Штучний інтелект

Агентний ШІ та інженерія даних: Перехід від будівельника до стратега

O

O’Reilly Media

3 хв читання

Ілюстрація, що показує еволюцію ролі інженера даних: від ручного з'єднання конвеєрів до стратегічного нагляду за автономними системами агентного ШІ.

Зі зсувом до агентного штучного інтелекту (ШІ), автономні системи тепер виконують завдання, які інженери даних раніше створювали вручну. Цей зсув не усуває інженера даних, але переосмислює його роль. Адам Мортон, автор та лідер думок у галузі архітектури даних, пропонує конкретну основу для навігації в цьому переосмисленні.

Матеріал призначений для практикуючих інженерів даних або старших аналітиків даних, які прагнуть зрозуміти, як агентний ШІ змінює їхню роботу, а також для керівників команд даних, інженерних менеджерів або архітекторів даних, які переосмислюють структуру та розвиток талантів для ролей в автоматизації за допомогою ШІ.

Що таке агентний ШІ?

Агентний ШІ визначається в практичних операційних термінах, відрізняючись від базової автоматизації та допомоги GenAI-копілотів. Він передбачає автономне виконання та динамічну адаптацію. Існує спектр: від ручного створення конвеєрів до ШІ-копілотів та агентних систем. Приклади включають реагування на збої в ланцюгах поставок, автоматизоване виправлення якості даних та самовідновлювані конвеєри.

Виклики фрагментованих архітектур даних

Фрагментовані архітектури даних перешкоджають агентному ШІ надавати бізнес-цінність. Існують приховані витрати розрізнених архітектур даних. Агентні системи вимагають уніфікованих, надійних основ даних. "Податок на розрізненість" (silo tax) — це витрати фрагментації на затримку, надійність та якість рішень агента. Ця ситуація має паралелі з трансформацією DevOps 15-річної давності, де уніфікація команд даних/інтеграції відображає той зсув.

Стратегічний зсув навичок

Відбувається зсув від виконання "код-першим" до оркестрації "стратегія-першим". Новий набір навичок інженера даних включає архітектурне мислення, бізнес-грамотність та дизайн управління. Цей зсув підвищує інженерів, а не замінює їх.

Кількісна оцінка "ручного податку"

"Ручний податок" — це час, витрачений на завдання, які вже обробляються ШІ-доповненими робочими процесами в провідних організаціях. Категорії роботи, які інженери даних виконують сьогодні, але які агентні системи вже обробляють, включають моніторинг конвеєрів, виявлення зсуву схеми та оповіщення про якість даних. Методологія аудиту часу передбачає зіставлення фактичної роботи з матрицею "автоматизувати-розширити-підвищити".

Матриця рішень: Автоматизувати, розширити, підвищити

Робота може бути категоризована за трьома вимірами:

  • Автоматизувати: Повторювані, засновані на правилах виконання з детермінованими результатами.
  • Розширити: Людське судження, посилене ШІ-генерованими опціями, резюме або прапорцями аномалій.
  • Підвищити: Стратегічна, архітектурна та міжфункціональна робота, яку ШІ не може замінити.

Визначення категорії, яка розкриває найбільшу бізнес-цінність, є ключовим.

Розвиток бізнес-грамотності та впливу

Інженери даних повинні навчитися комунікувати цінність у агентному світі, перетворюючи технічні внески на бізнес-результати. Це включає роботу з міжфункціональними партнерами та позиціонування інженерів даних як архітекторів автономних систем, а не збирачів конвеєрів. Відбувається зсув від звітування зацікавленим сторонам до розробки рішень разом з ними.

План підвищення кваліфікації на 90 днів

Розробка 90-денного плану підвищення кваліфікації, який націлений на стратегічні можливості, що винагороджуються в середовищах агентного ШІ. Три цільові напрямки навичок: архітектурне мислення, бізнес-грамотність, дизайн управління.

Про Адама Мортона

Адам Мортон є автором та лідером думок у галузі архітектури даних. Він допомагає підприємствам переходити від фрагментованих систем даних до уніфікованих основ, здатних підтримувати агентний ШІ в масштабі. Він є автором книги "Unlock Data Agility with Composable Data Architecture" (O’Reilly) та завершує звіт "Beyond Pipelines: Building Unified Foundations for AI at Scale". Його робота зосереджена на практичних, орієнтованих на результат фреймворках, які можуть негайно застосовувати старші фахівці та технічні лідери.

Що це означає для розробників

Ця зміна означає для розробників даних переосмислення їхньої ролі від ручного створення конвеєрів до стратегічної оркестрації автономних систем. Їм потрібно буде розвивати нові навички в архітектурному мисленні, бізнес-грамотності та дизайні управління, щоб позиціонувати себе як архітекторів, а не просто збирачів.

Ключові факти

  • Агентний ШІ переосмислює роль інженера даних, не усуваючи її.

  • Автономні системи тепер виконують завдання, які раніше виконувалися вручну.

  • Фрагментовані архітектури даних перешкоджають агентному ШІ надавати бізнес-цінність.

  • Необхідний зсув навичок від виконання "код-першим" до оркестрації "стратегія-першим".

  • Нові ключові навички включають архітектурне мислення, бізнес-грамотність та дизайн управління.

Джерела

Штучний інтелектДані та аналітикаРозробка ПЗ

Джерело

O’Reilly MediaO’Reilly Media

Agentic Data Engineering Fundamentals in 2 Hours

28 квітня 2026

Оригінал

Попередні статті

Ілюстрація, що зображує потік даних через хмарні сервіси та інструменти, символізуючи конвеєр даних для команд DevOps.
27 червня 2026Дані та аналітика

7 провідних інструментів Data Engineering для команд DevOps у 2026 році

Сучасні застосунки генерують величезні обсяги даних, і управління ними є критичним для DevOps. Інструменти data engineering допомагають збирати, обробляти та переміщувати дані для аналітики. Ринок цих рішень зростає, і ми розглянемо 7 найкращих інструментів для DevOps у 2026 році.

Зображення, розділене на дві частини: ліворуч — абстрактне представлення коду та цифрових даних, що символізує легкість навчання ШІ; праворуч — кабіна вантажівки з видом на дорогу, що символізує складність збору даних у фізичному світі.
27 червня 2026Штучний інтелект

Чому ШІ частіше впливає на роботу програмістів, ніж водіїв вантажівок: справа в даних, а не в складності

Дослідження Всесвітнього економічного форуму виявило, що великі мовні моделі (LLM) з більшою ймовірністю вплинуть на роботу програмістів, ніж водіїв вантажівок. Причина не в складності завдань, а в доступності та природі навчальних даних.

Ілюстрація, що показує два графіки телевізійних рейтингів, один з яких значно вищий за інший, на екрані телевізора, символізуючи розбіжності у даних Nielsen.
26 червня 2026Дані та аналітика

Значні розбіжності у даних про телеперегляди WWE та AEW за новою методологією Nielsen

Новий звіт виявив значні розбіжності у даних про телеперегляди програм професійного реслінгу WWE та AEW. Перехід Nielsen на метод «Big Data + Panel» у вересні 2025 року призвів до суттєвого зниження показників, що викликає питання щодо точності звітності.

Наступні статті

Абстрактна ілюстрація, що показує потік даних у хмарній базі даних Snowflake, де бізнес-логіка інтегрується безпосередньо в таблиці за допомогою віртуальних колонок, символізуючи ефективність та інтелектуальну обробку даних.
28 червня 2026Дані та аналітика

Віртуальні колонки тепер загальнодоступні у Snowflake

Snowflake оголосила про загальну доступність віртуальних колонок, що дозволяє інтегрувати бізнес-логіку безпосередньо в таблиці. Ця функція спрощує роботу з даними, покращує продуктивність та підтримує основи для корпоративного ШІ.

Ілюстрація, що зображує інженера даних, який працює за ноутбуком, з елементами коду Python, SQL та хмарних технологій на екрані, символізуючи навчання та кар'єрний ріст.
28 червня 2026Дані та аналітика

Випускник ETAMU Венкатеш Мукері розпочав кар'єру інженера даних в EXL

Венкатеш Мукері, випускник Університету Східного Техасу A&M, приєднався до EXL як консультант II — інженер даних, підтримуючи клієнта CVS. Його шлях підкреслює важливість цілеспрямованого навчання, практичного досвіду та наполегливості у пошуку роботи.

Ілюстрація сучасного «зеленого» центру обробки даних з хмарними елементами, вітровими турбінами та сонячними панелями, що символізують сталість та енергоефективність.
28 червня 2026Технології

Зростання ринку «зелених» центрів обробки даних: рушії та перспективи

Глобальний ринок «зелених» центрів обробки даних демонструє значне зростання, прогнозується збільшення з $89,65 млрд у 2025 році до $241,65 млрд до 2030 року. Основними рушіями є хмарні обчислення, ШІ, IoT та сталі практики.