, lage applikasjoner og teste tok tid; selv å eksperimentere med en idé var en betydelig investering. KI endrer det regnestykket. I dag kan jeg beskrive hva jeg vil ha, og få KI til å generere en datamodell, Apex, en Flow, en Lightning-komponent, en integrasjon, tester eller dokumentasjon bemerkelsesverdig raskt, og i morgen kommer den til å gjøre enda mer.

Så det er rimelig å spørre: hvis KI kan gjøre så mye av byggingen, hva skjer med arkitekten? Jeg tror svaret er at arkitektur blir viktigere, ikke mindre viktig.

KI er en rakettbooster

Jeg har brukt denne analogien i foredragene mine:

KI er rakettboosteren. Arkitektur er styresystemet.

KI gir oss en enestående akselerasjon. Vi kan generere applikasjoner, datamodeller, integrasjoner, tester og dokumentasjon raskere enn noen gang. Men en rakettbooster bestemmer ikke hvor raketten skal. Den gir skyvekraft. Styresystemet bestemmer kursen og korrigerer underveis.

Uten god styring hjelper ikke mer skyvekraft. Den får deg bare raskere frem til feil sted. Arkitektens jobb er ikke å bremse alt; den er å sørge for at vi akselererer i riktig retning.

Bildet er generert med KI.

Tenk deg et KI-verktøy som bygger en applikasjon ti ganger raskere enn vi kunne før. Det er flott hvis det er den riktige applikasjonen. Men hva om datamodellen er feil, eller vi valgte feil standardobjekt, eller misforsto hvor masterdataene hører hjemme, eller designet fungerer med dagens volum og kollapser med en null til? KI har ikke fjernet feilen. Den har hjulpet oss å bygge feilen raskere, og å bygge mye mer oppå den før noen merker noe.

Billig implementering flytter verdien

Når implementering er dyrt, går oppmerksomheten naturlig til implementeringen: hvem kan bygge det, hvor lang tid tar det, kan det i det hele tatt fås til å fungere. Når implementering blir billigere, blir et annet spørsmål viktigere: hva bør vi bygge? Det er et arkitekturspørsmål.

KI kan generere tjue objekter; dataarkitekten avgjør om vi bør ha fem. KI kan generere en integrasjon; arkitekten avgjør om dataene i det hele tatt bør kopieres. KI kan lage et felt på sekunder; arkitekten spør om det har en tydelig betydning, en eier og en grunn til å finnes. KI bygger det vi ber om, så kvaliteten på det vi ber om, betyr mer enn noen gang.

Generering er ikke skjønn

KI er veldig god til å generere alternativer, og det er enormt nyttig. Jeg ber den om tre måter å modellere noe på, om avveiningene, om å utfordre en arkitektur, om å fortelle meg hva som skjer ved 100 millioner poster eller hvor et design kan feile, eller om å gi meg et alternativ der Salesforce ikke er system of record. Jeg vil at arkitekter skal gjøre dette.

Men å generere alternativer og å vurdere dem er to forskjellige ting. KI kan fortelle meg hva alternativ A og alternativ B hver for seg tilbyr. Noen må fortsatt forstå virksomheten godt nok til å vite hvilke fordeler som betyr noe, hvilke begrensninger som er reelle, hvilken risiko som er akseptabel, og når et svar er teknisk plausibelt, men feil for denne organisasjonen. Det er skjønn, og det er arkitektur.

Slik viser det seg i mitt eget arbeid. Det siste året har jeg sluttet å skrive mesteparten av koden selv. Jeg gir KI detaljene og ber den generere skjermbildene og backend-koden, og den er bemerkelsesverdig god til det.

Men den tar ikke et skritt tilbake og ser dypere analytisk på saken. Hvis det er en svakhet i datamodellen eller designet, stiller den ikke spørsmål ved det. Den behandler det som allerede finnes, som en forutsetning og bygger videre på det, raskt og kompetent. Den stopper sjelden opp og sier: «Før jeg legger til dette, kan det være verdt å endre modellen du allerede har.» Å se på det som finnes og spørre om det er riktig, ikke bare om vi kan bygge det neste oppå det, er fortsatt arkitektens jobb. Hvis du vil at KI skal stille spørsmål ved en antakelse, må du be den om det.

Reversibilitetstesten gjelder fortsatt

Gå tilbake til spørsmålet fra modul 3: hvor vanskelig blir denne beslutningen å reversere? KI endrer kostnaden ved å generere og endre programvare. Den endrer ikke kostnaden ved å endre virkeligheten. Når 100 millioner poster er lastet inn, finnes de. Når tolv systemer avhenger av en identifikator, finnes de avhengighetene. Når kunder bruker en prosess, eller analyser avhenger av hva et felt betyr, får det konsekvenser å endre det. Og når data først er delt et sted de ikke burde vært, kan ingen mengde ny kode få dem tilbake.

Irreversibelt er fortsatt irreversibelt.

Agenter er en ny type datakonsument

Før designet vi data for to typer konsumenter: mennesker og programvare. En person leser en post; en rapport, en integrasjon eller en applikasjon leser dataene. Nå finnes det en tredje: agenter. En agent kan hente data, tolke dem, kombinere dem med annen informasjon, bestemme og handle, noen ganger uten noe menneske imellom.

Det gjør innsatsen høyere. Hva et felt betyr, hvem som eier det, hvor oppdatert og pålitelig det er, om det er sensitivt, om en agent kan og bør se det, hva som skjer når to kilder er uenige: dette var før dokumentasjon. Nå er det slik et intelligent system forstår virksomheten.

Og dårlige data blir ikke smartere av at KI leser dem. Søppel inn, søppel ut gjelder fortsatt. Dupliserte kunder, uklart eierskap, inkonsistente identifikatorer og systems of record som er i konflikt med hverandre, forsvinner ikke når du kobler til en agent; konsekvensene blir bare mer synlige. En person ser på et felt og vet at ingen har oppdatert det på tre år. Agenten har ikke den organisatoriske kunnskapen, og den kan handle selvsikkert på data som alle andre i stillhet visste at de ikke kunne stole på. Dataarkitektur blir en del av KI-arkitekturen.

Pass deg for skjemaspredning

KI gjør det også utrolig enkelt å lage ting. Trenger du et objekt til, seks felt til, en automatisering til? Generer dem. Hver beslutning virker billig, men husk den arkitektoniske tyngdekraften fra modul 3: de objektene og feltene samler på seg avhengigheter (automatisering, integrasjoner, rapporter, agenter), og snart har du en datamodell som ingen har designet. Den bare vokste.

Arkitekten må være villig til å spørre: «Trenger vi egentlig dette?» Noen ganger er den mest verdifulle beslutningen å ikke lage noe. God arkitektur handler like mye om hva du utelater som om hva du tar med.

Menneskelig gjennomgang er ingen seremoni

Når jeg sier at en menneskelig arkitekt skal gjennomgå en KI-generert datamodell, mener jeg ikke «KI lagde den, og Steve så på diagrammet i fem minutter og godkjente det». Det er ikke tilsyn. Arkitekten må forstå modellen: hvorfor disse objektene, hvorfor disse relasjonene, hvilke alternativer som ble vurdert, hvor nøklene og masterdataene er, hva som skjer når volumet vokser, hva det betyr for tilgang, og hvilke avveininger som ble gjort. Hvis jeg ikke kan svare på det, eier jeg ikke arkitekturen; jeg har bare stemplet den. KI kan bidra til en arkitektur, utfordre den og dokumentere den, men den menneskelige arkitekten må kunne forsvare den.

Det samme gjelder fakta. Jeg bruker KI hele tiden til læring og research, og regelen min er stol på, men kontroller. Still spørsmålet, be om forklaringen, alternativene og en utfordring av sitt eget svar. Deretter, for alt som betyr noe for arkitekturen din: følg lenken, les dokumentasjonen, sjekk grensen, bekreft lisensieringen og test oppførselen. KI kan være svært overbevisende når den tar feil, og å skille fakta fra antakelser er nå en enda større del av jobben.

KI gjør ikke reisen kortere

Det er en setning jeg bruker når jeg snakker om å bli arkitekt:

KI gjør ikke reisen kortere. Den kan få hvert steg til å telle mer.

Du må fortsatt forstå data, sikkerhet, integrasjon, plattformen og virksomheten, og du trenger fortsatt erfaringen med å ta beslutninger og leve med konsekvensene. KI kan gjøre læringen din raskere, vise deg scenarioer du ikke har møtt, forklare ting, utfordre deg, hjelpe deg å bygge og gi deg et ekstra par øyne. Bruk alt sammen. Bare ikke forveksle at en KI vet svaret, med at du forstår svaret.

Arkitekten leder

Vi startet kapitlet med personen som holder tegningen. KI gir den personen enestående nye verktøy: en assistent som kan tegne deler av tegningen, undersøke materialer, foreslå alternativer, beregne belastninger, skrive dokumentasjonen og til og med oppdage problemer du overså. Bruk den. Men noen må fortsatt forstå hele bygget, spørre om det er det riktige bygget, vite hva som skjer når kravene endres og hvilke beslutninger som blir dyre å omgjøre, og stå ansvarlig for resultatet.

Derfor heter kursets siste nivå Direct (lede). Du skriver kanskje ikke hver kodelinje, lager hver Flow eller bygger hvert objekt. Noen må fortsatt lede løsningen, og det er arkitekten. KI fjerner ikke arkitektur; den endrer hvor arkitekter skaper verdi. Det er en fantastisk tid å bli arkitekt.

Hva en arkitekt bestemmer her

• Hva som i det hele tatt bør bygges, nå som det er billig å bygge: hvilke objekter, felt og integrasjoner som gjør seg fortjent til plassen sin.
• Hvilke KI-genererte alternativer som passer denne virksomheten, og hvilke som er plausible, men feil.
• Hvilke beslutninger KI farer forbi som blir dyre å reversere.
• Hva agenter kan lese og handle på, og om dataene er gode nok og godt nok beskrevet til at de kan gjøre det.
• Hvilke fakta fra KI som må kontrolleres før de former designet.

Det er å tenke som en arkitekt i KI-ens tid.