Vil AI erstatte dataingeniører?

Vil AI erstatte dataingeniører?

Kort svar: AI vil ikke erstatte dataingeniører direkte; det vil automatisere gentagende arbejde såsom SQL-udkast, pipeline-scaffolding, test og dokumentation. Hvis din rolle primært er arbejde med lav ejerskab og tickets, er den mere eksponeret; hvis du ejer pålidelighed, definitioner, governance og incidentrespons, gør AI dig primært hurtigere.

Vigtige konklusioner:

Ejerskab : Prioritér ansvarlighed for resultater, ikke blot at producere kode hurtigt.

Kvalitet : Byg tests, observerbarhed og kontrakter, så pipelines forbliver troværdige.

Styring : Hold privatlivets fred, adgangskontrol, opbevaring og revisionsspor menneskeejet.

Modstand mod misbrug : Behandl AI-output som kladder; gennemgå dem for at undgå sikre fejl.

Rolleskift : Brug mindre tid på at skrive standardtekster og mere tid på at designe holdbare systemer.

Vil AI erstatte dataingeniører? Infografik

Hvis du har brugt mere end fem minutter omkring datateams, har du hørt omkvædet – nogle gange hvisket, nogle gange lanceret på tværs af et møde som et plottwist: Vil AI erstatte dataingeniører?

Og… jeg forstår det. AI kan generere SQL, bygge pipelines, forklare stakspor, udarbejde dbt-modeller og endda foreslå lagerskemaer med foruroligende selvtillid. GitHub Copilot til SQL Om dbt-modeller GitHub Copilot
Det føles som at se en gaffeltruck lære at jonglere. Imponerende, lidt alarmerende, og du er ikke helt sikker på, hvad det betyder for dit job 😅

Men sandheden er mindre pæn end overskriften. Kunstig intelligens er fuldstændig ved at ændre data engineering. Den automatiserer de kedelige, gentagelige dele. Den fremskynder "jeg ved, hvad jeg vil, men kan ikke huske syntaksen"-øjeblikkene. Den avler også helt nye former for kaos.

Så lad os lægge det ordentligt ud, uden håndbølget optimisme eller doomsquammende panik.

Artikler du måske har lyst til at læse efter denne:

🔗 Vil AI erstatte radiologer?
Hvordan billedbaseret AI ændrer arbejdsgang, nøjagtighed og fremtidige roller.

🔗 Vil AI erstatte revisorer?
Se hvilke regnskabsopgaver AI automatiserer, og hvad der forbliver menneskeligt.

🔗 Vil AI erstatte investeringsbankfolk?
Forstå AI's indflydelse på handler, research og klientrelationer.

🔗 Vil AI erstatte forsikringsagenter?
Lær hvordan AI transformerer underwriting, salg og kundesupport.

Hvorfor spørgsmålet om "AI erstatter dataingeniører" bliver ved med at dukke op igen 😬

Frygten kommer fra et helt specifikt sted: data engineering har meget arbejde, der skal gentages .

  • Skrivning og refaktorering af SQL

  • Opbygning af indtagelsesscripts

  • Kortlægning af felter fra ét skema til et andet

  • Oprettelse af tests og grundlæggende dokumentation

  • Fejlfinding af pipelinefejl, der er ... ret forudsigelige

AI er usædvanligt god til gentagelige mønstre. Og en del af data engineering er netop det - mønstre stablet oven på mønstre. GitHub Copilot kodeforslag

Værktøjsøkosystemet "skjuler" også allerede kompleksiteten:

Så når AI dukker op, kan det føles som det sidste stykke. Hvis stakken allerede er abstraheret, og AI kan skrive limkoden ... hvad er der så tilbage? 🤷

Men her er noget, folk springer over: data engineering handler ikke primært om at skrive . At skrive er den nemme del. Den svære del er at få en dunkel, politisk, skiftende forretningsvirkelighed til at opføre sig som et pålideligt system.

Og AI kæmper stadig med den uklarhed. Folk kæmper også - de improviserer bare bedre.

Hvad dataingeniører rent faktisk laver hele dagen (den uglamourøse sandhed) 🧱

Lad os være ærlige - stillingsbetegnelsen "Data Engineer" lyder som om, du bygger raketmotorer ud af ren matematik. I praksis opbygger du tillid .

En typisk dag handler mindre om at "opfinde nye algoritmer" og mere om:

  • Forhandling med upstream-teams om datadefinitioner (smertefuldt, men nødvendigt)

  • Undersøgelse af, hvorfor en måleenhed ændrede sig (og om den er reel)

  • Håndtering af skemadrift og overraskelser som "nogen tilføjede en kolonne ved midnat"

  • Sikring af, at rørledninger er idempotente, genvindbare og observerbare

  • Oprettelse af beskyttelsesrækværk, så downstream-analytikere ikke ved et uheld bygger nonsens-dashboards

  • Omkostningsstyring, så dit lager ikke forvandles til et pengebål 🔥

  • Sikring af adgang, revision, overholdelse af regler og opbevaringspolitikker GDPR-principper (Europa-Kommissionen) Lagringsbegrænsning (ICO)

  • Opbygning af dataprodukter, som folk rent faktisk kan bruge uden at sende dig en privat besked (20 spørgsmål)

En stor del af jobbet er socialt og operationelt:

  • "Hvem ejer dette bord?"

  • "Er denne definition stadig gyldig?"

  • "Hvorfor eksporterer CRM'et dubletter?"

  • "Kan vi sende denne måling til ledere uden at det bliver pinligt?" 😭

AI kan hjælpe med dele af dette, ja. Men at erstatte det helt er ... en udfordring.

Hvad gør en data engineering-rolle til en stærk version? ✅

Denne sektion er vigtig, fordi snak om erstatninger normalt antager, at dataingeniører primært er "pipelinebyggere". Det er ligesom at antage, at kokke primært "hakker grøntsager". Det er en del af jobbet, men det er ikke jobbet.

En stærk version af en dataingeniør betyder normalt, at de kan gøre de fleste af disse:

  • Design til forandring
    . Data ændrer sig. Teams ændrer sig. Værktøjer ændrer sig. En god ingeniør bygger systemer, der ikke kollapser, hver gang virkeligheden nyser 🤧

  • Definer kontrakter og forventninger
    Hvad betyder "kunde"? Hvad betyder "aktiv"? Hvad sker der, når en række ankommer for sent? Kontrakter forhindrer kaos mere end fancy kode gør. Open Data Contract Standard (ODCS) ODCS (GitHub)

  • Indbyg observerbarhed i alt.
    Ikke bare "kørte det", men "kørte det korrekt". Friskhed, volumenanomalier, nuleksplosioner, distributionsforskydninger. Dataobserverbarhed (Dynatrace) Hvad er dataobserverbarhed?

  • Lav afvejninger som en voksen:
    Hastighed vs. korrekthed, omkostninger vs. latenstid, fleksibilitet vs. enkelhed. Der findes ingen perfekt pipeline, kun pipelines, du kan leve med.

  • Omsæt forretningsbehov til holdbare systemer.
    Folk spørger efter målinger, men det, de har brug for, er et dataprodukt. AI kan udarbejde koden, men den kan ikke magisk genkende forretningsminerne.

  • Hold data hemmelige.
    Den største kompliment for en dataplatform er, at ingen taler om den. Ubegivenhedsfyldte data er gode data. Ligesom VVS. Du bemærker det kun, når det fejler 🚽

Hvis du laver disse ting, begynder spørgsmålet "Vil AI erstatte dataingeniører?" at lyde ... lidt forkert. AI kan erstatte opgaver , ikke ejerskab .

Hvor AI allerede hjælper dataingeniører (og det er virkelig fantastisk) 🤖✨

AI er ikke bare markedsføring. Brugt korrekt er det en legitim kraftmultiplikator.

1) Hurtigere SQL- og transformationsarbejde

  • Udarbejdelse af komplekse joinforbindelser

  • Skrivning af vinduesfunktioner, du helst ikke vil tænke på

  • Omdannelse af logik fra almindeligt sprog til forespørgselsskeletter

  • Refaktorering af grimme forespørgsler til læsbare CTE'er GitHub Copilot til SQL

Dette er enormt vigtigt, fordi det reducerer effekten af ​​en "blank side". Du skal stadig validere, men du starter ved 70 % i stedet for 0 %.

2) Fejlfinding og rodårsagsbrødkrummer

AI er god til:

  • Forklaring af fejlmeddelelser

  • Forslag til, hvor man skal lede

  • Anbefaler trin af typen "tjek skemamismatch" GitHub Copilot
    Det er som at have en utrættelig junioringeniør, der aldrig sover og nogle gange selvsikkert lyver 😅

3) Dokumentation og berigelse af datakataloger

Automatisk genereret:

  • Kolonnebeskrivelser

  • Modeloversigter

  • Forklaringer af afstamning

  • "Hvad bruges denne tabel til?" udkaster DBT-dokumentation

Det er ikke perfekt, men det bryder forbandelsen med udokumenterede pipelines.

4) Test af stilladser og kontroller

AI kan foreslå:

Igen - du bestemmer stadig, hvad der betyder noget, men det fremskynder de rutinemæssige dele.

5) Kode til "lim" af rørledninger

Konfigurationsskabeloner, YAML-scaffolds, orkestrerings-DAG-kladder. Det er repetitivt, og AI spiser repetitivt til morgenmad 🥣 Apache Airflow DAGs

Hvor AI stadig kæmper (og dette er kernen i det) 🧠🧩

Dette er den del, der betyder mest, fordi den besvarer udskiftningsspørgsmålet med ægte tekstur.

1) Flertydighed og skiftende definitioner

Forretningslogik er sjældent skarp. Folk ændrer mening midt i en sætning. "Aktiv bruger" bliver til "aktiv betalende bruger" bliver til "aktiv betalende bruger eksklusive refusioner undtagen nogle gange" ... du ved, hvordan det er.

AI kan ikke eje den tvetydighed. Den kan kun gætte.

2) Ansvarlighed og risiko

Når en pipeline går i stykker, og exec-dashboardet viser vrøvl, er nogen nødt til at:

  • triage

  • kommunikere effekt

  • fiks det

  • forhindre gentagelse

  • skriv obduktionen

  • afgøre, om virksomheden stadig kan stole på sidste uges tal

AI kan hjælpe, men den kan ikke være ansvarlig på en meningsfuld måde. Organisationer kører ikke på vibrationer - de kører på ansvar.

3) Systemtænkning

Dataplatforme er økosystemer: indtagelse, lagring, transformationer, orkestrering, styring, omkostningskontrol, SLA'er. En ændring i ét lag påvirker bølger. Apache Airflow-koncepter

AI kan foreslå lokale optimeringer, der skaber global smerte. Det er som at reparere en knirkende dør ved at fjerne døren 😬

4) Sikkerhed, privatliv, overholdelse af regler

Det er her, hvor erstatningsfantasier dør.

AI kan udarbejde politikker, men at implementere dem sikkert er ægte ingeniørkunst.

5) De "ukendte ukendte"

Datahændelser er ofte uforudsigelige:

  • En leverandør-API ændrer semantik lydløst

  • En tidszoneantagelse vender

  • En backfill duplikerer en partition

  • En gentagelsesmekanisme forårsager dobbeltskrivning

  • En ny produktfunktion introducerer nye hændelsesmønstre

AI er svagere, når situationen ikke er et kendt mønster.

Sammenligningstabel: hvad reducerer hvad, i praksis 🧾🤔

Nedenfor er et praktisk perspektiv. Ikke "værktøjer der erstatter mennesker", men værktøjer og tilgange der reducerer bestemte opgaver.

Værktøj / tilgang Målgruppe Prisstemning Hvorfor det virker
AI-kode copiloter (SQL + Python-hjælpere) GitHub Copilot Ingeniører, der skriver en masse kode Gratis-agtigt til betalt God til scaffolding, refactoring, syntaks ... nogle gange selvtilfreds på en meget specifik måde
Administrerede ELT-stik Fivetran Hold trætte af at bygge indtagelse Abonnement-y Fjerner smerte ved brugerdefineret indtagelse, men bryder på sjove nye måder
Dataobservationsplatforme Dataobservabilitet (Dynatrace) Enhver, der ejer SLA'er Mellemstor til stor virksomhed Opfanger uregelmæssigheder tidligt - ligesom røgalarmer til rørledninger 🔔
Transformationsrammer (deklarativ modellering) dbt Analyse + DE-hybrider Normalt værktøj + beregning Gør logik modulær og testbar, mindre spaghetti
Datakataloger + semantiske lag dbt semantisk lag Organisationer med forvirring omkring metrikker Afhænger af, i praksis Definerer "sandhed" én gang - reducerer endeløse debatter om metriske data
Orkestrering med skabeloner Apache Airflow Platformorienterede teams Åben + driftsomkostninger Standardiserer arbejdsgange; færre snefnug-DAG'er
AI-assisteret dokumentation DBT-dokumentgenerering Hold der hader at skrive dokumentation Billig til moderat Laver "gode nok" dokumenter, så viden ikke forsvinder
Automatiserede styringspolitikker NIST Privacy Framework Regulerede miljøer Enterprise-y Hjælper med at håndhæve regler - men har stadig brug for mennesker til at udforme reglerne

Bemærk hvad der mangler: en række, der siger "tryk på knappen for at fjerne dataingeniører." Ja ... den række findes ikke 🙃

Så ... vil AI erstatte dataingeniører, eller bare ændre rollen? 🛠️

Her er det ikke-dramatiske svar: AI vil erstatte dele af arbejdsgangen, ikke professionen.

Men det vil omkonfigurere rollen. Og hvis du ignorerer det, vil du mærke presset.

Hvad ændrer sig:

  • Mindre tid på at skrive standardtekster

  • Mindre tid på at søge i dokumenter

  • Mere tid til gennemgang, validering og design

  • Mere tid til at definere kontrakter og kvalitetsforventninger Open Data Contract Standard (ODCS)

  • Mere tid til partnerskaber med produkter, sikkerhed og finans

Dette er det subtile skift: data engineering handler mindre om at "bygge pipelines" og mere om at "bygge et pålideligt dataproduktsystem"

Og i en stille vending, er det mere værdifuldt, ikke mindre.

Også - og jeg vil sige det, selvom det lyder dramatisk - øger AI antallet af mennesker, der kan producere dataartefakter , hvilket øger behovet for nogen til at holde det hele i orden. Mere output betyder mere potentiel forvirring. GitHub Copilot

Det er ligesom at give alle en boremaskine. Fantastisk! Nu skal nogen håndhæve reglen om "bor venligst ikke i vandrøret" 🪠

Den nye færdighedsstak, der forbliver værdifuld (selv med AI overalt) 🧠⚙️

Hvis du ønsker en praktisk "fremtidssikret" tjekliste, ser den sådan ud:

Systemdesigntankegang

  • Datamodellering, der overlever forandringer

  • Afvejninger mellem batch og streaming

  • Latens, omkostninger, pålidelighedstanker

Datakvalitetsteknik

Styring og tillidsarkitektur

Platformtænkning

  • Genanvendelige skabeloner, gyldne stier

  • Standardiserede mønstre til indtagelse, transformationer og test af Fivetran dbt-datatests

  • Selvbetjeningsværktøj, der ikke smelter ned

Kommunikation (ja, virkelig)

  • At skrive klare dokumenter

  • Justering af definitioner

  • At sige "nej" høfligt, men bestemt

  • Forklarer afvejninger uden at lyde som en robot 🤖

Hvis du kan gøre disse ting, bliver spørgsmålet "Vil AI erstatte dataingeniører?" mindre truende. AI bliver dit eksoskelet, ikke din erstatning.

Realistiske scenarier, hvor nogle data engineering-roller skrumper 📉

Okay, et hurtigt realitycheck, for det er ikke kun solskin og emoji-konfetti 🎉

Nogle roller er mere udsatte:

  • Rent indtagelsesbaserede roller, hvor alt er standardforbindelser Fivetran-forbindelser

  • Teams, der primært udfører gentagne rapporteringspipelines med minimal domænenuance

  • Organisationer hvor data engineering behandles som "SQL-aber" (hårdt, men sandt)

  • Stillinger med lavt ejerskab, hvor jobbet kun er billetter og kopiering og indsættelse

AI plus administrerede værktøjer kan mindske disse behov.

Men selv der ser udskiftning normalt sådan ud:

  • Færre mennesker udfører det samme gentagne arbejde

  • Mere fokus på platformsejerskab og pålidelighed

  • Et skift mod "én person kan understøtte flere pipelines"

Så ja - antallet af medarbejdere kan ændre sig. Roller udvikler sig. Titler skifter. Den del er reel.

Alligevel hænger versionen af ​​rollen med højt ejerskab og høj tillid ved.

Afsluttende opsummering 🧾✅

Vil AI erstatte dataingeniører? Ikke på den rene, komplette måde, folk forestiller sig.

AI vil:

Men data engineering handler grundlæggende om:

AI kan hjælpe med det ... men den "ejer" det ikke.

Hvis du er dataingeniør, er det nemt (ikke nemt, men nemt):
Fokuser på ejerskab, kvalitet, platformtænkning og kommunikation. Lad AI håndtere standardløsningen, mens du håndterer de dele, der betyder noget.

Og ja - nogle gange betyder det at være den voksne i rummet. Ikke glamourøs. Dog stille og roligt magtfuld 😄

Vil AI erstatte dataingeniører?
Det vil erstatte nogle opgaver, omrokere rangstigen og gøre de bedste dataingeniører endnu mere værdifulde. Det er den virkelige historie.

Ofte stillede spørgsmål

Vil AI erstatte dataingeniører fuldstændigt?

I de fleste organisationer er det mere sandsynligt, at AI overtager specifikke opgaver end at slette rollen fuldstændigt. Det kan accelerere SQL-udkast, pipeline-scaffolding, førstegangsbeståelser af dokumentation og grundlæggende testoprettelse. Men data engineering indebærer også ejerskab og ansvarlighed, plus det uglamourøse arbejde med at få en rodet forretningsvirkelighed til at opføre sig som et pålideligt system. Disse dele har stadig brug for mennesker til at bestemme, hvad "rigtigt" ser ud, og til at tage ansvar, når tingene går i stykker.

Hvilke dele af data engineering automatiserer AI allerede?

AI fungerer bedst på gentageligt arbejde: udarbejdelse og refaktorering af SQL, generering af DBT-modelskeletter, forklaring af almindelige fejl og produktion af dokumentationsoversigter. Det kan også understøtte tests som null- eller unikhedstjek og generere skabelon-"lim"-kode til orkestreringsværktøjer. Sejren er momentum - du starter tættere på en fungerende løsning - men du skal stadig validere korrektheden og sikre, at den passer til dit miljø.

Hvis AI kan skrive SQL og pipelines, hvad er der så tilbage for dataingeniører?

Meget: definere datakontrakter, håndtere skemadrift og sikre, at pipelines er idempotente, observerbare og gendannelige. Dataingeniører bruger tid på at undersøge ændringer i metrikker, bygge rækværk for downstream-brugere og håndtere afvejninger mellem omkostninger og pålidelighed. Jobbet handler ofte om at opbygge tillid og holde dataplatformen "stille", hvilket betyder stabil nok til, at ingen behøver at tænke på det i hverdagen.

Hvordan ændrer AI det daglige arbejde for en dataingeniør?

Det reducerer typisk standardteksten og "opslagstiden", så du bruger mindre tid på at skrive og mere tid på at gennemgå, validere og designe. Dette skift skubber rollen hen imod at definere forventninger, kvalitetsstandarder og genanvendelige mønstre i stedet for at manuelt kode alt. I praksis vil du sandsynligvis lave mere partnerskabsarbejde med produkt, sikkerhed og økonomi - fordi det tekniske output bliver lettere at skabe, men sværere at styre.

Hvorfor kæmper AI med tvetydige forretningsdefinitioner som "aktiv bruger"?

Fordi forretningslogik ikke er statisk eller præcis - den ændrer sig midt i projektet og varierer fra interessent til interessent. AI kan udarbejde en fortolkning, men den kan ikke tage ansvar for beslutningen, når definitioner udvikler sig, eller konflikter dukker op. Data engineering kræver ofte forhandling, dokumentation af antagelser og omdannelse af uklare krav til holdbare kontrakter. Dette "menneskelige tilpasningsarbejde" er en central årsag til, at rollen ikke forsvinder, selvom værktøjerne forbedres.

Kan AI håndtere datastyring, privatliv og compliance på en sikker måde?

AI kan hjælpe med at udarbejde politikker eller foreslå tilgange, men sikker implementering kræver stadig reel ingeniørkunst og omhyggelig overvågning. Governance involverer adgangskontrol, håndtering af personoplysninger, opbevaringsregler, revisionsspor og sommetider begrænsninger i opholdstilladelse. Dette er højrisikoområder, hvor "næsten rigtigt" ikke er acceptabelt. Mennesker skal designe reglerne, verificere håndhævelse og forblive ansvarlige for compliance-resultater.

Hvilke færdigheder forbliver værdifulde for dataingeniører i takt med at AI forbedres?

Færdigheder, der gør systemer robuste: systemdesigntænkning, datakvalitetsudvikling og platformorienteret standardisering. Kontrakter, observerbarhed, vaner inden for incidentrespons og disciplineret rodårsagsanalyse bliver endnu vigtigere, når flere mennesker hurtigt kan generere dataartefakter. Kommunikation bliver også en differentiator - at tilpasse definitioner, skrive klare dokumenter og forklare afvejninger uden drama er en stor del af at holde data troværdige.

Hvilke data engineering-roller er mest udsatte for AI og administrerede værktøjer?

Roller, der fokuserer snævert på gentagen indtagelse eller standard rapporteringspipelines, er mere udsatte, især når administrerede ELT-forbindelser dækker de fleste kilder. Arbejde med lavt ejerskab og ticket-baseret data kan skrumpe, fordi AI og abstraktion reducerer indsatsen pr. pipeline. Men det ser normalt ud til, at færre mennesker udfører gentagne opgaver, ikke "ingen dataingeniører". Roller med højt ejerskab, der er centreret omkring pålidelighed, kvalitet og tillid, forbliver holdbare.

Hvordan skal jeg bruge værktøjer som GitHub Copilot eller dbt med AI uden at skabe kaos?

Behandl AI-output som et udkast, ikke en beslutning. Brug det til at generere forespørgselsskeletter, forbedre læsbarheden eller scaffolde DBT-tests og dokumenter, og validér derefter mod reelle data og edge cases. Kombinér det med stærke konventioner: kontrakter, navngivningsstandarder, observerbarhedskontroller og gennemgangspraksis. Målet er hurtigere levering uden at gå på kompromis med pålidelighed, omkostningskontrol eller governance.

Referencer

  1. Europa-Kommissionen - Forklaring af databeskyttelse: GDPR-principper - commission.europa.eu

  2. Informationskommissærens kontor (ICO) - Lagringsbegrænsning - ico.org.uk

  3. Europa-Kommissionen - Hvor længe kan data opbevares, og er det nødvendigt at opdatere dem? - commission.europa.eu

  4. National Institute of Standards and Technology (NIST) - Privatlivsramme - nist.gov

  5. NIST Computer Security Resource Center (CSRC) - SP 800-92: Vejledning til håndtering af computersikkerhedslogfiler - csrc.nist.gov

  6. Center for Internetsikkerhed (CIS) - Administration af revisionslogfiler (CIS-kontroller) - cisecurity.org

  7. Snowflake-dokumentation - Politikker for rækkeadgang - docs.snowflake.com

  8. Google Cloud-dokumentation - BigQuery-sikkerhed på rækkeniveau - docs.cloud.google.com

  9. BITOL - Standard for åbne datakontrakter (ODCS) v3.1.0 - bitol-io.github.io

  10. BITOL (GitHub) - Standard for åbne datakontrakter - github.com

  11. Apache Airflow - Dokumentation (stabil) - airflow.apache.org

  12. Apache Airflow - DAG'er (kernekoncepter) - airflow.apache.org

  13. dbt Labs Dokumentation - Hvad er dbt? - docs.getdbt.com

  14. dbt Labs Dokumentation - Om dbt-modeller - docs.getdbt.com

  15. dbt Labs Dokumentation - Dokumentation - docs.getdbt.com

  16. dbt Labs Dokumentation - Datatests - docs.getdbt.com

  17. dbt Labs Dokumentation - dbt Semantisk Lag - docs.getdbt.com

  18. Fivetran-dokumentation - Kom godt i gang - fivetran.com

  19. Fivetran - Stik - fivetran.com

  20. AWS-dokumentation - AWS Lambda-udviklervejledning - docs.aws.amazon.com

  21. GitHub - GitHub Copilot - github.com

  22. GitHub-dokumentation - Hent kodeforslag i din IDE med GitHub Copilot - docs.github.com

  23. Microsoft Learn - GitHub Copilot til SQL (VS Code-udvidelse) - learn.microsoft.com

  24. Dynatrace-dokumentation - Dataobserverbarhed - docs.dynatrace.com

  25. DataGalaxy - Hvad er dataobserverbarhed? - datagalaxy.com

  26. Dokumentation om store forventninger - Oversigt over forventninger - docs.greatexpectations.io

Find den nyeste AI i den officielle AI-assistentbutik

Om os

Tilbage til bloggen