Datový architekt v době AI

🌐 K dispozici také v 29 jazycích

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 · Norsk bokmål · Suomi · Español (México) · Français (Canada) · Deutsch (Schweiz)

Obrázek vytvořený pomocí AI

Přeloženo pomocí AI. Komunita překlad zatím nezkontrolovala. Číst anglicky

Modul 7 ze 7 kapitoly Myslet jako datový architekt, první kapitoly kurzu Data Architect. Každý modul stojí sám o sobě. Předchozí: Znejte své nástroje: devět otázek · Další: další kapitola: Modelování dat

Otázka, na kterou tento modul odpovídá: Co AI pro datového architekta mění a co nemění?

AI architekturu mění, ale možná ne tak, jak si lidé nejdřív myslí.

Vzpomeňte si, kde tato kapitola začala: většinu kariéry jsem byl stavitel. Po většinu té doby bylo stavění softwaru drahé. Potřebovali jste lidi se specializovanými dovednostmi a psaní kódu, stavění integrací, vytváření aplikací i testování zabíralo čas; i jen experimentovat s nápadem byla nezanedbatelná investice. AI tuto rovnici mění. Dnes můžu popsat, co chci, a nechat AI pozoruhodně rychle vygenerovat datový model, Apex, Flow, komponentu Lightning, integraci, testy nebo dokumentaci, a zítra toho zvládne ještě víc.

Je tedy rozumné se ptát: když AI zvládne tolik ze stavění, co se stane s architektem? Myslím, že odpověď zní: architektura je důležitější, ne méně důležitá.

AI je raketový urychlovač

Tuhle analogii jsem použil ve svých přednáškách:

AI je raketový urychlovač. Architektura je naváděcí systém.

AI nám dává mimořádné zrychlení. Aplikace, datové modely, integrace, testy i dokumentaci dokážeme generovat rychleji než kdy dřív. Raketový urychlovač ale nerozhoduje, kam má raketa letět. Dodává tah. Kurz určuje a cestou ho opravuje naváděcí systém.

Bez spolehlivého navádění víc tahu nepomůže. Jen vás rychleji dostane do špatného cíle. Úkolem architekta není všechno zpomalit; je to zajistit, abychom zrychlovali správným směrem.

Obrázek vytvořený pomocí AI.

Představte si nástroj AI, který postaví aplikaci desetkrát rychleji, než jsme to dřív dokázali my. Skvělé, pokud je to ta správná aplikace. Ale co když je špatně datový model, nebo jsme vybrali špatný standardní objekt, nebo jsme nepochopili, kam patří kmenová data, nebo návrh funguje při dnešním objemu a s další nulou se zhroutí? AI chybu neodstranila. Pomohla nám tu chybu postavit rychleji a postavit na ní mnohem víc, než si toho kdokoli všimne.

Levná implementace přesouvá hodnotu

Když je implementace drahá, pozornost přirozeně míří k implementaci: kdo to dokáže postavit, jak dlouho to potrvá, jestli to vůbec půjde rozchodit. Jak implementace zlevňuje, začíná víc záležet na jiné otázce: co bychom měli postavit? To je otázka architektury.

AI dokáže vygenerovat dvacet objektů; datový architekt rozhoduje, jestli bychom jich neměli mít pět. AI dokáže vygenerovat integraci; architekt rozhoduje, jestli by se data vůbec měla kopírovat. AI dokáže vytvořit pole za pár sekund; architekt se ptá, jestli má jasný význam, vlastníka a důvod existovat. AI staví to, o co ji požádáme, takže na kvalitě toho, o co žádáme, záleží víc než kdy dřív.

Generování není úsudek

AI je velmi dobrá v generování možností a to je nesmírně užitečné. Žádám ji o tři způsoby, jak něco namodelovat, o kompromisy, o zpochybnění architektury, ať mi řekne, co se stane při 100 milionech záznamů nebo kde by návrh mohl selhat, nebo ať mi dá alternativu, kde Salesforce není zdrojovým systémem. Chci, aby to architekti dělali.

Generovat možnosti a posuzovat je jsou ale dvě různé věci. AI mi umí říct, co nabízí možnost A a co možnost B. Někdo ale pořád musí byznysu rozumět natolik, aby věděl, na kterých výhodách záleží, která omezení jsou skutečná, jaké riziko je přijatelné a kdy je odpověď technicky věrohodná, ale pro tuto organizaci špatná. To je úsudek, a to je architektura.

Takhle se to projevuje v mé vlastní práci. Za poslední rok jsem přestal psát většinu kódu sám. Dávám AI podrobnosti a žádám ji, aby vygenerovala obrazovky i kód na backendu, a je v tom pozoruhodně dobrá.

Neudělá ale krok zpět a nepodívá se na věc hlouběji analyticky. Pokud je v datovém modelu nebo v návrhu chyba, nezpochybní ji. Bere to, co už existuje, jako předpoklad a staví na tom, rychle a kompetentně. Málokdy se zastaví a řekne: „Než tohle přidám, možná by stálo za to změnit model, který už máte.“ Podívat se na to, co existuje, a zeptat se, jestli je to správně, ne jen jestli na tom můžeme postavit další věc, je pořád úkol architekta. Pokud chcete, aby AI zpochybnila předpoklad, musíte ji o to požádat.

Test vratnosti platí dál

Vraťte se k otázce z modulu 3: jak těžké bude toto rozhodnutí vrátit? AI mění cenu generování a změn softwaru. Nemění cenu změny reality. Jakmile je nahráno 100 milionů záznamů, existují. Jakmile na identifikátoru závisí dvanáct systémů, ty závislosti existují. Jakmile zákazníci používají proces nebo analytika závisí na tom, co pole znamená, má jeho změna důsledky. A jakmile byla data sdílena někam, kam neměla, žádný nový kód je nevrátí zpátky.

Nevratné je pořád nevratné.

Agenti jsou nový druh spotřebitele dat

Dřív jsme data navrhovali pro dva druhy spotřebitelů: lidi a software. Člověk čte záznam; sestava, integrace nebo aplikace čte data. Teď je tu třetí: agenti. Agent může data načíst, interpretovat je, zkombinovat je s dalšími informacemi, rozhodnout se a jednat, někdy bez člověka mezi tím.

Tím se sázky zvyšují. Co pole znamená, kdo ho vlastní, jak je aktuální a důvěryhodné, jestli je citlivé, jestli ho agent může a má vidět, co se stane, když se dva zdroje neshodnou: to bývala dokumentace. Teď je to způsob, jakým inteligentní systém rozumí byznysu.

A špatná data nezchytrají jen proto, že je čte AI. Pořád platí „garbage in, garbage out“: co dáte dovnitř, to dostanete ven. Duplicitní zákazníci, nejasné vlastnictví, nekonzistentní identifikátory a konfliktní zdrojové systémy nezmizí, když připojíte agenta; jejich důsledky jsou jen viditelnější. Člověk se podívá na pole a ví, že ho tři roky nikdo neaktualizoval. Agent tyto znalosti organizace nemá a může sebevědomě jednat podle dat, o kterých všichni ostatní potichu věděli, že se jim nedá věřit. Datová architektura se stává součástí architektury AI.

Pozor na bující schéma

AI také neuvěřitelně usnadňuje vytváření věcí. Potřebujete další objekt, šest dalších polí, další automatizaci? Vygenerujte je. Každé rozhodnutí vypadá levně, ale vzpomeňte si na architektonickou gravitaci z modulu 3: ty objekty a pole nabalují závislosti (automatizaci, integrace, sestavy, agenty) a brzy máte datový model, který nikdo nenavrhl. Prostě narostl.

Architekt musí být ochoten se zeptat: „Potřebujeme tohle doopravdy?“ Někdy je nejcennějším rozhodnutím něco nevytvořit. Dobrá architektura je stejně tak o tom, co vynecháte, jako o tom, co do ní dáte.

Lidská revize není obřad

Když říkám, že datový model vygenerovaný AI by měl revidovat lidský architekt, nemyslím tím „vytvořila ho AI a Steve se na diagram pět minut díval a schválil ho“. To není dohled. Architekt musí modelu rozumět: proč tyto objekty, proč tyto vztahy, jaké alternativy se zvažovaly, kde jsou klíče a kmenová data, co se stane s růstem objemu, jaké jsou dopady na přístup a jaké kompromisy byly učiněny. Pokud na to neumím odpovědět, architekturu nevlastním; jen jsem ji orazítkoval. AI může k architektuře přispět, zpochybnit ji a zdokumentovat ji, ale lidský architekt ji musí umět obhájit.

Totéž platí pro fakta. AI používám neustále k učení i k výzkumu a mým pravidlem je důvěřuj, ale prověřuj. Položte otázku, požádejte o vysvětlení, alternativy a o zpochybnění její vlastní odpovědi. Pak u všeho, na čem vaší architektuře záleží, jděte po odkazu, přečtěte si dokumentaci, zkontrolujte limit, potvrďte licence a otestujte chování. AI dokáže být velmi přesvědčivá, i když se mýlí, a rozlišovat fakta od předpokladů je teď ještě větší částí práce.

AI cestu nezkrátí

Je tu věta, kterou používám, když mluvím o tom, jak se stát architektem:

AI cestu nezkrátí. Může ale dát každému kroku větší váhu.

Pořád musíte rozumět datům, zabezpečení, integraci, platformě i byznysu a pořád potřebujete zkušenost s tím, jak dělat rozhodnutí a žít s jejich důsledky. AI může vaše učení zrychlit, ukázat vám scénáře, které jste ještě nepotkali, věci vysvětlit, vyzvat vás, pomoct vám stavět a dát vám druhý pár očí. Využijte to všechno. Jen si nepleťte AI, která zná odpověď, s tím, že odpovědi rozumíte vy.

Architekt řídí

Tuto kapitolu jsme začali člověkem, který drží plán. AI dává tomuto člověku mimořádné nové nástroje: asistenta, který umí nakreslit části plánu, prozkoumat materiály, navrhnout alternativy, spočítat zatížení, napsat dokumentaci a dokonce si všimnout problémů, které jste přehlédli. Využijte ho. Někdo ale pořád musí rozumět celé budově, ptát se, jestli je to ta správná budova, vědět, co se stane, když se změní požadavky, a která rozhodnutí bude drahé vrátit, a nést za výsledek odpovědnost.

Proto se poslední úroveň tohoto kurzu jmenuje Direct (řídit). Možná nenapíšete každý řádek kódu, nevytvoříte každý Flow ani nepostavíte každý objekt. Někdo ale pořád musí řešení řídit, a to je architekt. AI architekturu neodstraňuje; mění místo, kde architekti vytvářejí hodnotu. Je to mimořádná doba stát se architektem.

Co tady rozhoduje architekt

• Co se má vůbec stavět, teď když je stavění levné: které objekty, pole a integrace si své místo zaslouží.
• Které možnosti vygenerované AI sedí tomuto byznysu a které jsou věrohodné, ale špatné.
• Která rozhodnutí AI přeskakuje rychlostí, a přitom bude drahé je vrátit.
• Co smějí agenti číst a podle čeho jednat a jestli jsou data dost dobrá a dobře popsaná, aby to mohli dělat.
• Které údaje od AI je potřeba ověřit dřív, než ovlivní návrh.

Takhle se myslí jako architekt v době AI.