什麼是 Vibe Data Modeling ?
Vibe Data Modeling 是用對談把業務語意 (Business Semantics) 逐步外顯，並用可驗證的約束 (Constraints) 把語意落到資料結構 (Schema) 的迭代流程。
也就是強調與 AI 溝通，將需求轉化為實體資料表的過程。
這篇文章"AI 將威脅傳統軟體業嗎? 軟體工程師還有未來嗎?"提到 : AI 將威脅低階的軟體代工業，但是暫時威脅不了資深的軟體工程師。
可是這個情況能夠維持多久呢? 對於資料庫管理師或是後端資料庫工程師來說，AI 是否會開始威脅到他們的工作呢?
原本資料塑模在做什麼? 根據這篇文章"Data Modeling (資料塑模) : 概念塑模、邏輯塑模、實體塑模"，資料塑模可以分成概念塑模、邏輯塑模、實體塑模。
概念塑模就是要產生實體關係圖 (ER Diagram)，邏輯塑模就是要產生資料表的定義關聯綱目 (Schema)，實體塑模就是要產生真正的實體資料表 (Tables)。
對於 AI 來說，根本不需要資料塑模的程序，而是直接產生實體資料表。
例如對 ChatGPT 說 : 「產生電子商務資料表」，如下圖 :
但是問題是 ChatGPT 只能給你一個「通用的實體資料表」，因為它不知道你的需求。因此人類必須先了解需求，然後把需求講給 ChatGPT 聽懂，然後才能生成正確的實體資料表。
因此 ChatGPT 就開始釐清你的需求，如下圖 :
然後你開始思考它的問題，並回答如下 :
多規格(SKU)、多倉庫、支援「部分出貨」與「部分退款」、使用第三方金流、B2C。
接著 ChatGPT 再修正資料表結構，如下圖 :
為了可以一目了然資料表結構，要求 ChatGPT 產生實體關係圖，如下圖 :
把以上的 plantUML 貼到 planttext.com，結果如下圖 :
看了以上的實體關係圖後，發現沒有產品廠商資料，因此再要求 ChatGPT 修正，如下圖 :
修正後多了供應商資料，其餘不變，如下圖 :
然後又發現對於供應商的 purchase order 沒有關於付款的紀錄，因此再要求 ChatGPT 修正，如下圖 :
因此再次修正如下圖 :
(上述展示了AI 協同資料塑模，最後的結果可能會因為各種需求的不同繼續修正下去)
從上面的過程可以看到，未來的資料塑模已經把概念塑模、邏輯塑模、實體塑模混在一起，透過對談的方式逐漸把需求轉變為實體資料表。但是整個流程會交錯，可是三層仍然存在，只是迭代更快。
對於資料庫工程師來說，與 AI 協同資料塑模的過程中，必須知道需求是什麼? AI 給予的資料表結構是否符合需求? 也就是要能夠看懂 AI 給的資料表結構，不符合的部分再要求修正。
對於資深的工程師來說，概念塑模、邏輯塑模、實體塑模的過程跟工具都已經很熟悉，因此 AI 只是加速而已。但是對於菜鳥工程師來說，如果也是透過對談的方式來得到實體資料表的話，很可能就缺了一大塊基礎訓練，最後也許連 AI 給的資料表結構都未必看得懂了。
因此 AI 是否會威脅到工程師的工作呢? 就完全看工程師要不要放棄應該知道的基礎觀念，是要讓 AI 全權處理? 還是只讓 AI 處理繁瑣的細節?
0 留言