লাভ:
- ধারণাগত, যৌক্তিক এবং শারীরিক ডেটা মডেল এবং স্বাভাবিককরণের ধারণাগুলি ব্যাখ্যা করার এবং কৃত্রিম বুদ্ধিমত্তার সহায়তায় সত্তা-সম্পর্কের খসড়া তৈরি করার ক্ষমতা
- কাঠামোগত প্রম্পট সহ ডেটা অভিধান, ব্যবসার নিয়ম এবং টেবিল সম্পর্ক খসড়া করার এবং বাস্তব সিস্টেমের বিরুদ্ধে তাদের যাচাই করার ক্ষমতা
- সততা, এককতা এবং ব্যবসায়িক নিয়ম সম্মতির পরিপ্রেক্ষিতে AI-উত্পন্ন স্কিমা পরামর্শগুলিকে সমালোচনামূলকভাবে মূল্যায়ন করার ক্ষমতা।
একটি তথ্য ব্যবস্থা মূলত একটি কাঠামো যা ডেটা সংগঠিত রাখে। ডেটা মডেলিং হল একটি ব্যবসার তথ্য (গ্রাহক, অর্ডার, পণ্য, চালান) এবং একটি কাঠামোগত উপায়ে একে অপরের সাথে তাদের সম্পর্ক ডিজাইন করার কাজ। একটি ভাল ডেটা মডেল হল সঠিক রিপোর্টিং, দ্রুত প্রশ্ন এবং সামঞ্জস্যপূর্ণ ডেটার ভিত্তি; একটি খারাপ মডেল বছরের অসঙ্গতি এবং পুনরাবৃত্তিমূলক সংশোধন কাজের উত্স। বেশিরভাগ সময়, এমআইএস পেশাদাররা স্ক্র্যাচ থেকে মডেলটিকে কোড করেন না, তবে যাচাই করেন যে মডেলটি ব্যবসার নিয়ম মেনে চলছে এবং ব্যবসায়িক ইউনিট এবং আইটির মধ্যে মডেলটিকে অনুবাদ করে।
ডেটা মডেলিং বিমূর্ততার তিনটি স্তরে এগিয়ে যায়। ধারণাগত মডেল (ইংরেজি ধারণাগত) সর্বোচ্চ স্তর: কোন প্রধান সত্তা বিদ্যমান এবং তারা কীভাবে সম্পর্কিত? "গ্রাহক একটি অর্ডার দেয়, অর্ডারটি পণ্য অন্তর্ভুক্ত করে।" কোন প্রযুক্তিগত বিবরণ আছে. যৌক্তিক মডেল প্রতিটি সত্তার বৈশিষ্ট্য (ক্ষেত্র), কী এবং সম্পর্কের ধরন সংজ্ঞায়িত করে; কিন্তু এটি এখনও একটি নির্দিষ্ট ডাটাবেস পণ্যের সাথে আবদ্ধ নয়। ফিজিক্যাল মডেল (ইংরেজি ফিজিক্যাল) হল একটি নির্দিষ্ট ডাটাবেসের (যেমন এসকিউএল সার্ভার, পোস্টগ্রেএসকিউএল) টেবিল, ডাটা টাইপ এবং ইনডেক্সের কংক্রিট সংস্করণ। এই তিনটি স্তর একই ধারণার ক্রমবর্ধমান বিস্তারিত সংস্করণ।
সত্তা-সম্পর্ক এবং কী
ডেটা মডেলের মৌলিক ভাষা হল এন্টিটি-রিলেশনশিপ (ইআর) মডেল। সত্তাকে একটি টেবিল হিসাবে ভাবা যেতে পারে: গ্রাহক, অর্ডার। বৈশিষ্ট্য হল টেবিলের কলাম: নাম, ইমেল, পরিমাণ। সম্পর্ক হল সত্তাগুলিকে কীভাবে সংযুক্ত করা হয়: একজন গ্রাহকের অনেকগুলি অর্ডার থাকতে পারে (এক-থেকে-অনেক সম্পর্ক)।
দুটি সমালোচনামূলক মূল ধারণা আছে। প্রাথমিক কী হল সেই ক্ষেত্র যা একটি টেবিলের প্রতিটি সারিকে স্বতন্ত্রভাবে চিহ্নিত করে; যেমন CustomerID. একটি বিদেশী কী হল একটি টেবিলের একটি ক্ষেত্র যা অন্য টেবিলের প্রাথমিক কী নির্দেশ করে; অর্ডার টেবিলের গ্রাহক আইডি কোন গ্রাহকের অর্ডারটি সংযুক্ত করে। এই সংযোগগুলি রেফারেন্সিয়াল অখণ্ডতা নিশ্চিত করে: যে গ্রাহকের অস্তিত্ব নেই তার জন্য একটি অর্ডার দেওয়া যাবে না।
টিপ: যখন AI একটি ER ড্রাফ্ট তৈরি করে, তখন প্রতিটি টেবিলের জন্য প্রাথমিক কী এবং প্রতিটি সম্পর্কের জন্য বিদেশী কী-এর জন্য স্পষ্টভাবে অনুরোধ করা সহজ করে তোলে। কিন্তু প্রকৃত ব্যবসায়িক নিয়মের বিপরীতে মডেল দ্বারা প্রস্তাবিত প্রতিটি বিদেশী কী যাচাই করুন: কখনও কখনও আপনি যে সম্পর্কটিকে "এক-থেকে-অনেক" বলে মনে করেন তা আসলে "বহু-থেকে-অনেক"।
স্বাভাবিককরণ: পুনরাবৃত্তি প্রতিরোধ
নর্মালাইজেশন হল রিডানডেন্সি কমানোর প্রক্রিয়া এবং ডেটাকে লজিক্যাল টেবিলে ভাগ করে অখণ্ডতা রক্ষা করা। লক্ষ্য হল একই তথ্য এক জায়গায় রাখা। উদাহরণস্বরূপ, প্রতিটি অর্ডার লাইনে বারবার গ্রাহকের ঠিকানা টাইপ করার পরিবর্তে, আপনি ঠিকানাটি একবার গ্রাহক টেবিলে রাখুন এবং অর্ডার থেকে একটি বিদেশী কী দিয়ে লিঙ্ক করুন। এইভাবে, ঠিকানা পরিবর্তন হলে, আপনি এটি এক জায়গায় আপডেট করুন; অন্যথায়, শত শত অর্ডারের বিভিন্ন ঠিকানা থাকবে। একে আপডেট অসঙ্গতি বলা হয়।
স্বাভাবিকীকরণের বিপরীত হল অস্বাভাবিককরণ: প্রতিবেদনের গতির জন্য ইচ্ছাকৃতভাবে কিছু পুনরাবৃত্তির অনুমতি দেওয়া। ব্যবসায়িক সিস্টেমে (অপারেশনাল ডাটাবেস), স্বাভাবিককরণকে সাধারণত অগ্রাধিকার দেওয়া হয় এবং রিপোর্টিং সিস্টেমে (ডেটা গুদাম) প্রায়শই ডিনরমালাইজেশন পছন্দ করা হয়। তাই "স্বাভাবিককরণ সবসময় ভাল হয় না"; উদ্দেশ্য অনুযায়ী সিদ্ধান্ত নেওয়া হয়।
ডেটা অভিধান: সাধারণ ভাষা
ডেটা অভিধান হল একটি নথি যা প্রতিটি ক্ষেত্রের অর্থ কী, এর ধরন, সীমাবদ্ধতা এবং ব্যবসার নিয়ম নির্ধারণ করে। "স্থিতি" ক্ষেত্রের মানে কি? এটি কোন মান নিতে পারে (মুলতুবি, অনুমোদিত, বাতিল)? এটা কি বাধ্যতামূলক? এই নথি ব্যতীত, একই ক্ষেত্র বিভিন্ন দল দ্বারা ভিন্নভাবে ব্যাখ্যা করা হবে এবং প্রতিবেদনটি বিকৃত হবে। ডাটা ডিকশনারী হল সংস্থার ভাষা ফ্রাঙ্কা এবং MIS পেশাদারের সবচেয়ে মূল্যবান ডেলিভারিবলগুলির মধ্যে একটি। AI বিদ্যমান টেবিল কাঠামো থেকে দ্রুত একটি প্রাথমিক ডেটা অভিধান খসড়া বের করতে পারে; কিন্তু শুধুমাত্র সেই ডেটা ব্যবহার করে ইউনিট প্রতিটি ক্ষেত্রের প্রকৃত ব্যবসায়িক অর্থ যাচাই করে।
তিনটি মিনি কেস: সংখ্যা দ্বারা
কেস 1 - পুনরাবৃত্তির খরচ। একটি ডিস্ট্রিবিউশন কোম্পানিতে, অর্ডার এবং ইনভয়েস টেবিলে গ্রাহকের ঠিকানা আলাদাভাবে রাখা হয়েছিল। যখন একজন গ্রাহক স্থানান্তরিত হয়, ঠিকানাটি শুধুমাত্র একটি টেবিলে আপডেট করা হয়; 1,400টি চালান পুরানো ঠিকানায় গিয়েছিল এবং ফেরত দেওয়া হয়েছিল। যদি ঠিকানাটি একটি একক টেবিলে স্বাভাবিক করা হয় তবে একটি একক আপডেট যথেষ্ট হবে৷ প্রতিকার প্রকল্পের খরচ 2 সপ্তাহ।
কেস 2 - সম্পর্কের ভুল ধরন। একটি শিক্ষা প্রতিষ্ঠানের একজন এমআইএস বিশেষজ্ঞ এআই জেনারেটেড মডেলে "স্টুডেন্ট একটি ক্লাসের অন্তর্গত" (এক-থেকে-অনেক) সম্পর্ককে স্বীকার করেছেন। যাইহোক, শিক্ষার্থীরা একাধিক নির্বাচনী শ্রেণীতে ভর্তি হতে পারে; সম্পর্কটি আসলে বহু-থেকে-অনেক ছিল এবং একটি মধ্যবর্তী টেবিল (রেকর্ড) প্রয়োজন ছিল। এক শিক্ষার্থী দ্বিতীয় শ্রেণিতে ভর্তি হতে ব্যর্থ হলে মাঠে ভুলটি প্রকাশ পায়। এআই-এর পরামর্শ নিশ্চিত হলে শুরু থেকেই ধরা যেত।
কেস 3 — ডেটা অভিধানের মান। এটি নির্ধারণ করা হয়েছিল যে একটি বীমা কোম্পানির "পলিসি_স্ট্যাটাস" ক্ষেত্রটিকে 5টি ভিন্ন দল ভিন্নভাবে ব্যাখ্যা করেছে, তাই একই KPI রিপোর্টে 3টি ভিন্ন ফলাফল দিয়েছে। একটি এআই-চালিত ডেটা অভিধানের খসড়া তৈরি করে এবং ব্যবসায়িক ইউনিটের সাথে অভিন্ন চুক্তি অর্জনের মাধ্যমে, প্রতিবেদনের অসঙ্গতি দূর করা হয়েছিল এবং মাসিক পুনর্মিলন বৈঠকের সময় 60% হ্রাস করা হয়েছিল।
দুর্বল প্রম্পট / শক্তিশালী প্রম্পট
দুর্বল প্রম্পট:
একটি ই-কমার্স ডাটাবেস ডিজাইন করুন।
শক্তিশালী প্রম্পট:
আপনার ভূমিকা: আপনি একজন অভিজ্ঞ ডেটা মডেলার৷ নিম্নলিখিত ব্যবসার নিয়ম অনুসারে একটি যৌক্তিক ডেটা মডেল খসড়া করুন৷ নিয়মগুলি:- প্রতিটি সত্তার জন্য: ক্ষেত্র, প্রাথমিক কী, প্রয়োজনীয় ক্ষেত্রগুলি৷- প্রতিটি সম্পর্কের জন্য: টাইপ করুন (এক-থেকে-অনেক/অনেক-থেকে-অনেক) এবং বিদেশী কী।- বহু-থেকে-অনেকের মধ্যে মধ্যবর্তী সারণী প্রস্তাব করুন। আপনি যদি ইচ্ছাকৃত অস্বাভাবিককরণের সুপারিশ করেন তবে যুক্তিটি লিখুন।- লেবেল [নিশ্চিতকরণ আবশ্যক] যে কোনো ব্যবসায়িক নিয়ম সম্পর্কে আপনি অনিশ্চিত। ব্যবসায়িক নিয়ম:- গ্রাহক একাধিক অর্ডার দিতে পারেন।- একটি অর্ডারে একাধিক পণ্য থাকে; একটি পণ্য অনেক অর্ডারে ঘটে।- পণ্যের বিভাগ আছে।[অন্যান্য নিয়ম...]
শক্তিশালী প্রম্পট মডেল স্তর (যৌক্তিক), কী এবং সম্পর্কের নিয়ম, স্বাভাবিককরণ লক্ষ্য এবং নিশ্চিতকরণের প্রয়োজনীয় পয়েন্টগুলিকে স্পষ্ট করে।
চারটি অনুলিপিযোগ্য টেমপ্লেট
1) ডেটা অভিধান খসড়া:
একটি ডেটা অভিধান রূপরেখা টেবিলের সংজ্ঞা থেকে অনুসরণ করে। প্রতিটি ক্ষেত্রের জন্য: নাম, প্রকার, এটা কি বাধ্যতামূলক, সম্ভাব্য মান, ব্যবসার অর্থ (লেবেল[প্রেডিকশন] যদি এটি একটি ভবিষ্যদ্বাণী হয়)। টেবিল: [DDL বা ক্ষেত্রের তালিকা]
2) স্বাভাবিকীকরণ পর্যালোচনা:
নীচের টেবিলের কাঠামোতে ডুপ্লিকেট ডেটা, হালনাগাদ অসঙ্গতি এবং স্বাভাবিককরণের সুযোগের কোন ঝুঁকি আছে কি? প্রতিটি অনুসন্ধানের জন্য, এটি কোন স্বাভাবিক ফর্মটি লঙ্ঘন করে এবং আপনার পরামর্শ লিখুন। গঠন: [পাঠ্য]
3) ব্যবসায়িক নিয়ম থেকে ER খসড়া:
নিম্নলিখিত ব্যবসার নিয়মগুলিকে সত্তা, গুণাবলী এবং সম্পর্কের মধ্যে অনুবাদ করুন৷ প্রতিটি সম্পর্কের ধরন নির্দিষ্ট করুন (1-1, 1-N, N-N) এবং যদি N-N, একটি মধ্যবর্তী সারণী প্রস্তাব করুন। অস্পষ্ট নিয়ম চিহ্নিত করুন। নিয়ম: [পাঠ্য]
4) সম্পর্কের ধরন যাচাইকরণ প্রশ্ন:
নীচের ডেটা মডেলের প্রতিটি সম্পর্কের জন্য, একটি "হ্যাঁ/না" ব্যবসায়িক প্রশ্ন তৈরি করুন যা এর প্রকারের সঠিকতা পরীক্ষা করবে (যেমন, "একজন শিক্ষার্থী কি একই সময়ে একাধিক ক্লাসে নথিভুক্ত হতে পারে?")। মডেল: [পাঠ্য]
তুলনা চার্ট: মডেল স্তর
বৈশিষ্ট্য
ধারণাগত
যৌক্তিক
শারীরিক
বিস্তারিত
অন্তত
মাঝারি
সর্বাধিক
কী/সম্পর্ক
প্রধান সম্পদ
কী সংজ্ঞায়িত
সূচক/টাইপ সহ
ডাটাবেসের উপর নির্ভর করে
না
না
হ্যাঁ
লক্ষ্য দর্শক
ব্যবসা ইউনিট
বিশ্লেষক
বিকাশকারী/ডিবিএ
AI এর অবদান
খসড়া
শক্তিশালী খসড়া
খসড়া, DBA নিশ্চিতকরণ
সাধারণ ভুল
- বহু-থেকে-অনেক সম্পর্ককে এক-থেকে-বহু হিসাবে ভাবা। এটি সবচেয়ে সাধারণ মডেলিং ত্রুটি; যদি মধ্যবর্তী টেবিলটি ভুলে যায় তবে সিস্টেমটি প্রকৃত অবস্থা রাখতে পারে না।
- সবকিছু এক টেবিলে রাখা। "সরলতা" এর জন্য একটি টেবিলে সমস্ত ক্ষেত্র একত্রিত করা সদৃশ এবং আপডেটের অসঙ্গতি তৈরি করে।
- একটি ডেটা অভিধান লিখছেন না। একই KPI বিভিন্ন ফলাফল দেয় যখন ক্ষেত্রের অর্থ মনে থাকে।
- ডেটা প্রকার এবং সীমাবদ্ধতার বিষয়ে AI-এর সুপারিশকে অন্ধভাবে বিশ্বাস করা। মডেল একটি "যথেষ্ট বড়" এলাকা সুপারিশ করতে পারে; ব্যবসার নিয়ম প্রকৃত সীমা নির্ধারণ করে (যেমন TR আইডি 11 সংখ্যা)।
- সম্পূর্ণ স্বাভাবিকীকরণ। রিপোর্টিং স্তরে অত্যধিক স্বাভাবিকীকরণ ক্যোয়ারীকে ধীর করে দেয়; উদ্দেশ্য প্রেক্ষাপটের উপর নির্ভর করে পরিবর্তিত হয়।
সতর্কতা: কৃত্রিম বুদ্ধিমত্তা এমন মডেল তৈরি করতে পারে যা দেখতে সুন্দর কিন্তু ব্যবসার নিয়ম লঙ্ঘন করে। মডেল দ্বারা প্রস্তাবিত প্রতিটি সম্পর্কের জন্য, প্রশ্ন "এটি সত্যিই এই মত?" একটি ব্যবসা প্রশ্ন জিজ্ঞাসা করুন. ডেটা মডেল সিস্টেমের কঙ্কাল; কঙ্কালের একটি ফ্র্যাকচার পরে মেরামত করা খুব কঠিন।
সংক্ষেপে
ডেটা মডেলিং হল সত্তা, বৈশিষ্ট্য এবং সম্পর্কের সাথে ব্যবসায়িক তথ্য গঠনের প্রক্রিয়া এবং ধারণাগত, যৌক্তিক এবং শারীরিক স্তরে এগিয়ে যায়। প্রাথমিক এবং বিদেশী কী রেফারেন্সিয়াল অখণ্ডতা নিশ্চিত করে; স্বাভাবিকীকরণ পুনরাবৃত্তি হ্রাস করে, কিন্তু উদ্দেশ্যের উপর নির্ভর করে অস্বাভাবিককরণও বৈধ। তথ্য অভিধান সংস্থার সাধারণ ভাষা। এআই ইআর ড্রাফ্ট, ডেটা অভিধান এবং স্বাভাবিকীকরণ পর্যালোচনা তৈরিতে উল্লেখযোগ্য গতি প্রদান করে; যাইহোক, সম্পর্কের ধরন, ডেটা টাইপ এবং ব্যবসার শব্দার্থ অবশ্যই প্রকৃত ব্যবসার নিয়মের বিপরীতে নিশ্চিত করতে হবে। মডেলটি ভাল দেখায় তার মানে এই নয় যে এটি সঠিক।
আবেদন টাস্ক
একটি "লাইব্রেরি ঋণ ব্যবস্থা" বিবেচনা করুন: সদস্য, বই, ঋণ রেকর্ড। (1) শক্তিশালী প্রম্পট দ্বারা উত্পাদিত একটি যৌক্তিক মডেল খসড়া আছে। (2) মডেলটি যে ধরণের সম্পর্কের পরামর্শ দেয় তা পরীক্ষা করুন (বিশেষত, "একজন সদস্যের কি একই বইয়ের একাধিক কপি থাকতে পারে?") একটি ব্যবসায়িক প্রশ্নের সাথে। (3) কমপক্ষে একটি বহু-থেকে-অনেক সম্পর্ক খুঁজুন এবং একটি মধ্যবর্তী সারণী সংজ্ঞায়িত করুন। (4) কমপক্ষে 4টি ক্ষেত্রের জন্য ডেটা অভিধান লাইন লিখুন (নাম, প্রকার, বাধ্যতামূলক, ব্যবসার অর্থ)। (5) মডেলটি লাগানো থাকতে পারে এমন একটি সীমাবদ্ধতা হাইলাইট করুন এবং আপনি কীভাবে এটি যাচাই করবেন তা ব্যাখ্যা করুন।
চেকলিস্ট
- [ ] প্রতিটি টেবিলের প্রাথমিক কী সংজ্ঞায়িত করা হয়।
- [ ] আমি ব্যবসায়িক প্রশ্নের সাথে প্রতিটি সম্পর্কের ধরন যাচাই করেছি।
- আমি বহু-থেকে-অনেক সম্পর্কের জন্য একটি মধ্যবর্তী সারণী সংজ্ঞায়িত করেছি।
- [ ] আমি নকল ডেটার অস্বাভাবিককরণকে স্বাভাবিক বা ন্যায্যতা দিয়েছি।
- আমি সমালোচনামূলক ক্ষেত্রের জন্য একটি ডেটা অভিধান লাইন লিখেছি।
- [ ] আমি ব্যবসায়িক নিয়মের বিরুদ্ধে AI এর ডেটা টাইপ/সীমাবদ্ধতার পরামর্শগুলি নিশ্চিত করেছি৷