วิศวกรและนักวิเคราะห์ข้อมูลจำนวนมากถูกสั่งให้ 'เอา AI มาใช้กับ Pipeline' อย่างเร่งด่วนโดยไม่มีเวลาเรียนรู้อย่างเป็นระบบ งานวิจัยเรื่อง Hidden Technical Debt in Machine Learning Systems ของทีม Google (Sculley et al., 2015) ชี้ว่าการเพิ่มส่วนที่เป็น AI เข้าไปในระบบไม่ใช่แค่การเพิ่มฟังก์ชันธรรมดา แต่สร้างหนี้เทคนิคซ่อนเร้นที่มองไม่เห็นในตอนแรก คอร์สนี้ใช้เลนส์ศาสตร์แห่งเมตรัย (Metraiology) มองว่าความกดดันที่แท้จริงของวิศวกรกลุ่มนี้มักมาจากแรงกดดันเชิงโครงสร้าง (ถูกสั่งให้ใช้ AI จากผู้บริหารโดยไม่มีเวลาเตรียมทักษะ) ผสมกับช่องว่างทักษะการ 'สอบเทียบความเชื่อใจ AI' (Trust Calibration) ที่ไม่มีใครสอน ผสานงานวิจัยจริงด้าน Automation Bias, หลักการ Functional Data Engineering ของ Apache Airflow และแนวปฏิบัติด้าน AI Agent ที่แท้จริง เพื่อสร้างวิศวกรที่ใช้ AI อย่างมั่นคงทั้งทักษะและวิจารณญาณ

เข้าใจโมเดลความคิดของ Apache Airflow (DAG, Task, Scheduler) และออกแบบ DAG ที่ทำงานซ้ำได้อย่างปลอดภัย (Idempotent)

ใช้ Claude ช่วยเขียนและอ่าน DAG ได้เร็วขึ้น โดยไม่เชื่อทุกบรรทัดที่ AI เขียนแบบไม่ตรวจสอบ

ออกแบบ Task ที่เรียก Claude เป็นส่วนหนึ่งของ Pipeline ได้อย่างปลอดภัย จัดการ non-determinism และ error ได้

รู้ทันอคติเชื่อ AI เกินจริง (Automation Bias) และออกแบบจุดตรวจสอบที่เหมาะสม แทนการเชื่อหรือไม่เชื่อ AI แบบสุดโต่ง

สร้างนิสัยทบทวนโค้ดที่ AI เขียนก่อน Merge ทุกครั้ง และสื่อสารกับทีมเรื่อง AI-augmented pipeline อย่างมั่นใจ

ผ่านเช็กลิสต์ความพร้อมขึ้น Production ของ Pipeline ที่มี AI Step อยู่ในนั้น