Section 7: ล็อกสิทธิ์ฐานข้อมูลสำหรับ AI
- ความเสี่ยงเมื่อ AI รัน SQL: แก้ไขข้อมูล Query หนักจนระบบช้า และข้อมูลรั่ว
- สร้าง Read-only Role และ Schema หรือ View เฉพาะที่ AI มองเห็นได้
- ตั้ง statement_timeout, จำกัดจำนวนแถว และแยกไปใช้ Read Replica
- Lab: ทดสอบว่า Agent ลบหรือแก้ไขข้อมูลไม่ได้ แม้ถูกสั่งผ่าน Prompt
Section 8: Lab: SQL Guardrail ก่อนรันจริง
- Parse SQL ด้วย sqlglot เพื่อตรวจว่าเป็นคำสั่ง SELECT เท่านั้น
- Allowlist ตารางและคอลัมน์ และบังคับใส่ LIMIT อัตโนมัติ
- ปิดบังข้อมูลส่วนบุคคลในผลลัพธ์ และเก็บ Log คำถามกับ SQL ทุกครั้ง
- รับมือ Prompt Injection ที่แฝงมาในข้อมูลหรือคำถามของผู้ใช้
Section 9: Evaluation: วัดความแม่นยำของ Data Agent
- สร้างชุดคำถามทดสอบพร้อมคำตอบที่ถูกต้องจากคำถามจริงของทีมธุรกิจ
- Execution Accuracy: เทียบผลลัพธ์ของ Query แทนการเทียบตัวอักษรของ SQL
- แยกประเภทข้อผิดพลาด เช่น เลือกตารางผิด กรองผิด หรือนิยาม Metric ผิด
- Lab: สร้าง Evaluation Notebook และรายงานคะแนนก่อนและหลังปรับปรุง
Section 10: Lab: เชื่อมฐานข้อมูลผ่าน MCP
- Model Context Protocol (MCP) คืออะไร และช่วยให้ AI Assistant เข้าถึงข้อมูลอย่างไร
- เลือก Database MCP Server เช่น MCP Toolbox for Databases และตรวจว่าเป็นโหมดอ่านอย่างเดียว
- เชื่อม PostgreSQL เข้ากับ Claude Desktop หรือ Client ที่รองรับ MCP ด้วย Read-only Role
- เขียน MCP Tool ของตนเองที่รัน Metric จาก Semantic Layer แทน SQL อิสระ
Section 11: ส่งมอบคำตอบให้ผู้ใช้เชื่อถือได้
- ตอบพร้อมตัวเลข กราฟ SQL ที่ใช้ และคำอธิบายสมมติฐานเป็นภาษาไทย
- บอกผู้ใช้เมื่อคำถามอยู่นอกขอบเขตข้อมูล แทนการเดาคำตอบ
- เก็บ Feedback ว่าคำตอบถูกหรือผิด เพื่อเพิ่มเข้า Query Library
- Lab: สร้างหน้าแชตถามข้อมูลอย่างง่ายบน Colab ให้เพื่อนร่วมห้องทดลองใช้
Section 12: Workshop: Capstone Data Agent สำหรับทีมธุรกิจ
- เลือกโจทย์ เช่น ทีมขาย ทีมการเงิน หรือทีมบริการลูกค้า และกำหนดขอบเขตคำถาม
- ออกแบบ Context, Semantic Layer, สิทธิ์ และ Guardrail ให้ครบชุด
- วัดผลด้วยชุดคำถามทดสอบและแก้จุดที่ยังผิด
- นำเสนอผลงาน รีวิวร่วมกัน และสรุป Checklist ก่อนเปิดให้ผู้ใช้จริง