ຕົວທົດສອບຂໍ້ມູນໃຫຍ່ແລະຂະຫນາດນ້ອຍ: ແນວໂນ້ມ, ທິດສະດີ, ເລື່ອງຂອງຂ້ອຍ

ສະບາຍດີທຸກຄົນ, ຂ້ອຍຊື່ Alexander, ແລະຂ້ອຍເປັນວິສະວະກອນ Data Quality ທີ່ກວດສອບຂໍ້ມູນຄຸນນະພາບຂອງມັນ. ບົດຄວາມນີ້ຈະເວົ້າກ່ຽວກັບວິທີທີ່ຂ້ອຍມາຮອດນີ້ແລະເປັນຫຍັງໃນປີ 2020 ພື້ນທີ່ຂອງການທົດສອບນີ້ແມ່ນຢູ່ເທິງຍອດຂອງຄື້ນ.

ແນວໂນ້ມທົ່ວໂລກ

ໂລກມື້ນີ້ກໍາລັງປະສົບກັບການປະຕິວັດເຕັກໂນໂລຢີອີກດ້ານຫນຶ່ງ, ລັກສະນະຫນຶ່ງແມ່ນການນໍາໃຊ້ຂໍ້ມູນສະສົມໂດຍບໍລິສັດທຸກປະເພດເພື່ອສົ່ງເສີມການຂາຍ, ກໍາໄລແລະ PR ຂອງຕົນເອງ. ມັນເບິ່ງຄືວ່າມີຂໍ້ມູນ (ຄຸນະພາບ) ທີ່ດີ, ເຊັ່ນດຽວກັນກັບສະຫມອງທີ່ມີຄວາມຊໍານິຊໍານານທີ່ສາມາດສ້າງລາຍໄດ້ຈາກມັນ (ການປຸງແຕ່ງຢ່າງຖືກຕ້ອງ, ເຫັນພາບ, ການສ້າງແບບຈໍາລອງການຮຽນຮູ້ເຄື່ອງຈັກ, ແລະອື່ນໆ), ໄດ້ກາຍເປັນກຸນແຈສໍາລັບຄວາມສໍາເລັດຂອງຫຼາຍໆຄົນໃນມື້ນີ້. ຖ້າ 15-20 ປີກ່ອນຫນ້ານີ້ບໍລິສັດຂະຫນາດໃຫຍ່ໄດ້ມີສ່ວນຮ່ວມໃນການເຮັດວຽກທີ່ເຂັ້ມງວດກັບການສະສົມຂໍ້ມູນແລະການສ້າງລາຍໄດ້, ມື້ນີ້ນີ້ແມ່ນເກືອບທຸກຄົນທີ່ມີສະຕິປັນຍາ.

ໃນເລື່ອງນີ້, ເມື່ອຫລາຍປີກ່ອນ, ປະຕູທັງຫມົດທີ່ອຸທິດຕົນເພື່ອການຊອກຫາວຽກທົ່ວໂລກເລີ່ມເຕັມໄປດ້ວຍບ່ອນຫວ່າງສໍາລັບນັກວິທະຍາສາດຂໍ້ມູນ, ເພາະວ່າທຸກຄົນແນ່ໃຈວ່າ, ໄດ້ຈ້າງຜູ້ຊ່ຽວຊານດັ່ງກ່າວ, ມັນເປັນໄປໄດ້ທີ່ຈະສ້າງແບບຈໍາລອງຂອງການຮຽນຮູ້ເຄື່ອງຈັກ. , ຄາດຄະເນອະນາຄົດແລະປະຕິບັດ "quantum leap" ສໍາລັບບໍລິສັດ. ເມື່ອເວລາຜ່ານໄປ, ປະຊາຊົນໄດ້ຮັບຮູ້ວ່າວິທີການນີ້ເກືອບບໍ່ເຄີຍເຮັດວຽກຢູ່ບ່ອນໃດກໍ່ຕາມ, ເພາະວ່າບໍ່ແມ່ນຂໍ້ມູນທັງຫມົດທີ່ຕົກຢູ່ໃນມືຂອງຜູ້ຊ່ຽວຊານດັ່ງກ່າວແມ່ນເຫມາະສົມສໍາລັບຮູບແບບການຝຶກອົບຮົມ.

ແລະການຮ້ອງຂໍຈາກ Data Scientists ໄດ້ເລີ່ມຕົ້ນ: "ໃຫ້ພວກເຮົາຊື້ຂໍ້ມູນເພີ່ມເຕີມຈາກຂໍ້ມູນເຫຼົ່ານີ້ແລະສິ່ງເຫຼົ່ານັ້ນ ... ", "ພວກເຮົາບໍ່ມີຂໍ້ມູນພຽງພໍ ... ", "ພວກເຮົາຕ້ອງການຂໍ້ມູນເພີ່ມເຕີມ, ດີກວ່າຫນຶ່ງທີ່ມີຄຸນນະພາບສູງ ... " . ອີງຕາມການຮ້ອງຂໍເຫຼົ່ານີ້, ການໂຕ້ຕອບຈໍານວນຫລາຍເລີ່ມຖືກສ້າງຂຶ້ນລະຫວ່າງບໍລິສັດທີ່ເປັນເຈົ້າຂອງຫນຶ່ງຫຼືຊຸດຂໍ້ມູນອື່ນ. ຕາມທໍາມະຊາດ, ນີ້ຮຽກຮ້ອງໃຫ້ມີອົງການຈັດຕັ້ງດ້ານວິຊາການຂອງຂະບວນການນີ້ - ການເຊື່ອມຕໍ່ກັບແຫຼ່ງຂໍ້ມູນ, ດາວນ໌ໂຫລດມັນ, ກວດເບິ່ງວ່າມັນໄດ້ຖືກ loaded ຢ່າງເຕັມທີ່, ແລະອື່ນໆຈໍານວນຂອງຂະບວນການດັ່ງກ່າວໄດ້ເລີ່ມຕົ້ນທີ່ຈະຂະຫຍາຍຕົວ, ແລະໃນມື້ນີ້ພວກເຮົາມີຄວາມຕ້ອງການອັນໃຫຍ່ຫຼວງສໍາລັບປະເພດອື່ນ. ຜູ້ຊ່ຽວຊານ - ວິສະວະກອນຄຸນະພາບຂໍ້ມູນ - ຜູ້ທີ່ຈະຕິດຕາມການໄຫຼເຂົ້າຂອງຂໍ້ມູນໃນລະບົບ (ທໍ່ຂໍ້ມູນ), ຄຸນນະພາບຂອງຂໍ້ມູນຢູ່ໃນວັດສະດຸປ້ອນແລະຜົນຜະລິດ, ແລະສະຫຼຸບກ່ຽວກັບຄວາມພຽງພໍ, ຄວາມສົມບູນແລະຄຸນລັກສະນະອື່ນໆ.

ແນວໂນ້ມສໍາລັບວິສະວະກອນຄຸນນະພາບຂໍ້ມູນໄດ້ມາເຖິງພວກເຮົາຈາກສະຫະລັດ, ບ່ອນທີ່, ໃນທ່າມກາງຂອງຍຸກທຶນນິຍົມ, ບໍ່ມີໃຜພ້ອມທີ່ຈະສູນເສຍການສູ້ຮົບສໍາລັບຂໍ້ມູນ. ຂ້າງລຸ່ມນີ້ຂ້າພະເຈົ້າໄດ້ສະຫນອງພາບຫນ້າຈໍຈາກສອງເວັບໄຊທ໌ຊອກຫາວຽກທີ່ນິຍົມທີ່ສຸດໃນສະຫະລັດ: www.monster.com и www.dice.com — ທີ່ສະແດງຂໍ້ມູນໃນວັນທີ 17 ມີນາ 2020 ກ່ຽວກັບຈໍານວນຕໍາແໜ່ງວຽກຫວ່າງທີ່ໄດ້ຮັບການນໍາໃຊ້ຄໍາສໍາຄັນ: ຄຸນະພາບຂໍ້ມູນ ແລະນັກວິທະຍາສາດຂໍ້ມູນ.

www.monster.com

Data Scientists – 21416 vacancy
ຄຸນະພາບຂໍ້ມູນ – 41104 ຕໍາແໜ່ງວ່າງ

www.dice.com

Data Scientists – 404 ຕໍາແໜ່ງວ່າງ
ຄຸນນະພາບຂໍ້ມູນ – 2020 ຕຳແໜ່ງວ່າງ

ແນ່ນອນ, ອາຊີບເຫຼົ່ານີ້ບໍ່ມີທາງທີ່ຈະແຂ່ງຂັນກັນໄດ້. ດ້ວຍພາບຫນ້າຈໍ, ຂ້າພະເຈົ້າພຽງແຕ່ຕ້ອງການສະແດງໃຫ້ເຫັນສະຖານະການໃນປະຈຸບັນໃນຕະຫຼາດແຮງງານໃນເງື່ອນໄຂການຮ້ອງຂໍສໍາລັບວິສະວະກອນຄຸນນະພາບຂໍ້ມູນ, ຜູ້ທີ່ມີຄວາມຕ້ອງການຫຼາຍກວ່ານັກວິທະຍາສາດຂໍ້ມູນໃນປັດຈຸບັນ.

ໃນເດືອນມິຖຸນາ 2019, EPAM, ຕອບສະຫນອງຄວາມຕ້ອງການຂອງຕະຫຼາດ IT ທີ່ທັນສະໄຫມ, ໄດ້ແຍກ Data Quality ເຂົ້າໄປໃນການປະຕິບັດແຍກຕ່າງຫາກ. ວິສະວະກອນຄຸນນະພາບຂໍ້ມູນ, ໃນການເຮັດວຽກປະຈໍາວັນຂອງພວກເຂົາ, ຄຸ້ມຄອງຂໍ້ມູນ, ກວດເບິ່ງພຶດຕິກໍາຂອງມັນຢູ່ໃນເງື່ອນໄຂແລະລະບົບໃຫມ່, ຕິດຕາມຄວາມກ່ຽວຂ້ອງຂອງຂໍ້ມູນ, ຄວາມພຽງພໍແລະຄວາມກ່ຽວຂ້ອງຂອງມັນ. ດ້ວຍສິ່ງທັງ ໝົດ ນີ້, ໃນຄວາມ ໝາຍ ຕົວຈິງ, ວິສະວະກອນຄຸນນະພາບຂໍ້ມູນກໍ່ໃຊ້ເວລາພຽງ ໜ້ອຍ ໜຶ່ງ ໃນການທົດສອບການເຮັດວຽກແບບຄລາສສິກ, ແຕ່ວ່າ ນີ້ແມ່ນຂຶ້ນກັບໂຄງການຢ່າງຫຼວງຫຼາຍ (ຂ້າພະເຈົ້າຈະໃຫ້ຕົວຢ່າງຂ້າງລຸ່ມນີ້).

ຄວາມຮັບຜິດຊອບຂອງວິສະວະກອນຄຸນະພາບຂໍ້ມູນບໍ່ຈໍາກັດພຽງແຕ່ການກວດສອບຄູ່ມື / ອັດຕະໂນມັດແບບປົກກະຕິສໍາລັບ "nulls, counts ແລະ sums" ໃນຕາຕະລາງຖານຂໍ້ມູນ, ແຕ່ຕ້ອງການຄວາມເຂົ້າໃຈຢ່າງເລິກເຊິ່ງກ່ຽວກັບຄວາມຕ້ອງການຂອງທຸລະກິດຂອງລູກຄ້າແລະ, ຕາມນັ້ນ, ຄວາມສາມາດໃນການປ່ຽນຂໍ້ມູນທີ່ມີຢູ່. ຂໍ້ມູນທຸລະກິດທີ່ເປັນປະໂຫຍດ.

ທິດສະດີຄຸນນະພາບຂໍ້ມູນ

ເພື່ອຈິນຕະນາການຢ່າງເຕັມທີ່ກ່ຽວກັບບົດບາດຂອງວິສະວະກອນດັ່ງກ່າວ, ໃຫ້ພວກເຮົາຊອກຫາສິ່ງທີ່ຄຸນນະພາບຂອງຂໍ້ມູນຢູ່ໃນທິດສະດີ.

ຄຸນະພາບຂໍ້ມູນ — ຫນຶ່ງ​ໃນ​ຂັ້ນ​ຕອນ​ຂອງ​ການ​ຄຸ້ມ​ຄອງ​ຂໍ້​ມູນ (ໂລກ​ທັງ​ຫມົດ​ທີ່​ພວກ​ເຮົາ​ຈະ​ອອກ​ໃຫ້​ທ່ານ​ເພື່ອ​ສຶກ​ສາ​ດ້ວຍ​ຕົວ​ທ່ານ​ເອງ​) ແລະ​ຮັບ​ຜິດ​ຊອບ​ສໍາ​ລັບ​ການ​ວິ​ເຄາະ​ຂໍ້​ມູນ​ຕາມ​ມາດ​ຕະ​ຖານ​ດັ່ງ​ຕໍ່​ໄປ​ນີ້​:

ຂ້າພະເຈົ້າຄິດວ່າບໍ່ຈໍາເປັນຕ້ອງຖອດລະຫັດແຕ່ລະຈຸດ (ໃນທາງທິດສະດີພວກເຂົາເອີ້ນວ່າ "ຂະຫນາດຂໍ້ມູນ"), ພວກມັນຖືກອະທິບາຍໄດ້ດີໃນຮູບ. ແຕ່ຂະບວນການທົດສອບຕົວມັນເອງບໍ່ໄດ້ຫມາຍເຖິງການຄັດລອກລັກສະນະເຫຼົ່ານີ້ຢ່າງເຂັ້ມງວດເຂົ້າໄປໃນກໍລະນີທົດສອບແລະກວດເບິ່ງພວກມັນ. ໃນຄຸນນະພາບຂໍ້ມູນ, ເຊັ່ນດຽວກັນກັບການທົດສອບປະເພດອື່ນໆ, ມັນເປັນສິ່ງຈໍາເປັນ, ກ່ອນອື່ນ ໝົດ, ເພື່ອສ້າງຄວາມຕ້ອງການດ້ານຄຸນນະພາບຂໍ້ມູນທີ່ໄດ້ຕົກລົງກັບຜູ້ເຂົ້າຮ່ວມໂຄງການທີ່ເຮັດການຕັດສິນໃຈທາງທຸລະກິດ.

ອີງຕາມໂຄງການຄຸນນະພາບຂໍ້ມູນ, ວິສະວະກອນສາມາດປະຕິບັດຫນ້າທີ່ແຕກຕ່າງກັນ: ຈາກເຄື່ອງທົດສອບອັດຕະໂນມັດແບບທໍາມະດາທີ່ມີການປະເມີນຄຸນນະພາບຂອງຂໍ້ມູນ, ໄປຫາຜູ້ທີ່ເຮັດການລົງເລິກຂອງຂໍ້ມູນຕາມເງື່ອນໄຂຂ້າງເທິງ.

ລາຍລະອຽດຫຼາຍກ່ຽວກັບການຄຸ້ມຄອງຂໍ້ມູນ, ຄຸນນະພາບຂໍ້ມູນແລະຂະບວນການທີ່ກ່ຽວຂ້ອງໄດ້ຖືກອະທິບາຍໄວ້ໃນຫນັງສືທີ່ເອີ້ນວ່າ "DAMA-DMBOK: ຂໍ້ມູນການຄຸ້ມຄອງຄວາມຮູ້: ສະບັບທີ 2". ຂ້າພະເຈົ້າຂໍແນະນໍາໃຫ້ຫນັງສືເຫຼັ້ມນີ້ເປັນການແນະນໍາກ່ຽວກັບຫົວຂໍ້ນີ້ (ເຈົ້າຈະພົບເຫັນການເຊື່ອມຕໍ່ກັບມັນໃນຕອນທ້າຍຂອງບົດຄວາມ).

ເລື່ອງຂອງຂ້ອຍ

ໃນອຸດສາຫະກໍາ IT, ຂ້າພະເຈົ້າໄດ້ເຮັດວຽກຈາກນັກທົດສອບ Junior ໃນບໍລິສັດຜະລິດຕະພັນໄປຫາວິສະວະກອນດ້ານຂໍ້ມູນຄຸນະພາບທີ່ EPAM. ຫຼັງຈາກປະມານສອງປີຂອງການເຮັດວຽກເປັນນັກທົດສອບ, ຂ້າພະເຈົ້າມີຄວາມເຊື່ອຫມັ້ນຢ່າງຫນັກແຫນ້ນວ່າຂ້າພະເຈົ້າໄດ້ເຮັດການທົດສອບທຸກປະເພດ: regression, functional, stress, stability, security, UI, ແລະອື່ນໆ - ແລະພະຍາຍາມຈໍານວນຫລາຍຂອງການທົດສອບ, ມີ. ເຮັດວຽກໃນເວລາດຽວກັນໃນສາມພາສາການຂຽນໂປລແກລມ: Java, Scala, Python.

ເມື່ອເບິ່ງຄືນ, ຂ້ອຍເຂົ້າໃຈວ່າເປັນຫຍັງຊຸດທັກສະຂອງຂ້ອຍມີຄວາມຫຼາກຫຼາຍຫຼາຍ - ຂ້ອຍມີສ່ວນຮ່ວມໃນໂຄງການທີ່ຂັບເຄື່ອນດ້ວຍຂໍ້ມູນ, ໃຫຍ່ແລະນ້ອຍ. ນີ້ແມ່ນສິ່ງທີ່ເຮັດໃຫ້ຂ້ອຍເຂົ້າໄປໃນໂລກຂອງເຄື່ອງມືແລະໂອກາດສໍາລັບການຂະຫຍາຍຕົວ.

ເພື່ອຊື່ນຊົມກັບຄວາມຫຼາກຫຼາຍຂອງເຄື່ອງມື ແລະໂອກາດທີ່ຈະໄດ້ຮັບຄວາມຮູ້ ແລະທັກສະໃໝ່ໆ, ພຽງແຕ່ເບິ່ງຮູບຂ້າງລຸ່ມນີ້, ເຊິ່ງສະແດງໃຫ້ເຫັນເຖິງສິ່ງທີ່ນິຍົມທີ່ສຸດໃນໂລກ “Data & AI”.

ຮູບແຕ້ມປະເພດນີ້ໄດ້ຖືກລວບລວມທຸກໆປີໂດຍຜູ້ລົງທຶນຂອງບໍລິສັດທີ່ມີຊື່ສຽງ Matt Turck, ຜູ້ທີ່ມາຈາກການພັດທະນາຊອບແວ. ທີ່ນີ້ ຫນ້າທໍາອິດ ກັບ blog ລາວແລະ ບໍລິສັດລົງທຶນ, ບ່ອນທີ່ທ່ານເຮັດວຽກເປັນຄູ່ຮ່ວມງານ.

ຂ້ອຍເຕີບໂຕເປັນມືອາຊີບຢ່າງໄວວາໂດຍສະເພາະເມື່ອຂ້ອຍເປັນຜູ້ທົດສອບພຽງແຕ່ຢູ່ໃນໂຄງການ, ຫຼືຢ່າງຫນ້ອຍໃນຕອນເລີ່ມຕົ້ນຂອງໂຄງການ. ມັນແມ່ນໃນເວລານີ້ທີ່ທ່ານຕ້ອງຮັບຜິດຊອບຕໍ່ຂະບວນການທົດສອບທັງຫມົດ, ແລະທ່ານບໍ່ມີໂອກາດທີ່ຈະຖອຍຫລັງ, ພຽງແຕ່ໄປຂ້າງຫນ້າ. ໃນຕອນທໍາອິດມັນເປັນຕາຢ້ານ, ແຕ່ໃນປັດຈຸບັນຂໍ້ດີທັງຫມົດຂອງການທົດສອບດັ່ງກ່າວແມ່ນເຫັນໄດ້ຊັດເຈນສໍາລັບຂ້ອຍ:

• ເຈົ້າເລີ່ມຕິດຕໍ່ສື່ສານກັບທີມງານທັງໝົດຄືກັບບໍ່ເຄີຍມີມາກ່ອນ, ເພາະວ່າບໍ່ມີຕົວແທນສຳລັບການສື່ສານ: ທັງຜູ້ຈັດການທົດສອບ ຫຼືຜູ້ທົດສອບອື່ນໆ.
• immersion ໃນໂຄງການກາຍເປັນ incredibly ເລິກ, ແລະທ່ານມີຂໍ້ມູນກ່ຽວກັບອົງປະກອບທັງຫມົດ, ທັງໂດຍທົ່ວໄປແລະລາຍລະອຽດ.
• ນັກພັດທະນາບໍ່ໄດ້ເບິ່ງເຈົ້າເປັນ "ຜູ້ຊາຍຄົນນັ້ນຈາກການທົດສອບທີ່ບໍ່ຮູ້ວ່າລາວກໍາລັງເຮັດຫຍັງ," ແຕ່ແທນທີ່ຈະເປັນຜູ້ທີ່ມີຄວາມເທົ່າທຽມກັນທີ່ສ້າງຜົນປະໂຫຍດອັນບໍ່ຫນ້າເຊື່ອສໍາລັບທີມງານດ້ວຍການທົດສອບອັດຕະໂນມັດຂອງລາວແລະຄາດວ່າຈະມີແມງໄມ້ທີ່ປາກົດຢູ່ໃນອົງປະກອບສະເພາະຂອງ. ຜະ​ລິດ​ຕະ​ພັນ.
• ດັ່ງນັ້ນ, ທ່ານມີປະສິດທິພາບຫຼາຍ, ມີຄຸນສົມບັດຫຼາຍ, ແລະຄວາມຕ້ອງການຫຼາຍ.

ເມື່ອໂຄງການຂະຫຍາຍຕົວ, ໃນ 100% ຂອງກໍລະນີຂ້ອຍໄດ້ກາຍເປັນຜູ້ໃຫ້ຄໍາປຶກສາສໍາລັບນັກທົດສອບໃຫມ່, ສອນພວກເຂົາແລະຖ່າຍທອດຄວາມຮູ້ທີ່ຂ້ອຍໄດ້ຮຽນຮູ້ດ້ວຍຕົນເອງ. ໃນຂະນະດຽວກັນ, ຂຶ້ນກັບໂຄງການ, ຂ້ອຍບໍ່ສະເຫມີໄດ້ຮັບຜູ້ຊ່ຽວຊານດ້ານການທົດສອບອັດຕະໂນມັດລະດັບສູງສຸດຈາກການຄຸ້ມຄອງແລະມີຄວາມຈໍາເປັນທີ່ຈະຝຶກອົບຮົມໃຫ້ເຂົາເຈົ້າໃນອັດຕະໂນມັດ (ສໍາລັບຜູ້ທີ່ສົນໃຈ) ຫຼືສ້າງເຄື່ອງມືທີ່ໃຊ້ໃນກິດຈະກໍາປະຈໍາວັນ (ເຄື່ອງມື. ສໍາລັບການສ້າງຂໍ້ມູນແລະການໂຫຼດພວກມັນເຂົ້າໄປໃນລະບົບ, ເຄື່ອງມືສໍາລັບການທົດສອບການໂຫຼດ / ການທົດສອບຄວາມຫມັ້ນຄົງ "ໄວ", ແລະອື່ນໆ).

ຕົວຢ່າງຂອງໂຄງການສະເພາະ

ແຕ່ຫນ້າເສຍດາຍ, ເນື່ອງຈາກພັນທະທີ່ບໍ່ມີການເປີດເຜີຍ, ຂ້ອຍບໍ່ສາມາດເວົ້າລາຍລະອຽດກ່ຽວກັບໂຄງການທີ່ຂ້ອຍເຮັດວຽກ, ແຕ່ຂ້ອຍຈະໃຫ້ຕົວຢ່າງຂອງວຽກງານປົກກະຕິຂອງວິສະວະກອນຄຸນນະພາບຂໍ້ມູນໃນໂຄງການຫນຶ່ງ.

ໂດຍເນື້ອແທ້ແລ້ວຂອງໂຄງການແມ່ນການປະຕິບັດເວທີການກະກຽມຂໍ້ມູນສໍາລັບການຝຶກອົບຮົມແບບຈໍາລອງການຮຽນຮູ້ເຄື່ອງຈັກໂດຍອີງໃສ່ມັນ. ລູກຄ້າແມ່ນບໍລິສັດຢາຂະຫນາດໃຫຍ່ຈາກສະຫະລັດ. ດ້ານວິຊາການມັນແມ່ນກຸ່ມ Kubernetes, ເພີ່ມຂຶ້ນເປັນ AWS EC2 ຕົວຢ່າງ, ມີບໍລິການຈຸລະພາກຫຼາຍແຫ່ງ ແລະໂຄງການແຫຼ່ງເປີດຂອງ EPAM - legion, ປັບຕົວເຂົ້າກັບຄວາມຕ້ອງການຂອງລູກຄ້າສະເພາະ (ໃນປັດຈຸບັນໂຄງການໄດ້ຖືກ reborn ເຂົ້າໄປໃນ ໂອດາຮູ). ຂະບວນການ ETL ຖືກຈັດຕັ້ງໂດຍໃຊ້ apache airflow ແລະຍ້າຍຂໍ້ມູນຈາກ Salesforce ລະບົບລູກຄ້າໃນ AWS S3 ຄຸ. ຕໍ່ໄປ, ຮູບພາບ Docker ຂອງຮູບແບບການຮຽນຮູ້ເຄື່ອງຈັກໄດ້ຖືກນໍາໄປໃຊ້ໃນເວທີ, ເຊິ່ງໄດ້ຮັບການຝຶກອົບຮົມກ່ຽວກັບຂໍ້ມູນສົດແລະ, ການນໍາໃຊ້ການໂຕ້ຕອບ REST API, ຜະລິດການຄາດຄະເນທີ່ມີຄວາມສົນໃຈກັບທຸລະກິດແລະແກ້ໄຂບັນຫາສະເພາະ.

ຕາມສາຍຕາ, ທຸກຢ່າງເບິ່ງຄືດັ່ງນີ້:

ມີການທົດສອບທີ່ເປັນປະໂຫຍດຫຼາຍກ່ຽວກັບໂຄງການນີ້, ແລະໃຫ້ຄວາມໄວຂອງການພັດທະນາຄຸນນະສົມບັດແລະຄວາມຕ້ອງການທີ່ຈະຮັກສາຈັງຫວະຂອງວົງຈອນການປ່ອຍ (sprints ສອງອາທິດ), ມັນຈໍາເປັນຕ້ອງໄດ້ຄິດທັນທີກ່ຽວກັບການທົດສອບອັດຕະໂນມັດຂອງອົງປະກອບທີ່ສໍາຄັນຂອງ. ລະບົບ. ສ່ວນໃຫຍ່ຂອງແພລະຕະຟອມທີ່ອີງໃສ່ Kubernetes ຕົວຂອງມັນເອງໄດ້ຖືກຄຸ້ມຄອງໂດຍ autotests ປະຕິບັດໃນ ໂຄງຮ່າງການຫຸ່ນຍົນ + Python, ແຕ່ວ່າມັນຍັງມີຄວາມຈໍາເປັນເພື່ອສະຫນັບສະຫນູນແລະຂະຫຍາຍພວກມັນ. ນອກຈາກນັ້ນ, ເພື່ອຄວາມສະດວກຂອງລູກຄ້າ, GUI ໄດ້ຖືກສ້າງຂື້ນເພື່ອຈັດການແບບຈໍາລອງການຮຽນຮູ້ເຄື່ອງຈັກທີ່ຖືກນໍາໃຊ້ກັບກຸ່ມ, ເຊັ່ນດຽວກັນກັບຄວາມສາມາດໃນການລະບຸບ່ອນແລະບ່ອນທີ່ຂໍ້ມູນຕ້ອງໄດ້ຮັບການໂອນສໍາລັບການຝຶກອົບຮົມແບບຈໍາລອງ. ການເພີ່ມເຕີມທີ່ກວ້າງຂວາງນີ້ປະກອບມີການຂະຫຍາຍຕົວຂອງການທົດສອບການເຮັດວຽກແບບອັດຕະໂນມັດ, ເຊິ່ງສ່ວນໃຫຍ່ແມ່ນເຮັດຜ່ານການໂທ REST API ແລະຈໍານວນຈໍານວນຫນ້ອຍຂອງການທົດສອບ UI end-2-end. ປະມານເສັ້ນສູນສູດຂອງການເຄື່ອນໄຫວທັງຫມົດນີ້, ພວກເຮົາໄດ້ເຂົ້າຮ່ວມໂດຍຜູ້ທົດສອບຄູ່ມືທີ່ເຮັດວຽກທີ່ດີເລີດກັບການທົດສອບການຍອມຮັບຂອງຮຸ່ນຜະລິດຕະພັນແລະການສື່ສານກັບລູກຄ້າກ່ຽວກັບການຍອມຮັບຂອງການປ່ອຍຕໍ່ໄປ. ນອກຈາກນັ້ນ, ເນື່ອງຈາກການມາຮອດຂອງຜູ້ຊ່ຽວຊານໃຫມ່, ພວກເຮົາສາມາດບັນທຶກວຽກງານຂອງພວກເຮົາແລະເພີ່ມການກວດສອບຄູ່ມືທີ່ສໍາຄັນຈໍານວນຫນຶ່ງທີ່ຍາກທີ່ຈະເຮັດໃຫ້ອັດຕະໂນມັດທັນທີ.

ແລະສຸດທ້າຍ, ຫຼັງຈາກທີ່ພວກເຮົາບັນລຸຄວາມຫມັ້ນຄົງຈາກເວທີແລະ GUI add-on ເທິງມັນ, ພວກເຮົາໄດ້ເລີ່ມສ້າງທໍ່ ETL ໂດຍໃຊ້ Apache Airflow DAGs. ການກວດສອບຄຸນນະພາບຂໍ້ມູນອັດຕະໂນມັດໄດ້ຖືກປະຕິບັດໂດຍການຂຽນ DAGs Airflow ພິເສດທີ່ກວດສອບຂໍ້ມູນໂດຍອີງໃສ່ຜົນໄດ້ຮັບຂອງຂະບວນການ ETL. ເປັນສ່ວນຫນຶ່ງຂອງໂຄງການນີ້, ພວກເຮົາໂຊກດີແລະລູກຄ້າໄດ້ໃຫ້ພວກເຮົາເຂົ້າເຖິງຊຸດຂໍ້ມູນທີ່ບໍ່ເປີດເຜີຍຊື່ທີ່ພວກເຮົາໄດ້ທົດສອບ. ພວກເຮົາໄດ້ກວດເບິ່ງເສັ້ນຂໍ້ມູນໂດຍສາຍສໍາລັບການປະຕິບັດຕາມປະເພດ, ການປະກົດຕົວຂອງຂໍ້ມູນທີ່ແຕກຫັກ, ຈໍານວນບັນທຶກທັງຫມົດກ່ອນແລະຫຼັງ, ການປຽບທຽບການຫັນປ່ຽນທີ່ເຮັດໂດຍຂະບວນການ ETL ສໍາລັບການລວບລວມ, ການປ່ຽນຊື່ຖັນ, ແລະສິ່ງອື່ນໆ. ນອກຈາກນັ້ນ, ການກວດສອບເຫຼົ່ານີ້ໄດ້ຖືກຂະຫຍາຍໄປຫາແຫຼ່ງຂໍ້ມູນທີ່ແຕກຕ່າງກັນ, ຕົວຢ່າງ, ນອກເຫນືອຈາກ SalesForce, ຍັງ MySQL.

ການກວດສອບຄຸນນະພາບຂໍ້ມູນສຸດທ້າຍໄດ້ຖືກປະຕິບັດແລ້ວໃນລະດັບ S3, ບ່ອນທີ່ພວກມັນຖືກເກັບຮັກສາໄວ້ແລະກຽມພ້ອມທີ່ຈະນໍາໃຊ້ສໍາລັບແບບຈໍາລອງການຮຽນຮູ້ເຄື່ອງຈັກ. ເພື່ອໃຫ້ໄດ້ຮັບຂໍ້ມູນຈາກໄຟລ໌ CSV ສຸດທ້າຍທີ່ຢູ່ໃນ S3 Bucket ແລະກວດສອບມັນ, ລະຫັດຖືກຂຽນໂດຍໃຊ້ ລູກຄ້າ boto3.

ນອກນັ້ນຍັງມີຄວາມຕ້ອງການຈາກລູກຄ້າທີ່ຈະເກັບຂໍ້ມູນສ່ວນຫນຶ່ງຂອງ S3 Bucket ແລະສ່ວນຫນຶ່ງໃນອີກສ່ວນຫນຶ່ງ. ນີ້ຍັງຈໍາເປັນຕ້ອງຂຽນການກວດສອບເພີ່ມເຕີມເພື່ອກວດເບິ່ງຄວາມຫນ້າເຊື່ອຖືຂອງການຈັດລຽງດັ່ງກ່າວ.

ປະສົບການທົ່ວໄປຈາກໂຄງການອື່ນໆ

ຕົວຢ່າງຂອງລາຍການກິດຈະກໍາທົ່ວໄປທີ່ສຸດຂອງວິສະວະກອນຄຸນນະພາບຂໍ້ມູນ:

• ກະກຽມຂໍ້ມູນການທົດສອບ (ຂະຫນາດນ້ອຍທີ່ຖືກຕ້ອງບໍ່ຖືກຕ້ອງ) ຜ່ານເຄື່ອງມືອັດຕະໂນມັດ.
• ອັບໂຫລດຊຸດຂໍ້ມູນທີ່ກຽມໄວ້ໃສ່ແຫຼ່ງຕົ້ນສະບັບ ແລະກວດເບິ່ງວ່າມັນພ້ອມນຳໃຊ້ແລ້ວ.
• ເປີດຕົວຂະບວນການ ETL ສໍາລັບການປະມວນຜົນຊຸດຂອງຂໍ້ມູນຈາກບ່ອນເກັບຂໍ້ມູນແຫຼ່ງໄປຫາບ່ອນເກັບຂໍ້ມູນສຸດທ້າຍຫຼືລະດັບປານກາງໂດຍໃຊ້ຊຸດການຕັ້ງຄ່າທີ່ແນ່ນອນ (ຖ້າເປັນໄປໄດ້, ກໍານົດພາລາມິເຕີທີ່ກໍານົດໄດ້ສໍາລັບຫນ້າວຽກ ETL).
• ກວດສອບຂໍ້ມູນທີ່ປະມວນຜົນໂດຍຂະບວນການ ETL ສໍາລັບຄຸນນະພາບຂອງມັນແລະປະຕິບັດຕາມຄວາມຕ້ອງການຂອງທຸລະກິດ.

ໃນເວລາດຽວກັນ, ຈຸດສຸມຕົ້ນຕໍຂອງການກວດສອບຄວນຈະບໍ່ພຽງແຕ່ກ່ຽວກັບຄວາມຈິງທີ່ວ່າການໄຫຼເຂົ້າຂອງຂໍ້ມູນໃນລະບົບມີ, ໃນຫຼັກການ, ເຮັດວຽກແລະບັນລຸການສໍາເລັດ (ເຊິ່ງເປັນສ່ວນຫນຶ່ງຂອງການທົດສອບທີ່ເປັນປະໂຫຍດ), ແຕ່ສ່ວນໃຫຍ່ແມ່ນກ່ຽວກັບການກວດສອບແລະການກວດສອບຂໍ້ມູນ. ການປະຕິບັດຕາມຄວາມຕ້ອງການທີ່ຄາດໄວ້, ການກໍານົດຄວາມຜິດປົກກະຕິແລະສິ່ງອື່ນໆ.

ເຄື່ອງມື

ຫນຶ່ງໃນເຕັກນິກສໍາລັບການຄວບຄຸມຂໍ້ມູນດັ່ງກ່າວສາມາດເປັນການຈັດຕັ້ງຂອງການກວດສອບລະບົບຕ່ອງໂສ້ໃນແຕ່ລະຂັ້ນຕອນຂອງການປະມວນຜົນຂໍ້ມູນ, ອັນທີ່ເອີ້ນວ່າ "ລະບົບຕ່ອງໂສ້ຂໍ້ມູນ" ໃນວັນນະຄະດີ - ການຄວບຄຸມຂໍ້ມູນຈາກແຫຼ່ງໄປຫາຈຸດສຸດທ້າຍຂອງການນໍາໃຊ້. ປະເພດຂອງການກວດສອບເຫຼົ່ານີ້ມັກຈະຖືກປະຕິບັດໂດຍການຂຽນການກວດສອບຄໍາຖາມ SQL. ມັນເປັນທີ່ຊັດເຈນວ່າການສອບຖາມດັ່ງກ່າວຄວນຈະມີນ້ໍາຫນັກເບົາເທົ່າທີ່ເປັນໄປໄດ້ແລະກວດເບິ່ງແຕ່ລະຊິ້ນສ່ວນຂອງຂໍ້ມູນທີ່ມີຄຸນນະພາບ (ຕາຕະລາງ metadata, ເສັ້ນເປົ່າ, NULLs, ຂໍ້ຜິດພາດໃນ syntax - ຄຸນລັກສະນະອື່ນໆທີ່ຕ້ອງການສໍາລັບການກວດສອບ).

ໃນກໍລະນີຂອງການທົດສອບການຖົດຖອຍ, ເຊິ່ງໃຊ້ຊຸດຂໍ້ມູນທີ່ກຽມພ້ອມ (ບໍ່ປ່ຽນແປງ, ປ່ຽນແປງໄດ້ເລັກນ້ອຍ), ລະຫັດ autotest ສາມາດເກັບຮັກສາແມ່ແບບທີ່ກຽມພ້ອມສໍາລັບການກວດສອບຂໍ້ມູນສໍາລັບການປະຕິບັດຕາມຄຸນນະພາບ (ຄໍາອະທິບາຍຂອງ metadata ຕາຕະລາງທີ່ຄາດໄວ້; ແຖວວັດຖຸຕົວຢ່າງທີ່ສາມາດເປັນ. ການຄັດເລືອກແບບສຸ່ມໃນລະຫວ່າງການທົດສອບ, ແລະອື່ນໆ).

ນອກຈາກນີ້, ໃນລະຫວ່າງການທົດສອບ, ທ່ານຕ້ອງຂຽນຂະບວນການທົດສອບ ETL ໂດຍໃຊ້ກອບເຊັ່ນ Apache Airflow, Apache Spark ຫຼືແມ້ກະທັ້ງເຄື່ອງມືປະເພດຄລາວກ່ອງດຳ GCP Dataprep, GCP Dataflow ແລະອື່ນໆ. ສະຖານະການນີ້ບັງຄັບໃຫ້ວິສະວະກອນທົດສອບ immerse ຕົນເອງໃນຫຼັກການຂອງການດໍາເນີນງານຂອງເຄື່ອງມືຂ້າງເທິງນີ້ແລະເຖິງແມ່ນວ່າປະສິດທິພາບຫຼາຍທັງສອງດໍາເນີນການທົດສອບທີ່ເປັນປະໂຫຍດ (ຕົວຢ່າງ, ຂະບວນການ ETL ທີ່ມີຢູ່ແລ້ວໃນໂຄງການໃດຫນຶ່ງ) ແລະນໍາໃຊ້ໃຫ້ເຂົາເຈົ້າກວດສອບຂໍ້ມູນ. ໂດຍສະເພາະ, Apache Airflow ມີຜູ້ປະກອບການທີ່ກຽມພ້ອມສໍາລັບການເຮັດວຽກກັບຖານຂໍ້ມູນການວິເຄາະທີ່ນິຍົມ, ສໍາລັບການຍົກຕົວຢ່າງ GCP BigQuery. ຕົວຢ່າງພື້ນຖານທີ່ສຸດຂອງການນໍາໃຊ້ຂອງມັນໄດ້ຖືກອະທິບາຍແລ້ວ ທີ່ນີ້, ດັ່ງນັ້ນຂ້ອຍຈະບໍ່ເຮັດຊ້ໍາຕົວເອງ.

ນອກເຫນືອຈາກການແກ້ໄຂທີ່ກຽມພ້ອມ, ບໍ່ມີໃຜຫ້າມທ່ານປະຕິບັດເຕັກນິກແລະເຄື່ອງມືຂອງທ່ານເອງ. ນີ້ຈະບໍ່ພຽງແຕ່ເປັນປະໂຫຍດສໍາລັບໂຄງການ, ແຕ່ຍັງສໍາລັບວິສະວະກອນຄຸນນະພາບຂໍ້ມູນຕົນເອງ, ຜູ້ທີ່ຈະຊ່ວຍປັບປຸງຂອບເຂດດ້ານວິຊາການແລະທັກສະການເຂົ້າລະຫັດຂອງລາວ.

ມັນເຮັດວຽກແນວໃດກ່ຽວກັບໂຄງການທີ່ແທ້ຈິງ

ຕົວຢ່າງທີ່ດີຂອງວັກສຸດທ້າຍກ່ຽວກັບ "ລະບົບຕ່ອງໂສ້ຂໍ້ມູນ", ETL ແລະການກວດສອບທົ່ວທຸກມຸມແມ່ນຂະບວນການຕໍ່ໄປນີ້ຈາກຫນຶ່ງໃນໂຄງການທີ່ແທ້ຈິງ:

ທີ່ນີ້, ຂໍ້ມູນຕ່າງໆ (ຕາມທໍາມະຊາດ, ການກະກຽມໂດຍພວກເຮົາ) ເຂົ້າໄປໃນ "funnel" ຂອງລະບົບຂອງພວກເຮົາ: ຖືກຕ້ອງ, ບໍ່ຖືກຕ້ອງ, ປະສົມ, ແລະອື່ນໆ, ຫຼັງຈາກນັ້ນເຂົາເຈົ້າໄດ້ຖືກກັ່ນຕອງແລະສິ້ນສຸດລົງໃນການເກັບຮັກສາລະດັບປານກາງ, ຫຼັງຈາກນັ້ນພວກເຂົາໄດ້ຮັບການປ່ຽນໃຫມ່. ແລະຖືກຈັດໃສ່ໃນບ່ອນເກັບມ້ຽນສຸດທ້າຍ, ຈາກນັ້ນ, ການວິເຄາະ, ການກໍ່ສ້າງຂໍ້ມູນແລະການຄົ້ນຫາຄວາມເຂົ້າໃຈທາງທຸລະກິດຈະຖືກປະຕິບັດ. ໃນລະບົບດັ່ງກ່າວ, ໂດຍບໍ່ມີການກວດສອບການເຮັດວຽກຂອງຂະບວນການ ETL, ພວກເຮົາສຸມໃສ່ຄຸນນະພາບຂອງຂໍ້ມູນກ່ອນແລະຫຼັງຈາກການຫັນປ່ຽນ, ເຊັ່ນດຽວກັນກັບຜົນຜະລິດໃນການວິເຄາະ.

ເພື່ອສະຫຼຸບຂ້າງເທິງ, ໂດຍບໍ່ຄໍານຶງເຖິງສະຖານທີ່ທີ່ຂ້ອຍເຮັດວຽກ, ຢູ່ທົ່ວທຸກແຫ່ງທີ່ຂ້ອຍມີສ່ວນຮ່ວມໃນໂຄງການ Data ທີ່ແບ່ງປັນລັກສະນະດັ່ງຕໍ່ໄປນີ້:

• ພຽງແຕ່ໂດຍຜ່ານອັດຕະໂນມັດທ່ານສາມາດທົດສອບບາງກໍລະນີແລະບັນລຸວົງຈອນການປ່ອຍຕົວທີ່ຍອມຮັບກັບທຸລະກິດ.
• ຜູ້ທົດສອບໃນໂຄງການດັ່ງກ່າວແມ່ນຫນຶ່ງໃນບັນດາສະມາຊິກທີ່ເຄົາລົບທີ່ສຸດຂອງທີມງານ, ຍ້ອນວ່າມັນນໍາເອົາຜົນປະໂຫຍດອັນໃຫຍ່ຫຼວງໃຫ້ກັບຜູ້ເຂົ້າຮ່ວມແຕ່ລະຄົນ (ການເລັ່ງການທົດສອບ, ຂໍ້ມູນທີ່ດີຈາກ Data Scientist, ການກໍານົດຂໍ້ບົກພ່ອງໃນໄລຍະຕົ້ນ).
• ມັນບໍ່ສໍາຄັນວ່າທ່ານຈະເຮັດວຽກຢູ່ໃນຮາດແວຂອງທ່ານເອງຫຼືຢູ່ໃນຄລາວ - ຊັບພະຍາກອນທັງຫມົດແມ່ນບໍ່ມີຕົວຕົນເຂົ້າໄປໃນກຸ່ມເຊັ່ນ Hortonworks, Cloudera, Mesos, Kubernetes, ແລະອື່ນໆ.
• ໂຄງ​ການ​ຕ່າງໆ​ແມ່ນ​ໄດ້​ຮັບ​ການ​ສ້າງ​ຂຶ້ນ​ໃນ​ວິ​ທີ​ການ microservice​, ການ​ແຜ່​ກະ​ຈາຍ​ແລະ​ຂະ​ຫນານ​ຄອມ​ພິວ​ເຕີ predominate​.

ຂ້າພະເຈົ້າຢາກສັງເກດວ່າໃນເວລາທີ່ເຮັດການທົດສອບໃນດ້ານຄຸນນະພາບຂອງຂໍ້ມູນ, ຜູ້ຊ່ຽວຊານດ້ານການທົດສອບໄດ້ປ່ຽນຈຸດສຸມທີ່ເປັນມືອາຊີບຂອງລາວໄປສູ່ລະຫັດຂອງຜະລິດຕະພັນແລະເຄື່ອງມືທີ່ໃຊ້.

ລັກສະນະທີ່ໂດດເດັ່ນຂອງການທົດສອບຄຸນນະພາບຂໍ້ມູນ

ນອກຈາກນັ້ນ, ສໍາລັບຕົວຂ້ອຍເອງ, ຂ້ອຍໄດ້ກໍານົດສິ່ງຕໍ່ໄປນີ້ (ຂ້ອຍຈະເຮັດການຈອງທັນທີວ່າພວກເຂົາເປັນລັກສະນະທົ່ວໄປແລະສະເພາະ) ລັກສະນະທີ່ໂດດເດັ່ນຂອງການທົດສອບໃນໂຄງການ Data (Big Data) (ລະບົບ) ແລະພື້ນທີ່ອື່ນໆ:

ການເຊື່ອມຕໍ່ທີ່ເປັນປະໂຫຍດ

1. ທິດສະດີ: DAMA-DMBOK: ໜ່ວຍງານຄຸ້ມຄອງຂໍ້ມູນຄວາມຮູ້: ສະບັບທີ 2.
2. ສູນຝຶກອົບຮົມ EPAM 
3. ວັດສະດຸທີ່ແນະນຳສຳລັບວິສະວະກອນຄຸນນະພາບຂໍ້ມູນເລີ່ມຕົ້ນ:
   1. ຫຼັກສູດຟຣີກ່ຽວກັບ Stepik: ການແນະນໍາຖານຂໍ້ມູນ. 
   2. ຫຼັກສູດການຮຽນຮູ້ກ່ຽວກັບ LinkedIn: ພື້ນຖານວິທະຍາສາດຂໍ້ມູນ: ວິສະວະກໍາຂໍ້ມູນ.
   3. ບົດຄວາມ:
      • Business Intelligence ແລະຄຸນນະພາບຂໍ້ມູນ; 
      • ການທົດສອບ ETL; 
      • Data Profiling ແມ່ນຫຍັງ? ຂະບວນການ, ການປະຕິບັດທີ່ດີທີ່ສຸດແລະເຄື່ອງມື; 
      • ການທົດສອບການສ້າງຂໍ້ມູນ: ແມ່ນຫຍັງ, ວິທີການ, ຕົວຢ່າງ, ເຄື່ອງມື; 
      • 5 ທົດສອບເຕັກນິກການສ້າງຂໍ້ມູນທີ່ເຈົ້າຕ້ອງຮູ້. 
   4. ວິດີໂອ:
      • ແນວຄວາມຄິດຄຸນນະພາບຂໍ້ມູນ | ການສອນຄຸນນະພາບຂໍ້ມູນ | ການສອນສາງເກັບຂໍ້ມູນ;
      • ການເກັບຂໍ້ມູນໂດຍໃຊ້ SSIS;
      • ການເກັບຂໍ້ມູນແລະການປະມວນຜົນທໍ່ດ້ວຍ Spark.

ສະຫລຸບ

ຄຸນະພາບຂໍ້ມູນ ເປັນທິດທາງທີ່ໄວຫນຸ່ມຫຼາຍ, ເປັນສ່ວນຫນຶ່ງທີ່ຫມາຍຄວາມວ່າເປັນສ່ວນຫນຶ່ງຂອງການເລີ່ມຕົ້ນ. ເມື່ອຢູ່ໃນຄຸນນະພາບຂອງຂໍ້ມູນ, ທ່ານຈະຖືກຝັງຢູ່ໃນຈໍານວນຫລາຍຂອງເຕັກໂນໂລຢີທີ່ທັນສະໄຫມ, ຕາມຄວາມຕ້ອງການ, ແຕ່ສໍາຄັນທີ່ສຸດ, ໂອກາດອັນໃຫຍ່ຫຼວງຈະເປີດໃຫ້ທ່ານສ້າງແລະປະຕິບັດແນວຄວາມຄິດຂອງທ່ານ. ທ່ານຈະສາມາດນໍາໃຊ້ວິທີການປັບປຸງຢ່າງຕໍ່ເນື່ອງບໍ່ພຽງແຕ່ໃນໂຄງການ, ແຕ່ຍັງສໍາລັບຕົວທ່ານເອງ, ການພັດທະນາຢ່າງຕໍ່ເນື່ອງເປັນຜູ້ຊ່ຽວຊານ.

ແຫຼ່ງຂໍ້ມູນ: www.habr.com