کیا AI ڈیٹا انجینئرز کی جگہ لے گا؟ [ویڈیو اور کوئز]

مختصر جواب: AI ڈیٹا انجینئرز کی جگہ نہیں لے گا۔ یہ دہرائے جانے والے کام جیسے کہ ایس کیو ایل ڈرافٹنگ، پائپ لائن اسکافولڈنگ، ٹیسٹ اور دستاویزات کو خودکار بنائے گا۔ اگر آپ کا کردار زیادہ تر کم ملکیت کا ہے، ٹکٹ سے چلنے والا کام، یہ زیادہ بے نقاب ہے۔ اگر آپ کے پاس وشوسنییتا، تعریفیں، حکمرانی، اور واقعے کے ردعمل ہیں، تو AI بنیادی طور پر آپ کو تیز تر بناتا ہے۔

اہم نکات:

ملکیت: نتائج کے لیے جوابدہی کو ترجیح دیں، نہ کہ صرف کوڈ کو تیزی سے تیار کرنا۔

کوالٹی: ٹیسٹ، مشاہدہ، اور معاہدے بنائیں تاکہ پائپ لائنیں قابل اعتماد رہیں۔

گورننس: پرائیویسی، رسائی کنٹرول، برقرار رکھنے، اور آڈٹ ٹریلز کو انسانی ملکیت میں رکھیں۔

غلط استعمال کی مزاحمت: AI آؤٹ پٹس کو ڈرافٹ کے طور پر سمجھیں۔ اعتماد کی غلطی سے بچنے کے لیے ان کا جائزہ لیں۔

رول شفٹ: بوائلر پلیٹ ٹائپ کرنے میں کم وقت اور پائیدار سسٹم ڈیزائن کرنے میں زیادہ وقت صرف کریں۔

اگر آپ نے ڈیٹا ٹیموں کے ارد گرد پانچ منٹ سے زیادہ وقت گزارا ہے، تو آپ نے پرہیز سنا ہے - کبھی سرگوشی کی، کبھی کسی میٹنگ میں پلاٹ ٹوئسٹ کی طرح لانچ کیا: کیا AI ڈیٹا انجینئرز کی جگہ لے لے گا؟

اور… میں سمجھتا ہوں۔ AI SQL پیدا کر سکتا ہے، پائپ لائنیں بنا سکتا ہے، اسٹیک ٹریس کی وضاحت کر سکتا ہے، dbt ماڈلز کا مسودہ بنا سکتا ہے، یہاں تک کہ پریشان کن اعتماد کے ساتھ گودام سکیموں کی تجویز بھی کر سکتا ہے۔ GitHub Copilot for SQL متاثر کن، قدرے تشویشناک، اور آپ کو پوری طرح یقین نہیں ہے کہ آپ کے کام کے لیے اس کا کیا مطلب ہے 😅

لیکن سچائی سرخی سے کم صاف ہے۔ AI ڈیٹا انجینئرنگ کو بالکل تبدیل کر رہا ہے۔ یہ سست، دوبارہ قابل بٹس کو خودکار کر رہا ہے۔ یہ "میں جانتا ہوں کہ میں کیا چاہتا ہوں لیکن نحو کو یاد نہیں رکھ سکتا" لمحات کو تیز کر رہا ہے۔ یہ بالکل نئی قسم کے افراتفری کی افزائش بھی کر رہا ہے۔.

تو آئیے ہاتھ سے لہراتی امید پرستی یا عذاب سکرولنگ گھبراہٹ کے بغیر اسے صحیح طریقے سے پیش کریں۔.

اس کے بعد آپ جو مضامین پڑھنا پسند کر سکتے ہیں:

🔗 کیا AI ریڈیولوجسٹ کی جگہ لے گا؟
امیجنگ AI کس طرح ورک فلو، درستگی اور مستقبل کے کردار کو تبدیل کرتی ہے۔.

🔗 کیا AI اکاؤنٹنٹس کی جگہ لے لے گا؟
دیکھیں کہ کون سے اکاؤنٹنگ کاموں کو AI خود کار بناتا ہے اور کیا انسان باقی رہتا ہے۔.

🔗 کیا AI انویسٹمنٹ بینکرز کی جگہ لے گا؟
سودوں، تحقیق اور کلائنٹ کے تعلقات پر AI کے اثرات کو سمجھیں۔.

🔗 کیا AI انشورنس ایجنٹوں کی جگہ لے گا؟
جانیں کہ AI کس طرح انڈر رائٹنگ، سیلز اور کسٹمر سپورٹ کو تبدیل کرتا ہے۔.

کیوں "AI ڈیٹا انجینئرز کی جگہ لے لیتا ہے" سوال دوبارہ سامنے آتا رہتا ہے 😬

خوف ایک خاص جگہ سے آتا ہے: ڈیٹا انجینئرنگ میں بہت زیادہ دہرایا جا سکتا ہے۔

• ایس کیو ایل کو لکھنا اور ری فیکٹر کرنا

• ادخال کی اسکرپٹس بنانا

• ایک اسکیما سے دوسرے میں فیلڈز کا نقشہ بنانا

• ٹیسٹ اور بنیادی دستاویزات بنانا

• ڈیبگنگ پائپ لائن کی ناکامیاں جو... قسم کی پیشین گوئی ہیں۔

AI دوبارہ قابل نمونوں میں غیر معمولی طور پر اچھا ہے۔ اور ڈیٹا انجینئرنگ کا ایک حصہ بالکل وہی ہے - پیٹرن پر اسٹیک شدہ پیٹرن۔ GitHub Copilot کوڈ کی تجاویز

نیز، ٹولز ایکو سسٹم پہلے سے ہی پیچیدگی کو "چھپا" رہا ہے:

• انتظام شدہ ELT کنیکٹر فائیوٹران دستاویزات

• سرور لیس کمپیوٹ AWS Lambda (سرور لیس کمپیوٹ)

• ایک کلک گودام کی فراہمی

• آٹو اسکیلنگ آرکیسٹریشن اپاچی ایئر فلو دستاویزات

• اعلانیہ تبدیلی کا فریم ورک ڈی بی ٹی کیا ہے؟

لہذا جب AI ظاہر ہوتا ہے، تو یہ آخری ٹکڑے کی طرح محسوس کر سکتا ہے۔ اگر اسٹیک پہلے سے ہی خلاصہ ہے، اور AI گلو کوڈ لکھ سکتا ہے… کیا بچا ہے؟ 🤷

لیکن یہاں وہ چیز ہے جسے لوگ چھوڑتے ہیں: ڈیٹا انجینئرنگ بنیادی طور پر ٹائپنگ نہیں ہے۔ ٹائپنگ آسان حصہ ہے۔ مشکل حصہ پیچیدہ، سیاسی، بدلتی ہوئی کاروباری حقیقت کو ایک قابل اعتماد نظام کی طرح برتاؤ کرنا ہے۔

اور AI اب بھی اس دھندلاپن کے ساتھ جدوجہد کر رہا ہے۔ لوگ بھی جدوجہد کرتے ہیں - وہ صرف بہتر بناتے ہیں۔.

ڈیٹا انجینئر اصل میں سارا دن کیا کرتے ہیں (غیر مہذب سچ) 🧱

آئیے کھل کر بات کریں - نوکری کا عنوان "ڈیٹا انجینئر" لگتا ہے جیسے آپ خالص ریاضی سے راکٹ انجن بنا رہے ہیں۔ عملی طور پر، آپ اعتماد۔

ایک عام دن کم "نئے الگورتھم ایجاد" اور زیادہ ہوتا ہے:

• ڈیٹا کی تعریف کے بارے میں اپ اسٹریم ٹیموں کے ساتھ گفت و شنید کرنا (دردناک لیکن ضروری)

• جانچ کرنا کہ میٹرک کیوں تبدیل ہوا (اور کیا یہ حقیقی ہے)

• اسکیما ڈرفٹ کو ہینڈل کرنا اور "کسی نے آدھی رات کو ایک کالم شامل کیا" حیرت

• اس بات کو یقینی بنانا کہ پائپ لائنز قابل توجہ، قابل بازیافت، قابل مشاہدہ ہیں۔

• گارڈریلز بنانا تاکہ نیچے دھارے کے تجزیہ کار غلطی سے بیہودہ ڈیش بورڈز نہ بنائیں

• اخراجات کا انتظام کرنا تاکہ آپ کا گودام پیسے کے الاؤ میں تبدیل نہ ہو۔

• محفوظ رسائی، آڈیٹنگ، تعمیل، برقرار رکھنے کی پالیسیاں جی ڈی پی آر اصول (یورپی کمیشن) اسٹوریج کی حد (آئی سی او)

• ڈیٹا پروڈکٹس بنانا جنہیں لوگ درحقیقت آپ کو 20 سوالات کیے بغیر استعمال کر سکتے ہیں۔

کام کا ایک بڑا حصہ سماجی اور آپریشنل ہے:

• "اس ٹیبل کا مالک کون ہے؟"

• "کیا یہ تعریف اب بھی درست ہے؟"

• "سی آر ایم ڈپلیکیٹ کیوں برآمد کر رہا ہے؟"

• "کیا ہم اس میٹرک کو بغیر شرمندگی کے عملداروں کو بھیج سکتے ہیں؟" 😭

AI یقینی طور پر اس کے کچھ حصوں میں مدد کر سکتا ہے۔ لیکن اسے مکمل طور پر تبدیل کرنا… ایک کھینچا تانی ہے۔.

ڈیٹا انجینئرنگ کے کردار کا مضبوط ورژن کیا بناتا ہے؟ ✅

یہ سیکشن اہمیت رکھتا ہے کیونکہ متبادل ٹاک عام طور پر فرض کرتی ہے کہ ڈیٹا انجینئر بنیادی طور پر "پائپ لائن بنانے والے" ہیں۔ یہ ایسا ہی ہے جیسے باورچیوں کو بنیادی طور پر "سبزیاں کاٹنا"۔ یہ کام کا حصہ ہے، لیکن یہ کام نہیں ہے۔.

ڈیٹا انجینئر کے مضبوط ورژن کا عام طور پر مطلب یہ ہوتا ہے کہ وہ ان میں سے زیادہ تر کام کر سکتے ہیں:

• تبدیلی کے لیے ڈیزائن
  ڈیٹا تبدیلیاں۔ ٹیمیں بدلتی ہیں۔ اوزار بدل جاتے ہیں۔ ایک اچھا انجینئر ایسا سسٹم بناتا ہے جو ہر بار حقیقت کے چھینکنے پر نہیں گرتا 🤧

• معاہدوں اور توقعات کی وضاحت کریں
  "گاہک" کا کیا مطلب ہے؟ "فعال" کا کیا مطلب ہے؟ جب قطار دیر سے آتی ہے تو کیا ہوتا ہے؟ معاہدے فینسی کوڈ سے زیادہ افراتفری کو روکتے ہیں۔ اوپن ڈیٹا کنٹریکٹ سٹینڈرڈ (ODCS) ODCS (GitHub)

• ہر چیز میں مشاہدہ کی صلاحیت پیدا کریں
  نہ صرف "کیا یہ چلایا" بلکہ "کیا یہ صحیح طریقے سے چلا۔" تازگی، حجم کی بے ضابطگی، کالعدم دھماکے، تقسیم کی تبدیلی۔ ڈیٹا آبزرویبلٹی (Dynatrace) ڈیٹا آبزرویبلٹی کیا ہے؟

• بالغ
  رفتار بمقابلہ درستگی، لاگت بمقابلہ تاخیر، لچک بمقابلہ سادگی جیسے تجارتی معاملات بنائیں۔ کوئی کامل پائپ لائن نہیں ہے، صرف پائپ لائنوں کے ساتھ آپ رہ سکتے ہیں۔

• کاروباری ضروریات کو پائیدار نظاموں میں ترجمہ کریں
  لوگ میٹرکس مانگتے ہیں، لیکن انہیں جس چیز کی ضرورت ہوتی ہے وہ ڈیٹا پروڈکٹ ہے۔ AI کوڈ کا مسودہ تیار کر سکتا ہے، لیکن یہ تجارتی بارودی سرنگوں کو جادوئی طور پر نہیں جان سکتا۔

• ڈیٹا کو خاموش رکھیں
  ڈیٹا پلیٹ فارم کی سب سے بڑی تعریف یہ ہے کہ کوئی بھی اس کے بارے میں بات نہیں کرتا ہے۔ غیر معمولی ڈیٹا اچھا ڈیٹا ہے۔ پلمبنگ کی طرح۔ آپ اسے تب ہی محسوس کرتے ہیں جب یہ ناکام ہوجاتا ہے 🚽

اگر آپ یہ کام کر رہے ہیں تو سوال "کیا AI ڈیٹا انجینئرز کی جگہ لے لے گا؟" آواز آنے لگتی ہے… قدرے بند۔ AI کاموں کی، ملکیت۔

جہاں AI پہلے سے ہی ڈیٹا انجینئرز کی مدد کر رہا ہے (اور یہ واقعی بہت اچھا ہے) 🤖✨

AI صرف مارکیٹنگ نہیں ہے۔ اچھی طرح سے استعمال کیا جاتا ہے، یہ ایک جائز قوت ضرب ہے۔.

1) تیز تر SQL اور تبدیلی کا کام

• ڈرافٹنگ کمپلیکس جوڑتا ہے۔

• ونڈو فنکشنز کو لکھنا جس کے بارے میں آپ سوچنا نہیں چاہتے ہیں۔

• سادہ زبان کی منطق کو استفسار کنکال میں تبدیل کرنا

• بدصورت سوالات کو پڑھنے کے قابل CTEs GitHub Copilot برائے SQL

یہ بہت بڑا ہے کیونکہ یہ "خالی صفحہ" اثر کو کم کرتا ہے۔ آپ کو ابھی بھی توثیق کرنے کی ضرورت ہے، لیکن آپ 0% کی بجائے 70% سے شروع کرتے ہیں۔.

2) ڈیبگنگ اور جڑ کی وجہ سے بریڈ کرمبس

AI اس پر مہذب ہے:

• غلطی کے پیغامات کی وضاحت

• کہاں دیکھنا ہے تجویز کرنا

• "چیک سکیما مماثل" قسم کے اقدامات کی سفارش کرنا GitHub Copilot
  یہ ایک انتھک جونیئر انجینئر کی طرح ہے جو کبھی نہیں سوتا اور کبھی اعتماد سے جھوٹ بولتا ہے 😅

3) دستاویزات اور ڈیٹا کیٹلاگ کی افزودگی

خود کار طریقے سے تیار کردہ:

• کالم کی تفصیل

• ماڈل کے خلاصے

• نسب کی وضاحت

• "یہ میز کس لیے استعمال ہوتی ہے؟" ڈی بی ٹی دستاویزات

یہ کامل نہیں ہے، لیکن یہ غیر دستاویزی پائپ لائنوں کی لعنت کو توڑ دیتا ہے۔.

4) سہاروں اور چیکوں کی جانچ کریں۔

AI تجویز کر سکتا ہے:

• بنیادی صفر ٹیسٹ

• انفرادیت کی جانچ پڑتال

• حوالہ جاتی سالمیت کے خیالات

• "اس میٹرک کو کبھی کم نہیں ہونا چاہئے" طرز کے دعوے dbt ڈیٹا ٹیسٹ عظیم توقعات: توقعات

ایک بار پھر - آپ اب بھی فیصلہ کرتے ہیں کہ کیا فرق پڑتا ہے، لیکن یہ معمول کے حصوں کو تیز کرتا ہے۔.

5) پائپ لائن "گلو" کوڈ

کنفیگ ٹیمپلیٹس، YAML سکیفولڈز، آرکیسٹریشن ڈی اے جی ڈرافٹ۔ وہ چیزیں دہرائی جاتی ہیں اور AI ناشتے میں بار بار کھاتا ہے 🥣 Apache Airflow DAGs

جہاں AI اب بھی جدوجہد کر رہا ہے (اور یہ اس کا بنیادی حصہ ہے) 🧠🧩

یہ وہ حصہ ہے جو سب سے زیادہ اہمیت رکھتا ہے، کیونکہ یہ حقیقی ساخت کے ساتھ متبادل سوال کا جواب دیتا ہے۔.

1) ابہام اور بدلتی تعریفیں۔

کاروباری منطق شاذ و نادر ہی کرکرا ہوتی ہے۔ لوگ جملے کے وسط میں اپنی سوچ بدل لیتے ہیں۔ "فعال صارف" "فعال ادائیگی کرنے والا صارف" بن جاتا ہے "بعض اوقات کے علاوہ رقم کی واپسی کو چھوڑ کر فعال ادائیگی کرنے والا صارف" بن جاتا ہے… آپ جانتے ہیں کہ یہ کیسا ہے۔.

AI اس ابہام کا مالک نہیں ہو سکتا۔ یہ صرف اندازہ لگا سکتا ہے۔.

2) احتساب اور خطرہ

جب پائپ لائن ٹوٹ جاتی ہے اور exec ڈیش بورڈ بکواس دکھاتا ہے، تو کسی کو کرنا پڑتا ہے:

• triage

• اثر بات چیت

• اسے ٹھیک کرو

• تکرار کو روکنے کے

• پوسٹ مارٹم لکھیں۔

• فیصلہ کریں کہ آیا کاروبار اب بھی پچھلے ہفتے کے نمبروں پر بھروسہ کر سکتا ہے۔

AI مدد کر سکتا ہے، لیکن یہ بامعنی انداز میں جوابدہ نہیں ہو سکتا۔ تنظیمیں وائبس پر نہیں چلتی ہیں - وہ ذمہ داری پر چلتی ہیں۔.

3) نظام کی سوچ

ڈیٹا پلیٹ فارم ماحولیاتی نظام ہیں: ادخال، اسٹوریج، تبدیلیاں، آرکیسٹریشن، گورننس، لاگت کنٹرول، SLAs۔ ایک پرت میں تبدیلی کی لہر۔ اپاچی ایئر فلو کے تصورات

AI مقامی اصلاح کی تجویز کر سکتا ہے جو عالمی درد پیدا کرتی ہے۔ یہ ایسا ہی ہے جیسے دروازے کو ہٹا کر چیختے ہوئے دروازے کو ٹھیک کرنا 😬

4) سیکورٹی، رازداری، تعمیل

یہ وہ جگہ ہے جہاں متبادل تصورات دم توڑ جاتے ہیں۔.

• رسائی کے کنٹرولز

• قطار کی سطح کی سیکیورٹی Snowflake قطار تک رسائی کی پالیسیاں BigQuery قطار کی سطح کی سیکیورٹی

• PII ہینڈلنگ NIST پرائیویسی فریم ورک

• برقرار رکھنے کے قواعد سٹوریج کی حد بندی (ICO) برقرار رکھنے پر EU رہنمائی

• آڈٹ ٹریلز NIST SP 800-92 (لاگ مینجمنٹ) CIS کنٹرول 8 (آڈٹ لاگ مینجمنٹ)

• ڈیٹا کی رہائش کی پابندیاں

AI پالیسیوں کا مسودہ بنا سکتا ہے، لیکن انہیں محفوظ طریقے سے نافذ کرنا ہی حقیقی انجینئرنگ ہے۔.

5) "نامعلوم نامعلوم"

ڈیٹا کے واقعات اکثر غیر متوقع ہوتے ہیں:

• ایک وینڈر API خاموشی سے الفاظ کو تبدیل کرتا ہے۔

• ٹائم زون کا اندازہ پلٹ جاتا ہے۔

• ایک بیک فل پارٹیشن کی نقل تیار کرتا ہے۔

• دوبارہ کوشش کرنے کا طریقہ کار ڈبل رائٹ کا سبب بنتا ہے۔

• ایک نئی پروڈکٹ کی خصوصیت ایونٹ کے نئے نمونوں کو متعارف کراتی ہے۔

جب صورت حال معلوم پیٹرن نہیں ہے تو AI کمزور ہوتا ہے۔.

موازنہ ٹیبل: کیا چیز کم کر رہی ہے، عملی طور پر 🧾🤔

ذیل میں ایک عملی نظریہ ہے۔ "لوگوں کی جگہ لینے والے ٹولز" نہیں بلکہ ایسے ٹولز اور اپروچز جو کچھ کاموں کو سکڑتے ہیں۔.

نوٹ کریں کہ کیا غائب ہے: ایک قطار جو کہتی ہے "ڈیٹا انجینئرز کو ہٹانے کے لیے بٹن دبائیں"۔ ہاں… وہ قطار موجود نہیں ہے 🙃

تو… کیا AI ڈیٹا انجینئرز کی جگہ لے گا، یا صرف کردار کو بدل دے گا؟ 🛠️

یہاں غیر ڈرامائی جواب ہے: AI کام کے بہاؤ کے حصوں کی جگہ لے گا، پیشے کی نہیں۔

لیکن یہ کردار کو دوبارہ ترتیب دے گا ۔ اور اگر آپ اسے نظر انداز کرتے ہیں، تو آپ کو نچوڑ محسوس ہوگا۔

کیا تبدیلیاں:

• بوائلر پلیٹ لکھنے میں کم وقت

• دستاویزات کی تلاش میں کم وقت

• مزید وقت کا جائزہ لینے، توثیق کرنے، ڈیزائن کرنے میں

• معاہدوں اور معیار کی توقعات کی وضاحت کرنے میں زیادہ وقت اوپن ڈیٹا کنٹریکٹ سٹینڈرڈ (ODCS)

• پروڈکٹ، سیکورٹی، فنانس کے ساتھ شراکت میں زیادہ وقت

یہ ٹھیک ٹھیک تبدیلی ہے: ڈیٹا انجینئرنگ "پائپ لائنوں کی تعمیر" کے بارے میں کم اور "ایک قابل اعتماد ڈیٹا پروڈکٹ سسٹم کی تعمیر" کے بارے میں زیادہ ہے۔

اور ایک خاموش موڑ میں، یہ زیادہ قیمتی ہے، کم نہیں.

نیز - اور میں یہ کہنے جا رہا ہوں یہاں تک کہ اگر یہ ڈرامائی لگتا ہے - AI ان لوگوں کی تعداد میں اضافہ کرتا ہے جو ڈیٹا آرٹفیکٹس تیار کرسکتے ہیں، جس سے کسی کو پوری چیز کو سمجھدار رکھنے کی ضرورت بڑھ جاتی ہے۔ زیادہ آؤٹ پٹ کا مطلب ہے زیادہ ممکنہ الجھن۔ GitHub Copilot

یہ سب کو پاور ڈرل دینے جیسا ہے۔ بہت اچھا! اب کسی کو "براہ کرم پانی کے پائپ میں سوراخ نہ کریں" کا اصول 🪠 نافذ کرنے کی ضرورت ہے۔

مہارت کا نیا اسٹیک جو قیمتی رہتا ہے (ہر جگہ AI کے ساتھ بھی) 🧠⚙️

اگر آپ ایک عملی "فیوچر پروف" چیک لسٹ چاہتے ہیں، تو یہ اس طرح نظر آتی ہے:

سسٹم ڈیزائن ذہنیت

• ڈیٹا ماڈلنگ جو تبدیلی سے بچ جاتی ہے۔

• بیچ بمقابلہ اسٹریمنگ ٹریڈ آف

• تاخیر، لاگت، قابل اعتماد سوچ

ڈیٹا کوالٹی انجینئرنگ

• معاہدے، توثیق، بے ضابطگی کا پتہ لگانا اوپن ڈیٹا کنٹریکٹ سٹینڈرڈ (ODCS) ڈیٹا آبزرویبلٹی (Dynatrace)

• SLAs، SLOs، واقعہ کے ردعمل کی عادات

• نظم و ضبط کے ساتھ بنیادی وجہ کا تجزیہ (وائبز نہیں)

گورننس اور اعتماد کا فن تعمیر

• رسائی کے نمونے۔

• آڈیٹیبلٹی NIST SP 800-92 (لاگ مینجمنٹ)

• پرائیویسی بذریعہ ڈیزائن NIST پرائیویسی فریم ورک

• ڈیٹا لائف سائیکل مینجمنٹ برقرار رکھنے پر EU رہنمائی

پلیٹ فارم کی سوچ

• دوبارہ قابل استعمال ٹیمپلیٹس، سنہری راستے

• انجیکشن، ٹرانسفارمز، فائیوٹران ڈی بی ٹی ڈیٹا ٹیسٹ کی

• سیلف سرو ٹولنگ جو پگھل نہیں جاتی ہے۔

مواصلات (ہاں، واقعی)

• واضح دستاویزات لکھنا

• تعریفیں سیدھ میں لانا

• شائستگی سے لیکن مضبوطی سے "نہیں" کہنا

• روبوٹ کی طرح آواز لگائے بغیر تجارت کی وضاحت کرنا 🤖

اگر آپ یہ کر سکتے ہیں تو سوال "کیا AI ڈیٹا انجینئرز کی جگہ لے لے گا؟" کم خطرہ بن جاتا ہے. AI آپ کا exoskeleton بن جاتا ہے، آپ کا متبادل نہیں۔.

حقیقت پسندانہ منظرنامے جہاں ڈیٹا انجینئرنگ کے کچھ کردار سکڑ جاتے ہیں 📉

ٹھیک ہے، فوری حقیقت کی جانچ کریں، کیونکہ یہ سب دھوپ اور ایموجی کنفیٹی نہیں ہے 🎉

کچھ کردار زیادہ بے نقاب ہیں:

• خالص ادخال-صرف کردار جہاں ہر چیز معیاری کنیکٹر فائیوٹران کنیکٹر

• ٹیمیں کم سے کم ڈومین کی اہمیت کے ساتھ زیادہ تر بار بار رپورٹنگ پائپ لائنز کرتی ہیں۔

• تنظیمیں جہاں ڈیٹا انجینئرنگ کو "SQL بندر" سمجھا جاتا ہے (سخت، لیکن سچ)

• کم ملکیت والے کردار جہاں کام صرف ٹکٹ اور کاپی پیسٹ ہے۔

اے آئی پلس مینیجڈ ٹولنگ ان ضروریات کو کم کر سکتی ہے۔.

لیکن وہاں بھی، متبادل عام طور پر ایسا لگتا ہے:

• ایک ہی بار بار کام کرنے والے کم لوگ

• پلیٹ فارم کی ملکیت اور وشوسنییتا پر زیادہ زور

• "ایک شخص مزید پائپ لائنوں کو سپورٹ کر سکتا ہے" کی طرف تبدیلی

تو ہاں - ہیڈ گنتی کے نمونے بدل سکتے ہیں۔ کردار تیار ہوتے ہیں۔ عنوانات کی تبدیلی۔ وہ حصہ اصلی ہے۔.

پھر بھی، کردار کا اعلیٰ ملکیت، اعلیٰ بھروسہ والا ورژن موجود ہے۔.

اختتامی خلاصہ 🧾✅

کیا AI ڈیٹا انجینئرز کی جگہ لے گا؟ صاف، مکمل طریقے سے نہیں جس کا لوگ تصور کرتے ہیں۔

AI کرے گا:

• دہرائے جانے والے کاموں کو خودکار بنائیں

• ایس کیو ایل ڈی بی ٹی دستاویزات کے لیے کوڈنگ، ڈیبگنگ اور دستاویزات کو تیز کریں GitHub Copilot

• پائپ لائنوں کی پیداوار کی لاگت کو کم کریں

لیکن ڈیٹا انجینئرنگ بنیادی طور پر اس بارے میں ہے:

• احتساب

• نظام ڈیزائن

• اعتماد، معیار، اور گورننس اوپن ڈیٹا کنٹریکٹ سٹینڈرڈ (ODCS) NIST پرائیویسی فریم ورک

• پیچیدہ کاروباری حقیقت کو قابل اعتماد ڈیٹا مصنوعات میں ترجمہ کرنا

AI اس میں مدد کر سکتا ہے… لیکن یہ اس کا "مالک" نہیں ہے۔.

اگر آپ ڈیٹا انجینئر ہیں، تو یہ اقدام آسان ہے (آسان نہیں، لیکن آسان):
ملکیت، معیار، پلیٹ فارم کی سوچ، اور مواصلات میں جھکاؤ۔ AI کو بوائلر پلیٹ کو سنبھالنے دیں جب آپ اہم حصوں کو سنبھالتے ہیں۔

اور ہاں - کبھی کبھی اس کا مطلب یہ ہوتا ہے کہ کمرے میں بڑا ہونا۔ گلیمرس نہیں۔ خاموشی سے طاقتور اگرچہ 😄

کیا AI ڈیٹا انجینئرز کی جگہ لے گا؟
یہ کچھ کاموں کو بدل دے گا، سیڑھی میں ردوبدل کرے گا، اور بہترین ڈیٹا انجینئرز کو اور بھی قیمتی بنا دے گا۔ یہی اصل کہانی ہے۔

حقیقی دنیا کی مثال: AI کی مدد سے ڈیٹا پائپ لائن ریویو ورک فلو بنانا 🛠️

منظر نامہ

ایک چھوٹی ای کامرس کمپنی کا تصور کریں جس میں ایک ڈیٹا انجینئر، دو تجزیہ کار، اور ایک بہت ہی واقف مسئلہ ہے: جب بھی ادائیگی فراہم کرنے والا فیلڈ کا نام تبدیل کرتا ہے تو فنانس ڈیش بورڈ ٹوٹتا رہتا ہے۔.

ٹیم نہیں چاہتی کہ AI پائپ لائن کی "مالک" ہو۔ یہ خطرہ ہوگا۔ اس کے بجائے، وہ AI کو معمول کے لیکن اہم کام کے لیے پہلے ڈرافٹ اسسٹنٹ کے طور پر استعمال کرتے ہیں: dbt ماڈل کنکال لکھنا، ٹیسٹ تجویز کرنا، دستاویزات کا مسودہ تیار کرنا، اور کوڈ کے جائزے کے لیے ایک چیک لسٹ بنانا۔.

انسانی ڈیٹا انجینئر اب بھی حتمی ڈیزائن، ڈیٹا کی تعریف، رسائی کے قواعد، اور پیداوار کی تعیناتی کا مالک ہے۔ AI آسانی سے پیچیدہ درمیانی اسٹریچ کو تیز کرتا ہے۔.

ورک فلو کو کیا ضرورت ہے۔

AI استعمال کرنے سے پہلے، ٹیم اسے مددگار ہونے کے لیے کافی سیاق و سباق فراہم کرتی ہے:

• موجودہ ادائیگیوں کا ٹیبل اسکیما

• ٹارگٹ فنانس میٹرک تعریفیں، جیسے کہ "خالص آمدنی"، "ریفنڈ کی رقم"، اور "تصفیہ شدہ ادائیگی"

• ڈی بی ٹی ماڈلز کے نام دینے کے کنونشنز

• منظور شدہ ٹیسٹوں کی مثالیں۔

• ادائیگیوں کے فیڈ کے لیے ایک مختصر ڈیٹا معاہدہ

• PII، ناکام ادائیگیوں، ڈپلیکیٹس، اور دیر سے پہنچنے والے ریکارڈ کو سنبھالنے کے قواعد

• ماضی کے واقعات کا ایک نمونہ، بشمول کیا غلط ہوا اور اسے کیسے ٹھیک کیا گیا۔

کلید یہ نہیں ہے کہ "AI سے پائپ لائن بنانے کے لیے کہیں"۔ یہ بہت مبہم ہے۔.

مضبوط نقطہ نظر یہ ہے: "یہاں ہمارے قواعد ہیں، یہ سکیما ہے، یہاں متوقع طرز عمل ہے۔ کچھ ایسا مسودہ تیار کریں جس کا ہم جائزہ لے سکیں۔"

مثال کی ہدایت

آپ ہمارے ادائیگیوں کے ڈیٹا کے لیے ڈی بی ٹی ماڈل تیار کرنے میں مدد کر رہے ہیں۔ فرسٹ پاس ماڈل، تجویز کردہ dbt ٹیسٹ، اور دستاویزی نوٹ بنانے کے لیے نیچے دیے گئے اسکیما اور قواعد کا استعمال کریں۔.

ماڈل کو آرڈر_id اور payment_provider کے ذریعے روزانہ طے شدہ آمدنی کا حساب لگانا چاہیے۔ ناکام ادائیگیوں کو خارج کریں، ٹیسٹ ٹرانزیکشنز کو خارج کریں، اور ریفنڈز کو صرف اس صورت میں منہا کریں جب ریفنڈ_سٹیٹس = "تصدیق" ہو۔.

کالم ایجاد نہ کریں۔ اگر کوئی مطلوبہ کالم غائب ہے تو اسے اندازہ لگانے کے بجائے "انسانی جائزے کے لیے سوالات" کے تحت درج کریں۔.

انفرادیت، کالعدم اقدار، قبول شدہ اقدار، اور آمدنی کی معقولیت کے لیے ٹیسٹ بھی تجویز کریں۔ کسی بھی منطق کو جھنڈا لگائیں جو فنانس رپورٹنگ کو متاثر کر سکتی ہے۔.

اس کی جانچ کیسے کی جائے۔

ایک سمجھدار امتحان چھوٹا اور جان بوجھ کر دنیاوی ہے:

• AI کو ادائیگی کا ایک معروف اسکیمہ دیں اور چیک کریں کہ آیا یہ فیلڈز ایجاد کرنے سے گریز کرتا ہے۔.

• اسے گمشدہ ریفنڈ_سٹیٹس کالم کے ساتھ ایک اسکیما دیں اور دیکھیں کہ آیا یہ اندازہ لگانے کے بجائے کوئی سوال پوچھتا ہے۔.

• تیار کردہ SQL کو اسٹیجنگ ڈیٹاسیٹ کے خلاف چلائیں، پروڈکشن کے نہیں۔.

• دستی طور پر چیک کیے گئے ادائیگی کے 20 ریکارڈوں سے آؤٹ پٹ کا موازنہ کریں۔.

• ضم کرنے سے پہلے ایک تجزیہ کار اور ڈیٹا انجینئر سے تعریفوں کا جائزہ لینے کو کہیں۔.

• قبول شدہ ٹیسٹوں کو CI میں شامل کریں تاکہ پائپ لائن تعیناتی کے بعد خود کو چیک کرتی رہے۔.

اہم بات یہ ہے کہ AI کو ناکامی کے طریقوں پر جانچنا ہے جن سے آپ سب سے زیادہ ڈرتے ہیں: میک اپ کالم، غلط ریونیو منطق، غائب ریفنڈ ہینڈلنگ، اور خاموش ڈپلیکیٹ قطاریں۔.

نتیجہ

مثالی نتیجہ: اس ورک فلو کو استعمال کرنے سے پہلے اور بعد میں تین نمونہ پائپ لائن تبدیل کرنے کے کاموں کے وقت کی بنیاد پر۔.

AI استعمال کرنے سے پہلے، انجینئر نے فی تبدیلی میں تقریباً 5 گھنٹے 30 منٹ گزارے: تقریباً 2 گھنٹے ایس کیو ایل لکھنے میں، 1 گھنٹہ ٹیسٹ بنانے میں، 45 منٹ دستاویزات لکھنے میں، اور بقیہ فنانس کے ساتھ ایج کیسز کو چیک کرنے میں۔.

صرف پہلے ڈرافٹ کے لیے استعمال ہونے والے AI کے ساتھ، اسی قسم کی تبدیلی میں تقریباً 2 گھنٹے 10 منٹ لگے۔ سب سے بڑی بچت ٹیسٹ سکیفولڈنگ اور دستاویزات کے مسودوں سے ہوئی، جو 1 گھنٹہ 45 منٹ سے کم ہو کر 25 منٹ رہ گئی۔.

انسانی جائزے کے مرحلے میں ابھی بھی تقریباً 45 منٹ لگے، اور اسے ہٹایا نہیں جانا چاہیے۔.

تین ٹاسک ٹیسٹ میں، AI نے 18 چیک تجویز کیے ہیں۔ انجینئر نے 11 کو قبول کیا، 5 میں ترمیم کی، اور 2 کو مسترد کر دیا کیونکہ انہوں نے کاروباری اصول مانے تھے جو درست نہیں تھے۔ اس مسترد کی گنتی اہم ہے: یہ ثابت کرتا ہے کہ ورک فلو کو نظرثانی کی ضرورت ہے، اندھا اعتماد نہیں۔.

کیا غلط ہو سکتا ہے

AI پائپ لائن کو اس سے زیادہ مکمل دکھا سکتا ہے۔.

عام ناکامی پوائنٹس میں شامل ہیں:

• ایسے کالم ایجاد کرنا جو قابل فہم لگتے ہیں۔

• ریفنڈز، چارج بیکس، اور ناکام ادائیگیوں کو ایک ہی چیز سمجھنا

• روزانہ کی آمدنی میں ٹائم زون کے مسائل غائب ہیں۔

• عمومی ٹیسٹ تجویز کرنا جو مالیاتی غلطیاں نہیں پکڑتے

• دستاویزات لکھنا جو پراعتماد لگتا ہے لیکن غیر یقینی کو چھپاتا ہے۔

• جب نمونے کے ڈیٹا میں کسٹمر کی تفصیلات شامل ہوں تو رازداری کے قوانین کو بھول جانا

ایک اچھا اصول: AI ماڈل کا مسودہ تیار کر سکتا ہے، لیکن ایک انسان کو تعریفوں، پیسے کی منطق، ایکسیس کنٹرول، اور پروڈکشن ریلیز پر دستخط کرنا ہوں گے۔.

عملی راستہ

ڈیٹا انجینئرنگ میں AI کا قیمتی ورژن "ڈیٹا انجینئر کو تبدیل کرنا" نہیں ہے۔ یہ ہے "خالی صفحہ کو ہٹا دیں، پھر سختی سے جائزہ لیں"۔.

اس کا مطلب ہے تیز تر ایس کیو ایل، تیز ٹیسٹ، اور بہتر فرسٹ پاس دستاویزات، جبکہ انجینئر اب بھی اس حصے کا مالک ہے جو سب سے اہم ہے: آیا ڈیٹا درست، قابل اعتماد، محفوظ اور قابل وضاحت ہے۔.

اکثر پوچھے گئے سوالات

کیا AI ڈیٹا انجینئرز کو مکمل طور پر بدل دے گا؟

زیادہ تر تنظیموں میں، AI کے کردار کو بالکل مٹانے کے بجائے مخصوص کام سنبھالنے کا زیادہ امکان ہوتا ہے۔ یہ ایس کیو ایل ڈرافٹنگ، پائپ لائن سہاروں، دستاویزات کے پہلے پاس، اور بنیادی ٹیسٹ کی تخلیق کو تیز کر سکتا ہے۔ لیکن ڈیٹا انجینئرنگ میں ملکیت اور جوابدہی بھی شامل ہے، نیز گندا کاروباری حقیقت بنانے کا غیر مہذب کام ایک قابل اعتماد نظام کی طرح برتاؤ کرتا ہے۔ ان حصوں کو اب بھی انسانوں کو یہ فیصلہ کرنے کی ضرورت ہے کہ "صحیح" کیسا لگتا ہے اور جب چیزیں ٹوٹ جاتی ہیں تو ذمہ داری قبول کریں۔.

ڈیٹا انجینئرنگ کے کون سے حصے AI پہلے سے ہی خودکار ہیں؟

AI دوبارہ قابل دہرائے جانے والے کام پر بہترین کارکردگی کا مظاہرہ کرتا ہے: SQL کا مسودہ تیار کرنا اور ری فیکٹر کرنا، dbt ماڈل کے ڈھانچے تیار کرنا، عام غلطیوں کی وضاحت کرنا، اور دستاویزات کا خاکہ تیار کرنا۔ یہ null یا انفرادیت کی جانچ جیسے ٹیسٹ بھی کر سکتا ہے اور آرکیسٹریشن ٹولز کے لیے ٹیمپلیٹ "گلو" کوڈ تیار کر سکتا ہے۔ جیت کی رفتار ہے - آپ کام کرنے والے حل کے قریب پہنچتے ہیں - لیکن آپ کو پھر بھی درستگی کی توثیق کرنے کی ضرورت ہے اور یہ یقینی بنانا ہوگا کہ یہ آپ کے ماحول کے مطابق ہے۔.

اگر AI SQL اور پائپ لائنز لکھ سکتا ہے، تو ڈیٹا انجینئرز کے لیے کیا بچا ہے؟

بہت کچھ: ڈیٹا کے معاہدوں کی وضاحت کرنا، اسکیما ڈرفٹ کو ہینڈل کرنا، اور پائپ لائنوں کو قابل توجہ، قابل مشاہدہ، اور بازیافت کرنا یقینی بنانا۔ ڈیٹا انجینئرز میٹرک تبدیلیوں کی چھان بین کرنے، نیچے دھارے کے صارفین کے لیے گارڈریلز بنانے، اور لاگت اور قابل اعتماد تجارت کے انتظامات میں وقت صرف کرتے ہیں۔ کام اکثر اعتماد پیدا کرنے اور ڈیٹا پلیٹ فارم کو "خاموش" رکھنے پر آتا ہے، جس کا مطلب اتنا مستحکم ہوتا ہے کہ کسی کو اس کے بارے میں روزانہ سوچنے کی ضرورت نہیں ہوتی ہے۔.

AI ڈیٹا انجینئر کے روزمرہ کے کام کو کیسے بدلتا ہے؟

یہ عام طور پر بوائلر پلیٹ اور "لوک اپ ٹائم" کو تراشتا ہے، لہذا آپ ٹائپنگ میں کم اور جائزہ لینے، تصدیق کرنے اور ڈیزائن کرنے میں زیادہ وقت صرف کرتے ہیں۔ یہ تبدیلی ہر چیز کو ہاتھ سے کوڈنگ کرنے کے بجائے توقعات، معیار کے معیارات، اور دوبارہ قابل استعمال نمونوں کی وضاحت کی طرف کردار کو جھکا دیتی ہے۔ عملی طور پر، آپ ممکنہ طور پر پروڈکٹ، سیکورٹی اور فنانس کے ساتھ زیادہ شراکت داری کا کام کریں گے - کیونکہ تکنیکی پیداوار بنانا آسان ہو جاتا ہے، لیکن حکومت کرنا مشکل ہو جاتا ہے۔.

AI مبہم کاروباری تعریفوں جیسے "فعال صارف" کے ساتھ کیوں جدوجہد کرتا ہے؟

کیونکہ کاروباری منطق جامد یا قطعی نہیں ہے - یہ وسط پروجیکٹ کو تبدیل کرتی ہے اور اسٹیک ہولڈر کے لحاظ سے مختلف ہوتی ہے۔ AI ایک تشریح کا مسودہ تیار کر سکتا ہے، لیکن جب تعریفیں تیار ہوتی ہیں یا تنازعات کی سطح پر ہوتی ہیں تو یہ فیصلہ کا مالک نہیں ہو سکتا۔ ڈیٹا انجینئرنگ کے لیے اکثر گفت و شنید، مفروضوں کو دستاویزی بنانے، اور مبہم ضروریات کو پائیدار معاہدوں میں تبدیل کرنے کی ضرورت ہوتی ہے۔ یہ "انسانی صف بندی" کا کام ایک بنیادی وجہ ہے کہ ٹولنگ بہتر ہونے کے باوجود کردار غائب نہیں ہوتا ہے۔.

کیا AI ڈیٹا گورننس، رازداری اور تعمیل کو محفوظ طریقے سے سنبھال سکتا ہے؟

AI پالیسیوں کا مسودہ تیار کرنے یا طریقہ کار تجویز کرنے میں مدد کر سکتا ہے، لیکن محفوظ عمل درآمد اب بھی حقیقی انجینئرنگ اور محتاط نگرانی کا مطالبہ کرتا ہے۔ گورننس میں رسائی کے کنٹرول، PII ہینڈلنگ، برقرار رکھنے کے قواعد، آڈٹ ٹریلز، اور بعض اوقات رہائش کی رکاوٹیں شامل ہوتی ہیں۔ یہ زیادہ خطرے والے علاقے ہیں جہاں "تقریباً درست" قابل قبول نہیں ہے۔ انسانوں کو قواعد وضع کرنے، نفاذ کی تصدیق، اور تعمیل کے نتائج کے لیے جوابدہ رہنا چاہیے۔.

AI بہتر ہونے پر ڈیٹا انجینئرز کے لیے کون سی مہارتیں قیمتی رہتی ہیں؟

وہ مہارتیں جو سسٹم کو لچکدار بناتی ہیں: سسٹم ڈیزائن سوچ، ڈیٹا کوالٹی انجینئرنگ، اور پلیٹ فارم پر مبنی معیاری کاری۔ معاہدے، مشاہدہ، واقعے کے ردعمل کی عادتیں، اور نظم و ضبط کی وجہ کا تجزیہ اس وقت اور بھی اہم ہو جاتا ہے جب زیادہ سے زیادہ لوگ ڈیٹا کے نمونے تیزی سے تیار کر سکتے ہیں۔ کمیونیکیشن بھی فرق کرنے والا بن جاتا ہے - تعریفوں کو سیدھ میں لانا، واضح دستاویزات لکھنا، اور ڈرامے کے بغیر ٹریڈ آف کی وضاحت کرنا ڈیٹا کو قابل اعتماد رکھنے کا ایک بڑا حصہ ہے۔.

AI اور منظم ٹولنگ سے ڈیٹا انجینئرنگ کے کون سے کردار سب سے زیادہ خطرے میں ہیں؟

بار بار ادخال یا معیاری رپورٹنگ پائپ لائنوں پر توجہ مرکوز کرنے والے کردار زیادہ واضح ہوتے ہیں، خاص طور پر جب منظم ELT کنیکٹر زیادہ تر ذرائع کا احاطہ کرتے ہیں۔ کم ملکیت، ٹکٹ سے چلنے والا کام سکڑ سکتا ہے کیونکہ AI اور تجرید فی پائپ لائن کی کوشش کو کم کر دیتے ہیں۔ لیکن ایسا لگتا ہے کہ عام طور پر کم لوگ دہرائے جانے والے کام کرتے ہیں، نہ کہ "کوئی ڈیٹا انجینئر"۔ قابل اعتماد، معیار اور اعتماد پر مرکوز اعلی ملکیت کے کردار پائیدار رہتے ہیں۔.

مجھے افراتفری پیدا کیے بغیر AI کے ساتھ GitHub Copilot یا dbt جیسے ٹولز کا استعمال کیسے کرنا چاہیے؟

AI آؤٹ پٹ کو ایک مسودہ سمجھیں، فیصلہ نہیں۔ استفسار کنکال تیار کرنے، پڑھنے کی اہلیت کو بہتر بنانے، یا dbt ٹیسٹ اور دستاویزات کو سکیفولڈ کرنے کے لیے استعمال کریں، پھر اصلی ڈیٹا اور ایج کیسز کے خلاف توثیق کریں۔ اسے مضبوط کنونشنز کے ساتھ جوڑیں: معاہدوں، ناموں کے معیارات، مشاہداتی جانچ پڑتال، اور طریقوں کا جائزہ لیں۔ مقصد وشوسنییتا، لاگت پر کنٹرول، یا گورننس کی قربانی کے بغیر تیز تر ترسیل ہے۔.

حوالہ جات

1. یورپی کمیشن - ڈیٹا کے تحفظ کی وضاحت کی گئی: GDPR اصول - Commission.europa.eu

2. انفارمیشن کمشنر آفس (ICO) - اسٹوریج کی حد - ico.org.uk

3. یورپی کمیشن - ڈیٹا کب تک رکھا جا سکتا ہے اور کیا اسے اپ ڈیٹ کرنا ضروری ہے؟ --.commission.europa.eu ​

4. نیشنل انسٹی ٹیوٹ آف اسٹینڈرڈز اینڈ ٹیکنالوجی (NIST) - پرائیویسی فریم ورک - nist.gov

5. NIST کمپیوٹر سیکیورٹی ریسورس سینٹر (CSRC) - SP 800-92: گائیڈ ٹو کمپیوٹر سیکیورٹی لاگ مینجمنٹ - csrc.nist.gov

6. سینٹر فار انٹرنیٹ سیکیورٹی (CIS) - آڈٹ لاگ مینجمنٹ (CIS کنٹرولز) - cisecurity.org

7. Snowflake دستاویزات - قطار تک رسائی کی پالیسیاں - docs.snowflake.com

8. Google Cloud Documentation - BigQuery قطار کی سطح کی سیکیورٹی - docs.cloud.google.com

9. BITOL - اوپن ڈیٹا کنٹریکٹ سٹینڈرڈ (ODCS) v3.1.0 - bitol-io.github.io

10. BITOL (GitHub) - اوپن ڈیٹا کنٹریکٹ سٹینڈرڈ - github.com

11. Apache Airflow - دستاویزات (مستحکم) - airflow.apache.org

12. Apache Airflow - DAGs (بنیادی تصورات) - airflow.apache.org

13. dbt لیبز کی دستاویزات - dbt کیا ہے؟ - docs.getdbt.com

14. dbt لیبز کی دستاویزات - dbt ماڈلز کے بارے میں - docs.getdbt.com

15. dbt لیبز دستاویزات - دستاویزات - docs.getdbt.com

16. dbt لیبز دستاویزات - ڈیٹا ٹیسٹ - docs.getdbt.com

17. dbt لیبز کی دستاویزات - dbt سیمنٹک لیئر - docs.getdbt.com

18. فائیوٹران دستاویزات - شروع کرنا - Fivetran.com

19. فائیوٹران - کنیکٹر - Fivetran.com

20. AWS دستاویزات - AWS Lambda ڈویلپر گائیڈ - docs.aws.amazon.com

21. GitHub - GitHub Copilot - github.com

22. GitHub Docs - GitHub Copilot کے ساتھ اپنے IDE میں کوڈ کی تجاویز حاصل کرنا - docs.github.com

23. Microsoft Learn - GitHub Copilot for SQL (VS Code extension) - learn.microsoft.com

24. Dynatrace دستاویزی - ڈیٹا مشاہداتی - docs.dynatrace.com

25. DataGalaxy - ڈیٹا آبزرویبلٹی کیا ہے؟ - datagalaxy.com

26. عظیم توقعات کی دستاویز - توقعات کا جائزہ - docs.greatexpectations.io

آفیشل AI اسسٹنٹ اسٹور پر تازہ ترین AI تلاش کریں۔

ہمارے بارے میں