ถ้าเราเคยพิมพ์ลง ChatGPT หรือ Claude ว่า “ช่วยเขียน SQL query ให้หน่อย” แล้วได้โค้ดออกมาภายใน 3 วินาที คุณคงเริ่มสงสัยแล้วว่า แล้วจะยังต้องนั่งเรียน SQL เองอยู่ไหม ? คำถามนี้ไม่ได้แปลกเลยครับ และเป็นคำถามที่คนในวงการ data ถามกันเยอะมากในช่วง 1-2 ปีที่ผ่านมา (และถามเยอะมากขึ้นมาก หลังจากที่ตัว Claude ได้ upgrade แบบที่เรียกว่าโครตโหด)
คำตอบสั้นๆจากผมเลย คือ “ยังจำเป็นอยู่เหมือนเดิม” แต่เหตุผลอาจไม่ใช่แบบที่คุณคิดครับ บทความนี้จะพาไปดูว่า SQL ยังมีบทบาทอะไรในยุค AI และทักษะการเขียน query ได้นี้ ควรถูกมองใหม่ยังไงสำหรับคนที่ทำงานด้าน data analytics และ data science ในปัจจุบัน
ก่อนอื่น ทบทวนกันก่อนว่า SQL คืออะไร
SQL ย่อมาจาก Structured Query Language มันคือภาษาที่ใช้สื่อสารกับฐานข้อมูลเชิงสัมพันธ์ (relational database) ไม่ว่าจะเป็น MySQL, PostgreSQL, BigQuery, Snowflake หรือแม้แต่ SQLite
SQL คือภาษากลางที่เราเขียนๆ เพื่อให้มันสามารถใช้ได้กับทุกตัว ตั้งแต่การดึงข้อมูล, กรองข้อมูล, รวมตาราง ไปจนถึงการสรุปผลแบบต่างๆ
SQL มีอายุมากกว่า 50 ปีแล้วครับ และยังอยู่รอดมาได้จนถึงทุกวันนี้
ซึ่งในโลก tech นั้น ถือว่าแทบจะเปลี่ยนเป็นปาฏิหาริย์เลยก็ว่าได้ เพราะเทคโนโลยี หรือภาษาคอมพิวเตอร์บางอย่าง ส่วนใหญ่มักถูกแทนที่ภายใน 10-15 ปี
AI เขียน SQL ได้ดีแค่ไหน?
ต้องยอมรับตรงๆ ว่า AI อย่าง ChatGPT, Claude หรือ GitHub Copilot เขียน SQL ได้ดีมากครับ(ดีจริง ดีแบบไม่รู้ว่าจะติตรงไหน 5555) โดยเฉพาะ query ที่ไม่ซับซ้อน เช่น การ JOIN ตาราง 2-3 ตาราง, การใช้ GROUP BY, หรือการกรองด้วย WHERE condition ธรรมดาๆ
พวกนี้ AI ทำได้เร็ว และมีความถูกต้องในระดับที่น่าประทับใจมาก
แต่ปัญหาคือ AI ไม่รู้จัก “บริบทของธุรกิจคุณ” ครับ มันไม่รู้ว่าคอลัมน์ที่ชื่อ status = 3 ในระบบของบริษัทคุณหมายความว่าอะไร ไม่รู้ว่าตาราง txn_main กับ txn_archive ควร JOIN กันแบบไหน หรือไม่รู้ว่า logic ของ revenue ในบริษัทคุณนับแบบ net หรือ gross และถ้าคุณไม่รู้ SQL เลย คุณก็จะไม่รู้ว่า query ที่ AI เขียนให้นั้น ถูกต้องหรือเปล่า (ถ้าจะให้เก็ทขึ้นไปอีกก็คือ ถูกต้องตามบริบทหรือเปล่า)
ปัญหาของคนที่ “ใช้ AI เขียน SQL โดยไม่เข้าใจ”
นี่คือ blind spot ที่อันตรายมากครับ ลองนึกภาพว่าคุณขอให้ AI เขียน query สรุปยอดขายรายเดือน แล้วเอาผลไปนำเสนอ CEO แต่ปรากฏว่า query นั้น JOIN ผิดตาราง ทำให้ข้อมูลซ้ำกัน (duplicate rows) และยอดขายที่แสดงออกมาสูงกว่าความจริงถึง 2 เท่า ถ้าคุณไม่มีความเข้าใจ SQL เลย คุณจะไม่มีทางรู้ว่าตัวเลขนั้นผิด
ในวงการ data analytics เรียกเรื่องนี้ว่า “garbage in, garbage out” ครับ
และในกรณีนี้คือ “garbage query, garbage insight” ถ้าไม่เข้าใจว่าโค้ดทำงานยังไง เราก็แทบจะไม่มีทางรู้ว่าผลลัพธ์มันน่าเชื่อถือแค่ไหน
SQL ในยุค AI ควรถูกมองว่าเป็น “ทักษะอ่าน” ไม่ใช่แค่ “ทักษะเขียน”
นี่คือ mindset shift ที่สำคัญมากครับ
ในอดีต การเก่ง SQL หมายถึงการจำ syntax ได้แม่น เขียน query ซับซ้อนได้เร็ว แต่ในยุคที่ AI ช่วยเขียนได้แล้ว
ทักษะที่สำคัญกว่าคือความสามารถในการ “อ่านและตรวจสอบ” query ที่ AI เขียนให้ (แอดขอบวกอีกอย่างนึงคือ ความอดทน + ความ detail)
เปรียบได้กับทักษะภาษาอังกฤษครับ แม้ว่า Google Translate จะแปลได้ดีขึ้นมากแล้ว
แต่คนที่มีทักษะภาษาอังกฤษจริงๆ ก็ยังได้เปรียบตรงที่สามารถตรวจว่า translation ถูกต้องไหม มี nuance อะไรหายไปไหม และปรับแก้ได้เองโดยไม่ต้องพึ่ง AI ตลอดเวลา SQL ก็เหมือนกันครับ
แล้ว SQL ขั้นไหนที่ยังต้องเรียนรู้เองจริงๆ ?
สำหรับคนที่ทำงานด้าน data analytics หรืออยากเข้าสู่วงการนี้ ระดับ SQL ที่ยังต้องเข้าใจจริงๆ ไม่ใช่แค่ copy-paste จาก AI
คงจะหนีไม่พ้นเรื่องของ Window Functions อย่าง ROW_NUMBER(), RANK(), LAG(), LEAD() ซึ่งใช้ทำ time-series analysis และ ranking ได้อย่างทรงพลัง,
การเขียน Subquery และ CTE (Common Table Expression) เพื่อจัดโครงสร้าง query ให้อ่านง่ายและ maintain ได้, และการเข้าใจ Query Performance ว่า query แบบไหนช้า แบบไหนเร็ว และควรสร้าง index เมื่อไหร่
สิ่งเหล่านี้ AI ช่วยได้บ้าง แต่การจะ optimize และตัดสินใจได้ถูกต้องในบริบทจริงๆ ยังต้องอาศัยความเข้าใจของมนุษย์อยู่ดีครับ
SQL ยังเป็นทักษะที่ตลาดงาน data ต้องการสูงมาก
ลองดูประกาศงานสาย data analyst, business intelligence, data engineer หรือแม้แต่ product analyst ในไทยและทั่วโลกได้นะครับ แทบทุกตำแหน่งยังระบุ SQL เป็น required skill ไม่ใช่ optional ทั้งนี้เพราะ SQL ไม่ได้เป็นแค่เครื่องมือ แต่เป็นวิธีคิดในการดึงและจัดการข้อมูลที่ฝังอยู่ใน mindset ของคนทำงาน data ทุกคน
จากการสำรวจของ Stack Overflow และแหล่งต่างๆ SQL ยังติดอันดับ top 3 ของภาษาที่ใช้งานมากที่สุดในกลุ่มนักพัฒนาและนักวิเคราะห์ข้อมูลทั่วโลกมาอย่างต่อเนื่อง แม้ว่า Python และ JavaScript จะมาแรง แต่ SQL ก็ไม่ได้ถูกแซงในแง่ของการใช้งานจริงในองค์กรครับ
สรุป: เรียน SQL ในยุค AI ยังไงให้คุ้มที่สุด
SQL ยังจำเป็นอยู่ครับ แต่วิธีที่ควรเรียนเปลี่ยนไปแล้ว
ไม่ต้องท่องจำ syntax ทุกคำสั่งอีกต่อไป แต่ควรเน้นที่การเข้าใจแนวคิด เช่น JOIN ทำงานยังไง, aggregation คืออะไร, และ query ที่ดีต่างจาก query ที่แย่ยังไง
เมื่อมีฐานความเข้าใจที่แน่นมาก คุณจะกลายเป็นคนที่ใช้ AI ได้อย่างฉลาด ไม่ใช่แค่คนที่ copy-paste โค้ดแล้วหวังว่ามันจะถูก
ในยุคที่ทุกคนมีเครื่องมือเดียวกัน ความเข้าใจที่ลึกซึ้งกว่า คือสิ่งที่ทำให้คุณแตกต่างกับคนที่ใช้ AI เป็นเฉยๆครับ
ถ้าอยากเริ่มเรียน SQL และ data analytics อย่างเป็นระบบตั้งแต่พื้นฐาน ไปจนถึงการนำไปใช้งานจริงในองค์กร ติดตามได้ที่ common-learn.com ครับ มีคอร์สแบบ text-based ที่อ่านเข้าใจได้ง่าย ไม่ต้องนั่งดูวิดีโอ แล้วยังสามารถกลับมาทบทวนได้ตลอดเวลาอีกด้วย
Leave a Reply