AIសម្រាប់ Dataនិង Coding
by Sot Dimong
21កក្កដា 2026
AIអាចជួយសរសេរ Formulaនិង SQLពន្យល់ Codeរក Bugនិងវិភាគ Data។ប៉ុន្តែ Codeដែលមើលទៅស្អាតអាចខុសឬមិនមានសុវត្ថិភាព។ Workflowត្រឹមត្រូវគឺ Understand → Generate → Review → Test → Validate។
Responsible Builder • Level 18
Describe → Generate → Test → Inspect → Improve
AIអាចជួយសរសេរ—ប៉ុន្តែអ្នកត្រូវយល់ Inputនិងពិនិត្យ Output
អ្នកមាន Spreadsheetលក់ប្រចាំខែហើយចង់រក Revenueតាម Category។ AIអាចជួយសរសេរ Formulaឬ SQLនិងពន្យល់ជំហាន។មុនជឿលទ្ធផលអ្នកត្រូវពិនិត្យ Column, Missing values, Duplicate rows, Unitsនិងប្រៀបធៀបជាមួយ Sampleដែលគណនាដោយដៃ។
១.ស្គាល់ Dataមុនស្នើឱ្យ AIវិភាគ
ប្រាប់ AIអំពី Schema, Column meaning, Unit, Time range, Missing valueនិង Outcomeដែលអ្នកចង់បាន។កុំ Uploadទិន្នន័យសម្ងាត់ឬព័ត៌មានផ្ទាល់ខ្លួនទៅ Toolដែលមិនបានអនុម័ត។
២. Formulaត្រូវមាន Sampleនិង Expected result
ពេលស្នើ Formulaសូមបញ្ជាក់កម្មវិធី Excel/Google Sheets, Range, Column meaning, Localeនិង Edge cases។ឱ្យ AIពន្យល់ Formulaជាផ្នែកៗហើយសាកល្បងលើ Rowដែលអ្នកដឹងចម្លើយ។
ជ្រើស Taskហើយមើល Verification Gate
AI Outputមិនគួររត់លើ Productionឬទិន្នន័យពិតមុន Reviewនិង Test。
ចំណុចសំខាន់៖ Outputដែល Runបានមិនមានន័យថាត្រឹមត្រូវ។ត្រូវ Testទាំង Happy path, Edge caseនិង Failure case។
៣. SQL:ពិនិត្យ Schema, Joinនិង Row count
AIមិនឃើញ Databaseពិតរបស់អ្នកទេលុះត្រាតែអ្នកផ្តល់ Schema។ផ្តល់ Table/Column, Key relationship, Desired outputនិង Sample rows។ស្នើឱ្យ AIពន្យល់ Queryហើយបង្ក Validation queries។
Validation:ប្រៀបធៀប COUNTមុន/ក្រោយ JOIN,ពិនិត្យ NULLនិង Duplicate,សាក Date boundariesហើយយក Sample recordsមើលដោយដៃ។
៤.ប្រើ AIពន្យល់និងបង្ក Codeតូចៗជាមុន
ស្នើឱ្យ AIពន្យល់ Codeជា Plain language, Input/Output, Assumptions, Complexityនិង Failure modes។បំបែក Featureធំទៅ Functionតូចៗដែលមាន Interfaceច្បាស់និងងាយ Test។
Explainសង្ខេប Flowនិងពន្យល់បន្ទាត់សំខាន់ៗដោយឧទាហរណ៍។
Generateបញ្ជាក់ Language, Version, Input, Output, Constraintsនិង No-new-dependency rule។
Refactorរក្សា Behaviorដដែលនិងបង្ក Regression testsមុនកែ។
៥. Debugដោយ Evidence—notដោយ Guess
ផ្តល់ Error messageពេញ, Minimal reproducible example, Expected vs Actual, Environmentនិងអ្វីដែលបានសាករួច។កុំ Paste Secret key, Customer dataឬ Logដែលមាន Token។ស្នើ Hypothesesចាត់តាម Probabilityនិង Testមួយសម្រាប់ Hypothesisនីមួយៗ។
៦. Test casesជាស្ពានពី AI Draftទៅ Codeដែលអាចទុកចិត្តបាន
Unit testsមិនគ្រប់គ្រាន់សម្រាប់គ្រប់ករណីទេ។អាចត្រូវការ Integration, Performance, Securityនិង Human validationលើ Outputជាក់ស្តែង។
៧.អនុវត្តបង្ក Functionនិង Test cases៥
ជ្រើស Functionតូចមួយដែលមិនប៉ះ Productionឬ Secretហើយប្រើ Promptខាងក្រោមដើម្បីបង្ក Spec, Code, Testsនិង Review checklist។
អ្នកជាអ្នកជួយសរសេរ Code—notអ្នក Run Production.ខ្ញុំចង់បង្ក Function [ឈ្មោះ/គោលបំណង]ក្នុង [Language + Version]. Inputមាន [Type/Example], Outputរំពឹង [Type/Example], Constraintsមាន [Performance/Security/No new dependency]និង Error behaviorគឺ [Rule].មុនសរសេរសូមសួរសំណួរដែលខ្វះនិងសរសេរ Specificationខ្លី.បន្ទាប់មកផ្តល់ Codeតូចងាយអានជាមួយការពន្យល់ Assumptionsនិង Complexity.បង្ក Test casesយ៉ាងតិច៥៖ normal, empty, boundary, invalidនិង regression.បន្ថែម Security/Privacy checklistនិងសម្គាល់អ្វីដែលខ្ញុំត្រូវ Reviewមុន Run.កុំស្នើឱ្យខ្ញុំផ្តល់ Secretឬទិន្នន័យពិត.
៨.ពិនិត្យការយល់ដឹង
តើគួរធ្វើអ្វីជាមួយ Codeដែល AIបង្កើត?
ចម្លើយត្រឹមត្រូវ៖ក។ AI codeអាចមាន Bug, Hallucinated dependencyនិង Security flaw;ត្រូវ Review, Sandbox, Testនិង Validateមុនប្រើពិត។
៩.ចំណុចសំខាន់ដែលត្រូវចងចាំ
- ស្គាល់ Schema, Data quality, Privacyនិងសំណួរវិភាគមុនប្រើ AI។
- Formulaនិង SQLត្រូវមាន Sample, Expected resultនិង Validation query។
- Debugដោយ Reproduceនិង Evidence—not Copy-paste random fixes។
- Review Code, Dependencyនិង Securityហើយ Testក្នុង Sandboxមុន Production។
ចាប់ផ្តើមពី Formulaឬ Functionតូចមួយដែលមានចម្លើយងាយពិនិត្យ។សុំឱ្យ AIពន្យល់—notតែផ្តល់ Code។
កុំដាក់ Password, API key, Private repository codeឬទិន្នន័យផ្ទាល់ខ្លួនក្នុង Prompt។ប្រើ Dummy dataនិង Environmentដែលបានអនុម័ត។
DATA & CODE COPILOT BADGE
កំពុងបើក Data & Code Copilotរបស់អ្នក
បន្តអានគ្រប់ Checkpointនិងឆ្លើយ Quizដើម្បីបើក Data & Code Copilot Badgeរបស់អ្នក។
សូមត្រៀមខ្លួនសម្រាប់មេរៀនបន្ទាប់៖ «មេរៀនទី១៩៖ AIសម្រាប់ Tradingដោយមានសុវត្ថិភាព»។
