קוד שנוצר בעזרת AI יכול לרוץ בלי שגיאה ועדיין לענות על שאלה אחרת. לפני שימוש בתוצאה, הגדירו את המדד ובדקו את הנתונים והלוגיקה. כאן נתמקד בבקרת איכות; לדיון בתפקיד המקצועי ראו האם AI מחליף דאטה אנליסטים.
לפני הרצה: מה בדיוק מחשבים?
- מה מייצגת שורה: לקוח, הזמנה או פריט?
- מה תקופת המדידה ואיך מטפלים באזורי זמן?
- אילו ביטולים, החזרים או רשומות חסרות מוחרגים?
- באילו שדות מחברים טבלאות ומה היחס ביניהן?
דוגמה לימודית: הכנסה שהוכפלה
אם מחברים טבלת הזמנות לטבלת פריטי הזמנה ואז מסכמים סכום השמור ברמת ההזמנה, הזמנה עם כמה פריטים עלולה להיספר כמה פעמים. בדקו מספר שורות, מספר מזהים ייחודיים וסכומים לפני ואחרי החיבור. הפתרון תלוי במבנה הנתונים ובמדד שהוגדר.
בדקו מול מקרה קטן ומובן
בחרו מדגם שאפשר לחשב ידנית והשוו את הפלט. הוסיפו מקרים של חוסר התאמה בחיבור, ערך חסר ואפס פעילות. תחביר תקין לבדו אינו בדיקת נכונות עסקית. לעקרונות החיבור ראו תיעוד JOIN של PostgreSQL.
בדיקות לדשבורד
ודאו שהמסננים פועלים על האוכלוסייה הנכונה, שהמכנה של כל שיעור מוגדר ושכותרת הגרף מתארת את החישוב. השוו את המספרים לשאילתה שנבדקה ותעדו מתי הנתונים עודכנו.
מה לשמור?
שמרו את הגדרת המדד, הקוד שנבדק, מקרי הבדיקה והמגבלות. את שלבי השימוש ב-AI אפשר ללמוד בתהליך העבודה המעשי עם AI. לפיתוח הבסיס האנליטי בדקו את תוכנית ההכשרה.
