Section 1: AI ในงานวิเคราะห์และออกแบบระบบ
ขั้นตอนงาน SA แบบเดิมและจุดที่กินเวลามากที่สุดจนทีมมักข้ามไป
งานที่ AI ช่วยได้ดีเทียบกับงานที่ยังต้องอาศัยการตัดสินใจของคน
ภาพรวมเส้นทางทั้งหมด: Requirement, Use Case, Process Flow, ER Diagram, API, Architecture, Test
แนวคิด Diagram as Code และเหตุผลที่ควรเก็บงานออกแบบไว้ใน Git
การเตรียมเครื่องมือและการตั้งค่าให้พร้อมใช้ตลอดสองวัน
Section 2: เก็บและเรียบเรียง Requirement ด้วย AI
ความต่างระหว่าง Business, Functional และ Non-functional Requirement
การใช้ AI ช่วยสรุปบันทึกการประชุมและถอดความต้องการออกมาเป็นข้อ ๆ
การเขียน Requirement ให้ชัดเจน วัดผลได้ และไม่กำกวม
การให้ AI ตรวจหาความต้องการที่ขัดแย้งกันเองและจุดที่ยังขาดข้อมูล
การจัดลำดับความสำคัญและการทำ Requirement Traceability
Lab: แปลงบันทึกการประชุมดิบให้เป็นเอกสาร Requirement ที่พร้อมใช้
Section 3: Use Case และ Actor
การระบุ Actor และขอบเขตของระบบให้ชัดก่อนเริ่มเขียน Use Case
การแตก Requirement เป็น Use Case พร้อม Main Flow และ Alternate Flow
การเขียนเงื่อนไขก่อนและหลังการทำงานให้ครบถ้วน
การสร้าง Use Case Diagram ด้วย PlantUML และการปรับแก้เป็นโค้ด
ข้อผิดพลาดที่พบบ่อย เช่น Use Case ละเอียดเกินไปหรือกว้างเกินไป
Lab: สร้าง Use Case Diagram จาก Requirement ของโจทย์ตนเอง
Section 4: Process Flow และ Sequence Diagram
การเขียน Business Process Flow ให้เห็นลำดับงานและผู้รับผิดชอบ
การใช้ Mermaid เขียน Flowchart และการจัดวางให้อ่านง่าย
การเขียน Sequence Diagram เพื่ออธิบายการคุยกันระหว่างส่วนของระบบ
การจัดการเงื่อนไข การวนซ้ำ และกรณียกเว้นใน Diagram
Lab: เขียน Process Flow และ Sequence Diagram ของกระบวนการหลักด้วย Mermaid
Section 5: ER Diagram และการออกแบบฐานข้อมูล
การถอด Entity และความสัมพันธ์ออกมาจาก Requirement และ Use Case
การกำหนด Primary Key, Foreign Key และ Cardinality ให้ถูกต้อง
หลักการ Normalization และเมื่อใดที่การ Denormalize คุ้มกว่า
การสร้าง ER Diagram ด้วย Mermaid และการแปลงเป็นสคริปต์สร้างตาราง
Lab: ออกแบบ ER Diagram แล้วสร้างตารางจริงบน PostgreSQL เพื่อทดสอบ
Section 6: ตรวจทาน Data Model ก่อนไปต่อ
การใช้ AI ตรวจสอบว่า Data Model รองรับทุก Use Case ที่เขียนไว้หรือไม่
การทดสอบด้วยข้อมูลตัวอย่างและ Query จริงเพื่อหาจุดที่ออกแบบพลาด
การพิจารณาปริมาณข้อมูลและ Index ที่จำเป็นตั้งแต่ตอนออกแบบ
Lab: ตรวจทานและปรับ Data Model ของตนเองจนรองรับทุก Use Case