ความน่าเชื่อถือระดับองค์กร
กรณีศึกษา: การวิเคราะห์ยอดขายด้วย Databricks Genie
Stan Konkin
ML Content Developer, DataCamp
จากใช้งานได้สู่น่าไว้วางใจ
Space ให้บริการทั้งฝ่ายขายแล้ว
VP ต้องการความน่าเชื่อถือก่อน rollout เต็มรูปแบบ
ไม่มีตารางใหม่ แค่เสริมความแข็งแกร่ง
ความน่าเชื่อถือคือวงจรต่อเนื่อง
ตรวจสอบ
บทสนทนาและการให้คะแนน
วินิจฉัย
ว่าอะไรผิดพลาด
ปรับแต่ง
จุดที่เหมาะสม
ยืนยัน
ผลลัพธ์ในแชท
เริ่มต้นด้วยการวินิจฉัยใน Monitor
$$
$$
$$
แท็บ
Monitor
บันทึกบทสนทนาจริง
กรองเฉพาะคำตอบที่ได้รับการกดไม่ถูกใจ
อ่าน SQL ที่ถูกสร้างขึ้นในแต่ละรายการ
ความล้มเหลว 2 แบบ สาเหตุ 2 อย่าง
แนวโน้มรายเดือนเปลี่ยนแปลง → สูตรไม่แม่นยำ
"Premium"
ไม่ได้กำหนด → Genie ต้องเดา
ความล้มเหลวต่างกัน ต้องใช้วิธีแก้ต่างกัน
แก้ปัญหาแรก ล็อกแนวโน้ม
สูตรไม่แม่นยำ → ล็อกด้วย
SQL example
Genie จะนำการคำนวณนั้นไปใช้ทุกครั้ง
แนวโน้มเดิมทุกการรัน
แก้ปัญหาที่สอง กำหนดคำศัพท์
ขาดนิยาม → เพิ่ม
text instruction
กำหนดคำศัพท์ให้ชัดเจนครั้งเดียว
ใช้กับทุกคำถามเกี่ยวกับ premium
รักษาความน่าเชื่อถือในระยะยาว
$$
$$
$$
$$
จับคู่คำถามกับ SQL ที่ทราบว่าถูกต้อง
รันซ้ำหลังทุกการเปลี่ยนแปลง
ตรวจพบความผิดพลาดก่อนผู้บริหาร
อะไรทำให้ space พร้อมใช้งานจริง
สูตรที่ล็อกแล้ว นิยามที่ชัดเจน
มีการติดตามและ benchmark
นี่คือสิ่งที่ทำให้ space ได้รับความไว้วางใจ
มาฝึกกันเถอะ!
กรณีศึกษา: การวิเคราะห์ยอดขายด้วย Databricks Genie
Preparing Video For Download...