ค..ตนดูระบบคอม

ในยุคที่ปัญญาประดิษฐ์ (Artificial Intelligence: AI) สามารถสร้างข้อความ วิเคราะห์ข้อมูล เขียนโปรแกรม และช่วยตัดสินใจได้ การนำ AI มาใช้งานให้เกิดประโยชน์สูงสุดไม่ได้ขึ้นอยู่กับความสามารถของโมเดลเพียงอย่างเดียว แต่ขึ้นอยู่กับว่าเราจะออกแบบกระบวนการทำงานให้ AI สามารถทำงานร่วมกับข้อมูล เครื่องมือ และระบบต่าง ๆ ได้อย่างไร ตัวอย่างเช่น การใช้ AI สรุปรายงานหนึ่งฉบับอาจต้องอาศัยเพียงคำสั่งและเอกสารต้นทาง แต่หากต้องการสร้างระบบที่รับเอกสารจากผู้ใช้ ตรวจสอบความถูกต้อง ดึงข้อมูลจากฐานข้อมูล วิเคราะห์ผลลัพธ์ ส่งให้ผู้รับผิดชอบอนุมัติ และจัดเก็บประวัติการดำเนินงาน กระบวนการเหล่านี้จำเป็นต้องมีการออกแบบขั้นตอนการทำงานอย่างเป็นระบบ แนวคิดดังกล่าวเรียกว่า AI Workflow ซึ่งเป็นแนวทางสำคัญในการเปลี่ยนความสามารถของ AI ให้กลายเป็นกระบวนการทำงานที่สามารถดำเนินการได้จริง ตรวจสอบได้ และนำไปขยายผลในระดับองค์กรได้ 1. AI Workflow คืออะไร? AI Workflow คือกระบวนการทำงานที่ออกแบบให้ปัญญาประดิษฐ์ทำงานร่วมกับขั้นตอนการประมวลผล ข้อมูล กฎทางธุรกิจ เครื่องมือ และระบบซอฟต์แวร์ เพื่อให้บรรลุเป้าหมายที่กำหนดไว้ AI Workflow...

Trino คือ Open-source Distributed SQL Query Engine (เอนจินประมวลผลคำสั่ง SQL แบบกระจาย) ที่ออกแบบมาเพื่อการวิเคราะห์ข้อมูลขนาดใหญ่ (Big Data Analytics) Trino ทำหน้าที่เหมือน "สะพานเชื่อมและล่ามกลาง" ของข้อมูลทั้งหมดในองค์กร โดยปกติแล้ว ถ้าข้อมูลของคุณกระจายอยู่หลายที่ เช่น ข้อมูลลูกค้าอยู่ใน MySQL, ข้อมูลล็อก (Logs) อยู่ในเว็บเซิร์ฟเวอร์ (S3), และข้อมูลยอดขายอยู่ใน PostgreSQL คุณจะต้องเขียนโค้ดเพื่อดึงข้อมูลจากทีละที่มารวมกันเอง ซึ่งยุ่งยากและเสียเวลา แต่เมื่อใช้ Trino คุณสามารถเขียน SQL สั่ง Join ข้อมูลข้ามฐานข้อมูล ได้ทันทีในคำสั่งเดียว ราวกับว่าข้อมูลทั้งหมดนั้นถูกเก็บอยู่ในตู้คอนเทนเนอร์ใบเดียวกัน Trino ถูกสร้างขึ้นโดยทีมวิศวกรของ Facebook ในปี 2012 ภายใต้ชื่อ Presto (PrestoDB) เพื่อแก้ปัญหาความล่าช้าของ Apache Hive ต่อมาในปี 2019 ทีมผู้สร้างหลักได้แยกตัวออกมาทำโปรเจกต์ใหม่ในชื่อ PrestoSQL และเปลี่ยนชื่อแบรนด์อย่างเป็นทางการเป็น Trino ภายใต้การดูแลของ Trino Software Foundation ในปัจจุบัน คุณสมบัติหลัก ความเร็วสูง (Low Latency): ทำงานแบบ In-memory และขนานกัน (Parall...

dbt (Data Build Tool) มีสถาปัตยกรรมแบบ ELT (Extract, Load, Transform) โดยทำหน้าที่ในส่วนของ Transform (T) เพียงอย่างเดียว สถาปัตยกรรมของ dbt ถูกออกแบบมาเพื่อเปลี่ยนนักวิเคราะห์ข้อมูล (Data Analysts) ให้ทำงานได้เหมือนวิศวกรซอฟต์แวร์ (Software Engineers) โดยอาศัยหลักการ Analytics Engineering พัฒนาโดยภาษา Rust  สถาปัตยกรรมหลักของ dbt สามารถแบ่งออกเป็นส่วนสำคัญได้ดังนี้ครับ: 1. โครงสร้างหลัก (Core Components) Models (SQL / Python): หัวใจหลักของ dbt คือไฟล์ .sql (หรือ .py ) ซึ่งก็คือคำสั่ง SELECT ธรรมดา โดย dbt จะนำคำสั่งเหล่านี้ไปสร้างเป็น Table หรือ View ในคลังข้อมูลให้โดยอัตโนมัติ Jinja Templating Engine: dbt ใช้ Jinja เพื่อทำให้ SQL มีความยืดหยุ่น (Dynamic) สามารถใช้คำสั่ง if-else, loops และการเขียนฟังก์ชันซ้ำได้ (Macros) Project Configuration ( dbt_project.yml ): ไฟล์ศูนย์กลางที่ใช้ควบคุมการทำงานของโปรเจกต์ เช่น การตั้งค่าโฟลเดอร์ การกำหนดสิทธิ์ และการบอกว่า Model ไหนควรจะสร้างออกมาเป็น Table หรือ View 2. การบริหารจัดการความสัมพันธ์ (Dependency Management) ref() Function: เ...