ਡੇਟਾ ਮਾਡਲਿੰਗ, ਡੇਟਾ ਡਿਕਸ਼ਨਰੀ ਅਤੇ ਐਂਟਰਪ੍ਰਾਈਜ਼ ਡੇਟਾ ਆਰਕੀਟੈਕਚਰ

ਲਾਭ:

• ਨਕਲੀ ਬੁੱਧੀ ਦੇ ਸਮਰਥਨ ਨਾਲ ਸੰਕਲਪਿਕ, ਲਾਜ਼ੀਕਲ ਅਤੇ ਭੌਤਿਕ ਡੇਟਾ ਮਾਡਲਾਂ ਅਤੇ ਸਧਾਰਣਕਰਨ ਸੰਕਲਪਾਂ ਦੀ ਵਿਆਖਿਆ ਕਰਨ ਅਤੇ ਇਕਾਈ-ਰਿਲੇਸ਼ਨਸ਼ਿਪ ਡਰਾਫਟ ਤਿਆਰ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
• ਸਟ੍ਰਕਚਰਡ ਪ੍ਰੋਂਪਟ ਦੇ ਨਾਲ ਡੇਟਾ ਡਿਕਸ਼ਨਰੀ, ਵਪਾਰਕ ਨਿਯਮ ਅਤੇ ਟੇਬਲ ਸਬੰਧਾਂ ਦਾ ਖਰੜਾ ਤਿਆਰ ਕਰਨ ਅਤੇ ਅਸਲ ਸਿਸਟਮ ਦੇ ਵਿਰੁੱਧ ਉਹਨਾਂ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
• ਅਖੰਡਤਾ, ਇਕਵਚਨਤਾ ਅਤੇ ਵਪਾਰਕ ਨਿਯਮ ਦੀ ਪਾਲਣਾ ਦੇ ਰੂਪ ਵਿੱਚ AI-ਤਿਆਰ ਸਕੀਮਾ ਸੁਝਾਵਾਂ ਦਾ ਆਲੋਚਨਾਤਮਕ ਮੁਲਾਂਕਣ ਕਰਨ ਦੀ ਸਮਰੱਥਾ।

ਇੱਕ ਸੂਚਨਾ ਪ੍ਰਣਾਲੀ ਲਾਜ਼ਮੀ ਤੌਰ 'ਤੇ ਇੱਕ ਢਾਂਚਾ ਹੈ ਜੋ ਡੇਟਾ ਨੂੰ ਸੰਗਠਿਤ ਰੱਖਦਾ ਹੈ। ਡੇਟਾ ਮਾਡਲਿੰਗ ਇੱਕ ਕਾਰੋਬਾਰ ਦੇ ਤੱਥਾਂ (ਗਾਹਕ, ਆਰਡਰ, ਉਤਪਾਦ, ਇਨਵੌਇਸ) ਅਤੇ ਇੱਕ ਦੂਜੇ ਨਾਲ ਉਹਨਾਂ ਦੇ ਸਬੰਧਾਂ ਨੂੰ ਇੱਕ ਢਾਂਚਾਗਤ ਤਰੀਕੇ ਨਾਲ ਡਿਜ਼ਾਈਨ ਕਰਨ ਦਾ ਕੰਮ ਹੈ। ਇੱਕ ਚੰਗਾ ਡੇਟਾ ਮਾਡਲ ਸਟੀਕ ਰਿਪੋਰਟਿੰਗ, ਤੇਜ਼ ਸਵਾਲਾਂ ਅਤੇ ਇਕਸਾਰ ਡੇਟਾ ਦੀ ਬੁਨਿਆਦ ਹੈ; ਇੱਕ ਮਾੜਾ ਮਾਡਲ ਸਾਲਾਂ ਦੀ ਅਸੰਗਤਤਾ ਅਤੇ ਦੁਹਰਾਉਣ ਵਾਲੇ ਸੁਧਾਰ ਦੇ ਕੰਮ ਦਾ ਸਰੋਤ ਹੈ। ਜ਼ਿਆਦਾਤਰ ਸਮਾਂ, MIS ਪੇਸ਼ੇਵਰ ਮਾਡਲ ਨੂੰ ਸਕ੍ਰੈਚ ਤੋਂ ਕੋਡ ਨਹੀਂ ਕਰਦਾ ਹੈ, ਪਰ ਇਹ ਪੁਸ਼ਟੀ ਕਰਦਾ ਹੈ ਕਿ ਮਾਡਲ ਵਪਾਰਕ ਨਿਯਮਾਂ ਦੀ ਪਾਲਣਾ ਕਰਦਾ ਹੈ ਅਤੇ ਵਪਾਰਕ ਇਕਾਈ ਅਤੇ IT ਵਿਚਕਾਰ ਮਾਡਲ ਦਾ ਅਨੁਵਾਦ ਕਰਦਾ ਹੈ।

ਡੇਟਾ ਮਾਡਲਿੰਗ ਐਬਸਟਰੈਕਸ਼ਨ ਦੇ ਤਿੰਨ ਪੱਧਰਾਂ 'ਤੇ ਅੱਗੇ ਵਧਦੀ ਹੈ। ਸੰਕਲਪਿਕ ਮਾਡਲ (ਅੰਗਰੇਜ਼ੀ ਸੰਕਲਪਿਕ) ਸਭ ਤੋਂ ਉੱਚਾ ਪੱਧਰ ਹੈ: ਕਿਹੜੀਆਂ ਮੁੱਖ ਸੰਸਥਾਵਾਂ ਮੌਜੂਦ ਹਨ ਅਤੇ ਉਹ ਕਿਵੇਂ ਸਬੰਧਤ ਹਨ? "ਗਾਹਕ ਇੱਕ ਆਰਡਰ ਦਿੰਦਾ ਹੈ, ਆਰਡਰ ਵਿੱਚ ਉਤਪਾਦ ਸ਼ਾਮਲ ਹੁੰਦਾ ਹੈ." ਕੋਈ ਤਕਨੀਕੀ ਵੇਰਵੇ ਨਹੀਂ ਹਨ। ਲਾਜ਼ੀਕਲ ਮਾਡਲ ਹਰੇਕ ਇਕਾਈ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ (ਫੀਲਡਾਂ), ਕੁੰਜੀਆਂ ਅਤੇ ਸਬੰਧ ਕਿਸਮਾਂ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਦਾ ਹੈ; ਪਰ ਇਹ ਅਜੇ ਵੀ ਕਿਸੇ ਖਾਸ ਡੇਟਾਬੇਸ ਉਤਪਾਦ ਨਾਲ ਜੁੜਿਆ ਨਹੀਂ ਹੈ। ਭੌਤਿਕ ਮਾਡਲ (ਅੰਗਰੇਜ਼ੀ ਭੌਤਿਕ) ਇੱਕ ਖਾਸ ਡੇਟਾਬੇਸ (ਜਿਵੇਂ ਕਿ SQL ਸਰਵਰ, PostgreSQL) ਵਿੱਚ ਟੇਬਲਾਂ, ਡੇਟਾ ਕਿਸਮਾਂ ਅਤੇ ਸੂਚਕਾਂਕ ਦਾ ਠੋਸ ਸੰਸਕਰਣ ਹੈ। ਇਹ ਤਿੰਨੇ ਪੱਧਰ ਇੱਕੋ ਵਿਚਾਰ ਦੇ ਵਧਦੇ ਵਿਸਤ੍ਰਿਤ ਰੂਪ ਹਨ।

ਹਸਤੀ-ਸਬੰਧ ਅਤੇ ਕੁੰਜੀਆਂ

ਡੇਟਾ ਮਾਡਲ ਦੀ ਮੂਲ ਭਾਸ਼ਾ ਇਕਾਈ-ਰਿਲੇਸ਼ਨਸ਼ਿਪ (ER) ਮਾਡਲ ਹੈ। ਹਸਤੀ ਨੂੰ ਇੱਕ ਸਾਰਣੀ ਦੇ ਰੂਪ ਵਿੱਚ ਸੋਚਿਆ ਜਾ ਸਕਦਾ ਹੈ: ਗਾਹਕ, ਆਰਡਰ। ਵਿਸ਼ੇਸ਼ਤਾ ਸਾਰਣੀ ਦਾ ਕਾਲਮ ਹੈ: ਨਾਮ, ਈਮੇਲ, ਰਕਮ। ਰਿਸ਼ਤਾ ਇਹ ਹੈ ਕਿ ਇਕਾਈਆਂ ਕਿਵੇਂ ਜੁੜੀਆਂ ਹਨ: ਇੱਕ ਗਾਹਕ ਦੇ ਕਈ ਆਰਡਰ ਹੋ ਸਕਦੇ ਹਨ (ਇੱਕ ਤੋਂ ਕਈ ਸਬੰਧ)।

ਦੋ ਮਹੱਤਵਪੂਰਨ ਮੁੱਖ ਧਾਰਨਾਵਾਂ ਹਨ। ਪ੍ਰਾਇਮਰੀ ਕੁੰਜੀ ਉਹ ਖੇਤਰ ਹੈ ਜੋ ਇੱਕ ਸਾਰਣੀ ਵਿੱਚ ਹਰੇਕ ਕਤਾਰ ਦੀ ਵਿਲੱਖਣ ਪਛਾਣ ਕਰਦਾ ਹੈ; ਉਦਾਹਰਨ ਲਈ CustomerID। ਇੱਕ ਵਿਦੇਸ਼ੀ ਕੁੰਜੀ ਇੱਕ ਸਾਰਣੀ ਵਿੱਚ ਇੱਕ ਖੇਤਰ ਹੈ ਜੋ ਕਿਸੇ ਹੋਰ ਸਾਰਣੀ ਦੀ ਪ੍ਰਾਇਮਰੀ ਕੁੰਜੀ ਵੱਲ ਇਸ਼ਾਰਾ ਕਰਦੀ ਹੈ; ਆਰਡਰ ਟੇਬਲ ਵਿੱਚ ਗਾਹਕ ID ਨੂੰ ਜੋੜਦਾ ਹੈ ਕਿ ਇਹ ਕਿਸ ਗਾਹਕ ਦਾ ਆਰਡਰ ਹੈ। ਇਹ ਕਨੈਕਸ਼ਨ ਰੈਫਰੈਂਸ਼ੀਅਲ ਇਕਸਾਰਤਾ ਨੂੰ ਯਕੀਨੀ ਬਣਾਉਂਦੇ ਹਨ: ਕਿਸੇ ਅਜਿਹੇ ਗਾਹਕ ਲਈ ਆਰਡਰ ਨਹੀਂ ਦਿੱਤਾ ਜਾ ਸਕਦਾ ਜੋ ਮੌਜੂਦ ਨਹੀਂ ਹੈ।

ਸੰਕੇਤ: ਜਦੋਂ AI ਦੁਆਰਾ ਇੱਕ ER ਡਰਾਫਟ ਤਿਆਰ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਇਹ ਸਪੱਸ਼ਟ ਤੌਰ 'ਤੇ ਹਰੇਕ ਸਾਰਣੀ ਲਈ ਪ੍ਰਾਇਮਰੀ ਕੁੰਜੀ ਅਤੇ ਹਰੇਕ ਰਿਸ਼ਤੇ ਲਈ ਵਿਦੇਸ਼ੀ ਕੁੰਜੀ ਦੀ ਬੇਨਤੀ ਕਰਨਾ ਆਸਾਨ ਬਣਾਉਂਦਾ ਹੈ। ਪਰ ਅਸਲ ਵਪਾਰਕ ਨਿਯਮ ਦੇ ਵਿਰੁੱਧ ਮਾਡਲ ਦੁਆਰਾ ਸੁਝਾਏ ਗਏ ਹਰੇਕ ਵਿਦੇਸ਼ੀ ਕੁੰਜੀ ਦੀ ਪੁਸ਼ਟੀ ਕਰੋ: ਕਈ ਵਾਰੀ ਰਿਸ਼ਤਾ ਜੋ ਤੁਸੀਂ ਸੋਚਦੇ ਹੋ "ਇੱਕ-ਤੋਂ-ਬਹੁਤ" ਅਸਲ ਵਿੱਚ "ਬਹੁਤ-ਤੋਂ-ਬਹੁਤ" ਹੁੰਦਾ ਹੈ।

ਸਧਾਰਣਕਰਨ: ਆਵਰਤੀ ਨੂੰ ਰੋਕਣਾ

ਸਧਾਰਣਕਰਨ ਡੇਟਾ ਨੂੰ ਲਾਜ਼ੀਕਲ ਟੇਬਲ ਵਿੱਚ ਵੰਡ ਕੇ ਰਿਡੰਡੈਂਸੀ ਨੂੰ ਘਟਾਉਣ ਅਤੇ ਅਖੰਡਤਾ ਨੂੰ ਸੁਰੱਖਿਅਤ ਰੱਖਣ ਦੀ ਪ੍ਰਕਿਰਿਆ ਹੈ। ਟੀਚਾ ਇੱਕੋ ਜਾਣਕਾਰੀ ਨੂੰ ਇੱਕ ਥਾਂ 'ਤੇ ਰੱਖਣਾ ਹੈ। ਉਦਾਹਰਨ ਲਈ, ਹਰੇਕ ਆਰਡਰ ਲਾਈਨ ਵਿੱਚ ਗਾਹਕ ਦਾ ਪਤਾ ਵਾਰ-ਵਾਰ ਟਾਈਪ ਕਰਨ ਦੀ ਬਜਾਏ, ਤੁਸੀਂ ਇੱਕ ਵਾਰ ਗਾਹਕ ਸਾਰਣੀ ਵਿੱਚ ਪਤੇ ਨੂੰ ਰੱਖੋ ਅਤੇ ਇਸਨੂੰ ਆਰਡਰ ਤੋਂ ਇੱਕ ਵਿਦੇਸ਼ੀ ਕੁੰਜੀ ਨਾਲ ਲਿੰਕ ਕਰੋ। ਇਸ ਤਰ੍ਹਾਂ, ਜਦੋਂ ਪਤਾ ਬਦਲਦਾ ਹੈ, ਤਾਂ ਤੁਸੀਂ ਇਸਨੂੰ ਇੱਕ ਥਾਂ 'ਤੇ ਅਪਡੇਟ ਕਰਦੇ ਹੋ; ਨਹੀਂ ਤਾਂ, ਸੈਂਕੜੇ ਆਰਡਰਾਂ ਦੇ ਵੱਖੋ ਵੱਖਰੇ ਪਤੇ ਹੋਣਗੇ. ਇਸ ਨੂੰ ਅੱਪਡੇਟ ਅਨੌਮਲੀ ਕਿਹਾ ਜਾਂਦਾ ਹੈ।

ਸਧਾਰਣਕਰਨ ਦੇ ਉਲਟ ਡੀਨਰਮਲਾਈਜ਼ੇਸ਼ਨ ਹੈ: ਰਿਪੋਰਟਿੰਗ ਸਪੀਡ ਦੀ ਖ਼ਾਤਰ ਜਾਣਬੁੱਝ ਕੇ ਕੁਝ ਦੁਹਰਾਓ ਦੀ ਆਗਿਆ ਦੇਣਾ। ਕਾਰੋਬਾਰੀ ਪ੍ਰਣਾਲੀਆਂ (ਕਾਰਜਸ਼ੀਲ ਡੇਟਾਬੇਸ) ਵਿੱਚ, ਆਮ ਤੌਰ 'ਤੇ ਸਧਾਰਣਕਰਨ ਨੂੰ ਤਰਜੀਹ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ, ਅਤੇ ਰਿਪੋਰਟਿੰਗ ਪ੍ਰਣਾਲੀਆਂ (ਡੇਟਾ ਵੇਅਰਹਾਊਸ) ਵਿੱਚ, ਆਮ ਤੌਰ 'ਤੇ ਡੀਨਰਮਲਾਈਜ਼ੇਸ਼ਨ ਨੂੰ ਤਰਜੀਹ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਲਈ "ਸਧਾਰਨਕਰਨ ਹਮੇਸ਼ਾ ਚੰਗਾ ਨਹੀਂ ਹੁੰਦਾ"; ਉਦੇਸ਼ ਅਨੁਸਾਰ ਫੈਸਲਾ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।

ਡੇਟਾ ਡਿਕਸ਼ਨਰੀ: ਆਮ ਭਾਸ਼ਾ

ਡੇਟਾ ਡਿਕਸ਼ਨਰੀ ਇੱਕ ਦਸਤਾਵੇਜ਼ ਹੈ ਜੋ ਪਰਿਭਾਸ਼ਿਤ ਕਰਦਾ ਹੈ ਕਿ ਹਰੇਕ ਖੇਤਰ ਦਾ ਕੀ ਅਰਥ ਹੈ, ਇਸਦੀ ਕਿਸਮ, ਰੁਕਾਵਟਾਂ ਅਤੇ ਵਪਾਰਕ ਨਿਯਮ। "ਸਥਿਤੀ" ਖੇਤਰ ਦਾ ਕੀ ਅਰਥ ਹੈ? ਇਹ ਕਿਹੜੇ ਮੁੱਲ ਲੈ ਸਕਦਾ ਹੈ (ਬਕਾਇਆ, ਮਨਜ਼ੂਰ, ਰੱਦ)? ਕੀ ਇਹ ਲਾਜ਼ਮੀ ਹੈ? ਇਸ ਦਸਤਾਵੇਜ਼ ਤੋਂ ਬਿਨਾਂ, ਇੱਕੋ ਖੇਤਰ ਦੀ ਵੱਖ-ਵੱਖ ਟੀਮਾਂ ਦੁਆਰਾ ਵੱਖ-ਵੱਖ ਵਿਆਖਿਆ ਕੀਤੀ ਜਾਵੇਗੀ ਅਤੇ ਰਿਪੋਰਟ ਨੂੰ ਵਿਗਾੜ ਦਿੱਤਾ ਜਾਵੇਗਾ। ਡੇਟਾ ਡਿਕਸ਼ਨਰੀ ਸੰਸਥਾ ਦਾ ਭਾਸ਼ਾਈ ਫਰੈਂਕਾ ਹੈ ਅਤੇ MIS ਪੇਸ਼ਾਵਰ ਦੇ ਸਭ ਤੋਂ ਕੀਮਤੀ ਡਿਲੀਵਰੇਬਲ ਵਿੱਚੋਂ ਇੱਕ ਹੈ। AI ਮੌਜੂਦਾ ਟੇਬਲ ਢਾਂਚੇ ਤੋਂ ਇੱਕ ਸ਼ੁਰੂਆਤੀ ਡੇਟਾ ਡਿਕਸ਼ਨਰੀ ਡਰਾਫਟ ਨੂੰ ਤੇਜ਼ੀ ਨਾਲ ਐਕਸਟਰੈਕਟ ਕਰ ਸਕਦਾ ਹੈ; ਪਰ ਉਸ ਡੇਟਾ ਦੀ ਵਰਤੋਂ ਕਰਨ ਵਾਲੀ ਇਕਾਈ ਹੀ ਹਰੇਕ ਖੇਤਰ ਦੇ ਅਸਲ ਵਪਾਰਕ ਅਰਥਾਂ ਦੀ ਪੁਸ਼ਟੀ ਕਰਦੀ ਹੈ।

ਤਿੰਨ ਮਿੰਨੀ ਕੇਸ: ਨੰਬਰ ਦੁਆਰਾ

ਕੇਸ 1 - ਦੁਹਰਾਉਣ ਦੀ ਕੀਮਤ। ਇੱਕ ਡਿਸਟ੍ਰੀਬਿਊਸ਼ਨ ਕੰਪਨੀ ਵਿੱਚ, ਗਾਹਕ ਦਾ ਪਤਾ ਆਰਡਰ ਅਤੇ ਇਨਵੌਇਸ ਟੇਬਲ ਦੋਵਾਂ ਵਿੱਚ ਵੱਖਰੇ ਤੌਰ 'ਤੇ ਰੱਖਿਆ ਗਿਆ ਸੀ। ਜਦੋਂ ਇੱਕ ਗਾਹਕ ਚਲੇ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਪਤਾ ਸਿਰਫ਼ ਇੱਕ ਸਾਰਣੀ ਵਿੱਚ ਅੱਪਡੇਟ ਕੀਤਾ ਗਿਆ ਸੀ; 1,400 ਚਲਾਨ ਪੁਰਾਣੇ ਪਤੇ 'ਤੇ ਗਏ ਅਤੇ ਵਾਪਸ ਕੀਤੇ ਗਏ। ਜੇਕਰ ਪਤਾ ਇੱਕ ਸਿੰਗਲ ਟੇਬਲ ਵਿੱਚ ਸਧਾਰਣ ਕੀਤਾ ਗਿਆ ਸੀ, ਤਾਂ ਇੱਕ ਸਿੰਗਲ ਅੱਪਡੇਟ ਕਾਫ਼ੀ ਹੋਵੇਗਾ। ਸੁਧਾਰ ਪ੍ਰੋਜੈਕਟ ਦੀ ਲਾਗਤ 2 ਹਫ਼ਤੇ ਹੈ।

ਕੇਸ 2 - ਰਿਸ਼ਤੇ ਦੀ ਗਲਤ ਕਿਸਮ। ਇੱਕ ਵਿਦਿਅਕ ਸੰਸਥਾ ਵਿੱਚ ਇੱਕ MIS ਮਾਹਰ ਨੇ AI ਤਿਆਰ ਕੀਤੇ ਮਾਡਲ ਵਿੱਚ "ਵਿਦਿਆਰਥੀ ਇੱਕ ਕਲਾਸ ਨਾਲ ਸਬੰਧਿਤ ਹੈ" (ਇੱਕ-ਤੋਂ-ਕਈ) ਰਿਸ਼ਤੇ ਨੂੰ ਸਵੀਕਾਰ ਕੀਤਾ। ਹਾਲਾਂਕਿ, ਵਿਦਿਆਰਥੀ ਇੱਕ ਤੋਂ ਵੱਧ ਚੋਣਵੇਂ ਕਲਾਸਾਂ ਵਿੱਚ ਦਾਖਲਾ ਲੈ ਸਕਦੇ ਹਨ; ਰਿਸ਼ਤਾ ਅਸਲ ਵਿੱਚ ਕਈ-ਤੋਂ-ਬਹੁਤ ਸੀ ਅਤੇ ਇੱਕ ਇੰਟਰਮੀਡੀਏਟ ਟੇਬਲ (ਰਿਕਾਰਡ) ਦੀ ਲੋੜ ਸੀ। ਇਸ ਗਲਤੀ ਦਾ ਖੁਲਾਸਾ ਉਸ ਸਮੇਂ ਹੋਇਆ ਜਦੋਂ ਇੱਕ ਵਿਦਿਆਰਥੀ ਦੂਜੀ ਜਮਾਤ ਵਿੱਚ ਦਾਖਲਾ ਲੈਣ ਵਿੱਚ ਅਸਫਲ ਰਿਹਾ। ਜੇ ਏਆਈ ਦੇ ਸੁਝਾਅ ਦੀ ਪੁਸ਼ਟੀ ਕੀਤੀ ਗਈ ਸੀ, ਤਾਂ ਇਹ ਸ਼ੁਰੂ ਤੋਂ ਹੀ ਫੜਿਆ ਜਾਣਾ ਸੀ.

ਕੇਸ 3 — ਡੇਟਾ ਡਿਕਸ਼ਨਰੀ ਦਾ ਮੁੱਲ। ਇਹ ਨਿਰਧਾਰਿਤ ਕੀਤਾ ਗਿਆ ਸੀ ਕਿ ਇੱਕ ਬੀਮਾ ਕੰਪਨੀ ਵਿੱਚ "ਪਾਲਿਸੀ_ਸਟੇਟਸ" ਫੀਲਡ ਨੂੰ 5 ਵੱਖ-ਵੱਖ ਟੀਮਾਂ ਦੁਆਰਾ ਵੱਖਰੇ ਢੰਗ ਨਾਲ ਵਿਆਖਿਆ ਕੀਤੀ ਗਈ ਸੀ, ਇਸਲਈ ਇੱਕੋ KPI ਨੇ ਰਿਪੋਰਟਾਂ ਵਿੱਚ 3 ਵੱਖ-ਵੱਖ ਨਤੀਜੇ ਦਿੱਤੇ। ਇੱਕ AI-ਸੰਚਾਲਿਤ ਡੇਟਾ ਡਿਕਸ਼ਨਰੀ ਦਾ ਖਰੜਾ ਤਿਆਰ ਕਰਕੇ ਅਤੇ ਵਪਾਰਕ ਇਕਾਈ ਨਾਲ ਇਕਸਾਰ ਸਮਝੌਤਾ ਪ੍ਰਾਪਤ ਕਰਕੇ, ਰਿਪੋਰਟ ਦੀ ਅਸੰਗਤਤਾ ਨੂੰ ਖਤਮ ਕੀਤਾ ਗਿਆ ਸੀ ਅਤੇ ਮਾਸਿਕ ਸੁਲ੍ਹਾ-ਸਫਾਈ ਮੀਟਿੰਗ ਦਾ ਸਮਾਂ 60% ਘਟਾ ਦਿੱਤਾ ਗਿਆ ਸੀ।

ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ

ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ:

ਇੱਕ ਈ-ਕਾਮਰਸ ਡੇਟਾਬੇਸ ਡਿਜ਼ਾਈਨ ਕਰੋ।

ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰਾਉਟ:

ਤੁਹਾਡੀ ਭੂਮਿਕਾ: ਤੁਸੀਂ ਇੱਕ ਤਜਰਬੇਕਾਰ ਡੇਟਾ ਮਾਡਲਰ ਹੋ। ਨਿਮਨਲਿਖਤ ਵਪਾਰਕ ਨਿਯਮਾਂ ਦੇ ਅਨੁਸਾਰ ਇੱਕ ਲਾਜ਼ੀਕਲ ਡੇਟਾ ਮਾਡਲ ਦਾ ਖਰੜਾ ਤਿਆਰ ਕਰੋ। ਨਿਯਮ:- ਹਰੇਕ ਇਕਾਈ ਲਈ: ਖੇਤਰ, ਪ੍ਰਾਇਮਰੀ ਕੁੰਜੀ, ਲੋੜੀਂਦੇ ਖੇਤਰ।- ਹਰੇਕ ਰਿਸ਼ਤੇ ਲਈ: ਟਾਈਪ ਕਰੋ (ਇੱਕ ਤੋਂ ਕਈ / ਕਈ-ਤੋਂ-ਕਈ) ਅਤੇ ਵਿਦੇਸ਼ੀ ਕੁੰਜੀ।- ਕਈ-ਤੋਂ-ਕਈ-ਤੋਂ-ਕਈ ਸਬੰਧਾਂ ਵਿੱਚ ਵਿਚਕਾਰਲੀ ਸਾਰਣੀ ਦਾ ਪ੍ਰਸਤਾਵ ਕਰੋ। ਜੇਕਰ ਤੁਸੀਂ ਜਾਣਬੁੱਝ ਕੇ ਅਸਧਾਰਨਕਰਨ ਦੀ ਸਿਫ਼ਾਰਿਸ਼ ਕਰਦੇ ਹੋ, ਤਾਂ ਤਰਕ ਲਿਖੋ।- ਲੇਬਲ [ਪੁਸ਼ਟੀ ਦੀ ਲੋੜ] ਕਿਸੇ ਵੀ ਕਾਰੋਬਾਰੀ ਨਿਯਮ ਜਿਸ ਬਾਰੇ ਤੁਸੀਂ ਅਨਿਸ਼ਚਿਤ ਹੋ। ਵਪਾਰਕ ਨਿਯਮ:- ਗਾਹਕ ਕਈ ਆਰਡਰ ਦੇ ਸਕਦਾ ਹੈ।- ਇੱਕ ਆਰਡਰ ਵਿੱਚ ਕਈ ਉਤਪਾਦ ਸ਼ਾਮਲ ਹੁੰਦੇ ਹਨ; ਇੱਕ ਉਤਪਾਦ ਕਈ ਆਰਡਰਾਂ ਵਿੱਚ ਹੁੰਦਾ ਹੈ।- ਉਤਪਾਦਾਂ ਦੀਆਂ ਸ਼੍ਰੇਣੀਆਂ ਹੁੰਦੀਆਂ ਹਨ।[ਹੋਰ ਨਿਯਮ...]

ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰੋਂਪਟ ਮਾਡਲ ਪੱਧਰ (ਲਾਜ਼ੀਕਲ), ਕੁੰਜੀ ਅਤੇ ਸਬੰਧ ਨਿਯਮਾਂ, ਸਧਾਰਣਕਰਨ ਟੀਚੇ, ਅਤੇ ਪੁਸ਼ਟੀਕਰਨ ਦੀ ਲੋੜ ਵਾਲੇ ਬਿੰਦੂਆਂ ਨੂੰ ਸਪੱਸ਼ਟ ਕਰਦਾ ਹੈ।

ਚਾਰ ਕਾਪੀ ਕਰਨ ਯੋਗ ਨਮੂਨੇ

1) ਡੇਟਾ ਡਿਕਸ਼ਨਰੀ ਡਰਾਫਟ:

ਇੱਕ ਡੇਟਾ ਡਿਕਸ਼ਨਰੀ ਰੂਪਰੇਖਾ ਸਾਰਣੀ ਪਰਿਭਾਸ਼ਾ ਤੋਂ ਹੇਠਾਂ ਆਉਂਦੀ ਹੈ। ਹਰੇਕ ਖੇਤਰ ਲਈ: ਨਾਮ, ਕਿਸਮ, ਕੀ ਇਹ ਲਾਜ਼ਮੀ ਹੈ, ਸੰਭਵ ਮੁੱਲ, ਵਪਾਰਕ ਅਰਥ (ਲੇਬਲ[ਪੂਰਵ-ਅਨੁਮਾਨ] ਜੇਕਰ ਇਹ ਇੱਕ ਭਵਿੱਖਬਾਣੀ ਹੈ)। ਸਾਰਣੀ: [DDL ਜਾਂ ਖੇਤਰ ਸੂਚੀ]

2) ਸਧਾਰਨਕਰਨ ਸਮੀਖਿਆ:

ਕੀ ਹੇਠਾਂ ਦਿੱਤੀ ਸਾਰਣੀ ਬਣਤਰ ਵਿੱਚ ਡੁਪਲੀਕੇਟ ਡੇਟਾ, ਅੱਪਡੇਟ ਵਿਗਾੜ, ਅਤੇ ਸਧਾਰਣਕਰਨ ਦੇ ਮੌਕੇ ਦਾ ਕੋਈ ਖਤਰਾ ਹੈ? ਹਰੇਕ ਖੋਜ ਲਈ, ਇਹ ਲਿਖੋ ਕਿ ਇਹ ਕਿਸ ਸਧਾਰਨ ਰੂਪ ਦੀ ਉਲੰਘਣਾ ਕਰਦਾ ਹੈ ਅਤੇ ਤੁਹਾਡਾ ਸੁਝਾਅ। ਬਣਤਰ: [ਟੈਕਸਟ]

3) ਕਾਰੋਬਾਰੀ ਨਿਯਮ ਤੋਂ ER ਡਰਾਫਟ:

ਨਿਮਨਲਿਖਤ ਵਪਾਰਕ ਨਿਯਮਾਂ ਨੂੰ ਇਕਾਈਆਂ, ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਅਤੇ ਸਬੰਧਾਂ ਵਿੱਚ ਅਨੁਵਾਦ ਕਰੋ। ਹਰੇਕ ਰਿਸ਼ਤੇ ਦੀ ਕਿਸਮ (1-1, 1-N, N-N) ਨਿਰਧਾਰਤ ਕਰੋ ਅਤੇ ਜੇਕਰ N-N ਹੈ, ਤਾਂ ਇੱਕ ਵਿਚਕਾਰਲੀ ਸਾਰਣੀ ਦਾ ਸੁਝਾਅ ਦਿਓ। ਅਸਪਸ਼ਟ ਨਿਯਮਾਂ ਨੂੰ ਚਿੰਨ੍ਹਿਤ ਕਰੋ। ਨਿਯਮ: [ਟੈਕਸਟ]

4) ਰਿਸ਼ਤੇ ਦੀ ਕਿਸਮ ਪੁਸ਼ਟੀਕਰਨ ਸਵਾਲ:

ਹੇਠਾਂ ਦਿੱਤੇ ਡੇਟਾ ਮਾਡਲ ਵਿੱਚ ਹਰੇਕ ਰਿਸ਼ਤੇ ਲਈ, ਇੱਕ "ਹਾਂ/ਨਹੀਂ" ਕਾਰੋਬਾਰੀ ਸਵਾਲ ਤਿਆਰ ਕਰੋ ਜੋ ਇਸਦੀ ਕਿਸਮ ਦੀ ਸ਼ੁੱਧਤਾ ਦੀ ਜਾਂਚ ਕਰੇਗਾ (ਉਦਾਹਰਨ ਲਈ, "ਕੀ ਇੱਕ ਵਿਦਿਆਰਥੀ ਨੂੰ ਇੱਕੋ ਸਮੇਂ ਇੱਕ ਤੋਂ ਵੱਧ ਕਲਾਸਾਂ ਵਿੱਚ ਦਾਖਲ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ?")। ਮਾਡਲ: [ਟੈਕਸਟ]

ਤੁਲਨਾ ਚਾਰਟ: ਮਾਡਲ ਪੱਧਰ

ਵਿਸ਼ੇਸ਼ਤਾ

ਸੰਕਲਪਿਕ

ਲਾਜ਼ੀਕਲ

ਸਰੀਰਕ

ਵੇਰਵੇ

ਘੱਟੋ-ਘੱਟ

ਮੱਧਮ

ਜ਼ਿਆਦਾਤਰ

ਕੁੰਜੀ/ਸੰਬੰਧ

ਮੁੱਖ ਸੰਪਤੀਆਂ

ਕੁੰਜੀਆਂ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤੀਆਂ ਗਈਆਂ

ਸੂਚਕਾਂਕ/ਕਿਸਮ ਸਮੇਤ

ਡਾਟਾਬੇਸ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ

ਨਹੀਂ

ਨਹੀਂ

ਹਾਂ

ਟੀਚਾ ਦਰਸ਼ਕ

ਵਪਾਰ ਯੂਨਿਟ

ਵਿਸ਼ਲੇਸ਼ਕ

ਡਿਵੈਲਪਰ/DBA

AI ਦਾ ਯੋਗਦਾਨ

ਡਰਾਫਟ

ਮਜ਼ਬੂਤ ਡਰਾਫਟ

ਡਰਾਫਟ, DBA ਪੁਸ਼ਟੀ

ਆਮ ਗਲਤੀਆਂ

• ਕਈ-ਤੋਂ-ਕਈ ਰਿਸ਼ਤੇ ਨੂੰ ਇੱਕ-ਤੋਂ-ਬਹੁਤ ਸਮਝਣਾ। ਇਹ ਸਭ ਤੋਂ ਆਮ ਮਾਡਲਿੰਗ ਗਲਤੀ ਹੈ; ਜੇਕਰ ਵਿਚਕਾਰਲੀ ਸਾਰਣੀ ਨੂੰ ਭੁੱਲ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਸਿਸਟਮ ਅਸਲ ਸਥਿਤੀ ਨੂੰ ਨਹੀਂ ਰੱਖ ਸਕਦਾ।
• ਸਭ ਕੁਝ ਇੱਕ ਮੇਜ਼ ਵਿੱਚ ਪਾਓ. "ਸਾਦਗੀ" ਦੀ ਖ਼ਾਤਰ ਇੱਕ ਸਾਰਣੀ ਵਿੱਚ ਸਾਰੇ ਖੇਤਰਾਂ ਨੂੰ ਇਕੱਠਾ ਕਰਨਾ ਡੁਪਲੀਕੇਸ਼ਨ ਅਤੇ ਅੱਪਡੇਟ ਵਿਗਾੜ ਪੈਦਾ ਕਰਦਾ ਹੈ।
• ਡਾਟਾ ਡਿਕਸ਼ਨਰੀ ਨਹੀਂ ਲਿਖ ਰਿਹਾ। ਜਦੋਂ ਫੀਲਡਾਂ ਦਾ ਅਰਥ ਮਨ ਵਿੱਚ ਰਹਿੰਦਾ ਹੈ ਤਾਂ ਉਹੀ ਕੇਪੀਆਈ ਵੱਖਰੇ ਨਤੀਜੇ ਦਿੰਦਾ ਹੈ।
• ਡਾਟਾ ਕਿਸਮਾਂ ਅਤੇ ਰੁਕਾਵਟਾਂ ਦੀ AI ਦੀ ਸਿਫ਼ਾਰਸ਼ 'ਤੇ ਅੰਨ੍ਹੇਵਾਹ ਭਰੋਸਾ ਕਰਨਾ। ਮਾਡਲ ਇੱਕ "ਵੱਡਾ ਕਾਫ਼ੀ" ਖੇਤਰ ਦਾ ਸੁਝਾਅ ਦੇ ਸਕਦਾ ਹੈ; ਕਾਰੋਬਾਰੀ ਨਿਯਮ ਅਸਲ ਸੀਮਾਵਾਂ (ਜਿਵੇਂ ਕਿ TR ID 11 ਅੰਕ) ਨਿਰਧਾਰਤ ਕਰਦਾ ਹੈ।
• ਪੂਰੀ ਤਰ੍ਹਾਂ ਸਧਾਰਣਕਰਨ. ਰਿਪੋਰਟਿੰਗ ਲੇਅਰ 'ਤੇ ਬਹੁਤ ਜ਼ਿਆਦਾ ਸਧਾਰਣਕਰਨ ਪੁੱਛਗਿੱਛ ਨੂੰ ਹੌਲੀ ਕਰ ਦਿੰਦਾ ਹੈ; ਪ੍ਰਸੰਗ ਦੇ ਆਧਾਰ 'ਤੇ ਮਕਸਦ ਵੱਖ-ਵੱਖ ਹੁੰਦਾ ਹੈ।

ਸਾਵਧਾਨ: ਨਕਲੀ ਬੁੱਧੀ ਅਜਿਹੇ ਮਾਡਲ ਪੈਦਾ ਕਰ ਸਕਦੀ ਹੈ ਜੋ ਚੰਗੇ ਲੱਗਦੇ ਹਨ ਪਰ ਕਾਰੋਬਾਰੀ ਨਿਯਮਾਂ ਦੀ ਉਲੰਘਣਾ ਕਰਦੇ ਹਨ। ਮਾਡਲ ਦੁਆਰਾ ਸੁਝਾਏ ਗਏ ਹਰੇਕ ਰਿਸ਼ਤੇ ਲਈ, ਸਵਾਲ "ਕੀ ਇਹ ਅਸਲ ਵਿੱਚ ਇਸ ਤਰ੍ਹਾਂ ਹੈ?" ਕੋਈ ਕਾਰੋਬਾਰੀ ਸਵਾਲ ਪੁੱਛੋ। ਡਾਟਾ ਮਾਡਲ ਸਿਸਟਮ ਦਾ ਪਿੰਜਰ ਹੈ; ਪਿੰਜਰ ਵਿੱਚ ਇੱਕ ਫ੍ਰੈਕਚਰ ਬਾਅਦ ਵਿੱਚ ਮੁਰੰਮਤ ਕਰਨਾ ਬਹੁਤ ਮੁਸ਼ਕਲ ਹੈ.

ਸੰਖੇਪ ਵਿੱਚ

ਡੇਟਾ ਮਾਡਲਿੰਗ ਇਕਾਈਆਂ, ਗੁਣਾਂ ਅਤੇ ਸਬੰਧਾਂ ਦੇ ਨਾਲ ਵਪਾਰਕ ਤੱਥਾਂ ਨੂੰ ਸੰਰਚਨਾ ਕਰਨ ਦੀ ਪ੍ਰਕਿਰਿਆ ਹੈ ਅਤੇ ਸੰਕਲਪਿਕ, ਤਰਕਪੂਰਨ ਅਤੇ ਭੌਤਿਕ ਪੱਧਰਾਂ 'ਤੇ ਅੱਗੇ ਵਧਦੀ ਹੈ। ਪ੍ਰਾਇਮਰੀ ਅਤੇ ਵਿਦੇਸ਼ੀ ਕੁੰਜੀਆਂ ਸੰਦਰਭ ਅਖੰਡਤਾ ਨੂੰ ਯਕੀਨੀ ਬਣਾਉਂਦੀਆਂ ਹਨ; ਸਧਾਰਣਕਰਨ ਦੁਹਰਾਓ ਨੂੰ ਘਟਾਉਂਦਾ ਹੈ, ਪਰ ਉਦੇਸ਼ ਦੇ ਅਧਾਰ 'ਤੇ ਅਸਧਾਰਨਕਰਨ ਵੀ ਜਾਇਜ਼ ਹੈ। ਡੇਟਾ ਡਿਕਸ਼ਨਰੀ ਸੰਸਥਾ ਦੀ ਆਮ ਭਾਸ਼ਾ ਹੈ। AI ER ਡਰਾਫਟ, ਡੇਟਾ ਡਿਕਸ਼ਨਰੀ, ਅਤੇ ਸਧਾਰਣਕਰਨ ਸਮੀਖਿਆਵਾਂ ਦੇ ਉਤਪਾਦਨ ਵਿੱਚ ਮਹੱਤਵਪੂਰਨ ਗਤੀ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ; ਹਾਲਾਂਕਿ, ਰਿਸ਼ਤਿਆਂ ਦੀਆਂ ਕਿਸਮਾਂ, ਡੇਟਾ ਕਿਸਮਾਂ, ਅਤੇ ਕਾਰੋਬਾਰੀ ਅਰਥ ਵਿਗਿਆਨ ਦੀ ਅਸਲ ਵਪਾਰਕ ਨਿਯਮ ਦੇ ਵਿਰੁੱਧ ਪੁਸ਼ਟੀ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ। ਸਿਰਫ਼ ਇਸ ਲਈ ਕਿ ਮਾਡਲ ਵਧੀਆ ਲੱਗ ਰਿਹਾ ਹੈ ਇਸਦਾ ਮਤਲਬ ਇਹ ਨਹੀਂ ਹੈ ਕਿ ਇਹ ਸਹੀ ਹੈ।

ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ

"ਲਾਇਬ੍ਰੇਰੀ ਲੋਨ ਸਿਸਟਮ" 'ਤੇ ਵਿਚਾਰ ਕਰੋ: ਮੈਂਬਰ, ਕਿਤਾਬਾਂ, ਲੋਨ ਰਿਕਾਰਡ। (1) ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰੋਂਪਟ ਦੁਆਰਾ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਇੱਕ ਲਾਜ਼ੀਕਲ ਮਾਡਲ ਡਰਾਫਟ ਰੱਖੋ। (2) ਮਾਡਲ ਦੁਆਰਾ ਸੁਝਾਏ ਗਏ ਹਰੇਕ ਰਿਸ਼ਤੇ ਦੀ ਕਿਸਮ ਦੀ ਜਾਂਚ ਕਰੋ (ਖਾਸ ਤੌਰ 'ਤੇ, "ਕੀ ਕਿਸੇ ਮੈਂਬਰ ਕੋਲ ਇੱਕੋ ਕਿਤਾਬ ਦੀ ਇੱਕ ਤੋਂ ਵੱਧ ਕਾਪੀਆਂ ਹੋ ਸਕਦੀਆਂ ਹਨ?") ਇੱਕ ਵਪਾਰਕ ਸਵਾਲ ਦੇ ਨਾਲ। (3) ਘੱਟੋ-ਘੱਟ ਇੱਕ ਕਈ-ਤੋਂ-ਬਹੁਤ ਸਬੰਧ ਲੱਭੋ ਅਤੇ ਇੱਕ ਵਿਚਕਾਰਲੀ ਸਾਰਣੀ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰੋ। (4) ਘੱਟੋ-ਘੱਟ 4 ਖੇਤਰਾਂ (ਨਾਮ, ਕਿਸਮ, ਲਾਜ਼ਮੀ, ਵਪਾਰਕ ਅਰਥ) ਲਈ ਡੇਟਾ ਡਿਕਸ਼ਨਰੀ ਲਾਈਨਾਂ ਲਿਖੋ। (5) ਇੱਕ ਰੁਕਾਵਟ ਨੂੰ ਉਜਾਗਰ ਕਰੋ ਜੋ ਮਾਡਲ ਵਿੱਚ ਫਿੱਟ ਹੋ ਸਕਦਾ ਹੈ ਅਤੇ ਦੱਸੋ ਕਿ ਤੁਸੀਂ ਇਸਦੀ ਪੁਸ਼ਟੀ ਕਿਵੇਂ ਕਰੋਗੇ।

ਚੈੱਕਲਿਸਟ

• [ ] ਹਰੇਕ ਸਾਰਣੀ ਦੀ ਪ੍ਰਾਇਮਰੀ ਕੁੰਜੀ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤੀ ਗਈ ਹੈ।
• [ ] ਮੈਂ ਵਪਾਰਕ ਸਵਾਲ ਦੇ ਨਾਲ ਹਰੇਕ ਰਿਸ਼ਤੇ ਦੀ ਕਿਸਮ ਦੀ ਪੁਸ਼ਟੀ ਕੀਤੀ ਹੈ।
• [ ] ਮੈਂ ਕਈ-ਤੋਂ-ਕਈ ਸਬੰਧਾਂ ਲਈ ਇੱਕ ਵਿਚਕਾਰਲੀ ਸਾਰਣੀ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤਾ ਹੈ।
• [ ] ਮੈਂ ਡੁਪਲੀਕੇਟ ਡੇਟਾ ਦੇ ਅਸਧਾਰਨਕਰਨ ਨੂੰ ਆਮ ਬਣਾਇਆ ਜਾਂ ਜਾਇਜ਼ ਠਹਿਰਾਇਆ।
• [ ] ਮੈਂ ਨਾਜ਼ੁਕ ਖੇਤਰਾਂ ਲਈ ਇੱਕ ਡੇਟਾ ਡਿਕਸ਼ਨਰੀ ਲਾਈਨ ਲਿਖੀ ਹੈ।
• [ ] ਮੈਂ ਵਪਾਰਕ ਨਿਯਮ ਦੇ ਵਿਰੁੱਧ AI ਦੇ ਡੇਟਾ ਕਿਸਮ/ਸਬੰਧਤ ਸੁਝਾਵਾਂ ਦੀ ਪੁਸ਼ਟੀ ਕੀਤੀ ਹੈ।