Ийм нөхцөлд Data Engineering-ийн хамгийн чухал үүрэг бол өгөгдлийг цуглуулах, цэвэрлэх, нэгтгэх, анализ хийхэд бэлэн болгох юм. Энэ процессыг ихэвчлэн ETL болон ELT архитектурын тусламжтайгаар хийдэг.

ETL гэж юу вэ?

ETL гэдэг нь дараах 3 үе шаттай өгөгдлийн боловсруулалтын pipeline юм.

E – Extract (Өгөгдөл татах)
T – Transform (Өгөгдөл боловсруулах)
L – Load (Өгөгдлийг агуулахад хадгалах)

Энэ процесс нь олон төрлийн эх сурвалжаас өгөгдөл авч, түүнийг цэвэрлэж боловсруулаад Data Warehouse эсвэл Analytics system рүү оруулдаг.

ETL процессийн үндсэн алхмууд

1. Extract

Эх сурвалжууд:

• Database (MySQL, PostgreSQL)
• CSV / Excel файлууд
• API
• Web logs
• SaaS системүүд (Salesforce, Google Analytics)

Жишээ Python код:

import pandas as pd

# CSV файлаас өгөгдөл татах
data = pd.read_csv("sales_data.csv")

print(data.head())

import pandas as pd

# CSV файлаас өгөгдөл татах
data = pd.read_csv("sales_data.csv")

print(data.head())

Энэ алхамд өгөгдлийг анхны эх сурвалжаас татаж pipeline руу оруулдаг.

2. Transform

Transform үе шатанд өгөгдлийг цэвэрлэж, форматлаж, бизнесийн логик ашиглан боловсруулна.

Жишээ:

• Missing value нөхөх
• Огноо форматлах
• Шинэ feature үүсгэх
• Duplicate устгах

Python жишээ:

# missing value нөхөх
data['sales'] = data['sales'].fillna(0)

# шинэ column үүсгэх
data['total_price'] = data['quantity'] * data['price']

# duplicate мөрүүд устгах
data = data.drop_duplicates()

# missing value нөхөх
data['sales'] = data['sales'].fillna(0)

# шинэ column үүсгэх
data['total_price'] = data['quantity'] * data['price']

# duplicate мөрүүд устгах
data = data.drop_duplicates()

Энэ алхам нь data quality-г сайжруулдаг.

3. Load

Сүүлийн алхамд боловсруулсан өгөгдлийг data warehouse эсвэл database руу хадгална.

Python жишээ:

from sqlalchemy import create_engine

engine = create_engine("postgresql://user:password@localhost:5432/datawarehouse")

data.to_sql("sales_cleaned", engine, if_exists="replace", index=False)

from sqlalchemy import create_engine

engine = create_engine("postgresql://user:password@localhost:5432/datawarehouse")

data.to_sql("sales_cleaned", engine, if_exists="replace", index=False)

Ингэснээр өгөгдөл BI tools (Power BI, Tableau) болон Machine Learning model-д ашиглахад бэлэн болно.

ELT гэж юу вэ?

Сүүлийн жилүүдэд cloud data warehouse хөгжсөнөөр ELT архитектур илүү өргөн хэрэглэгдэж байна.

ELT = Extract → Load → Transform

Өөрөөр хэлбэл:

1. Extract – өгөгдөл татна
2. Load – raw data-г warehouse руу шууд хадгална
3. Transform – warehouse дотор SQL ашиглан боловсруулна

Жишээ: Snowflake, BigQuery, Databricks, dbt (Data Build Tool).

Python ашиглан raw data load хийх жишээ:

import pandas as pd

data = pd.read_csv("sales_data.csv")

# Raw data warehouse-д шууд хадгалах
data.to_csv("raw_sales_data.csv", index=False)

import pandas as pd

data = pd.read_csv("sales_data.csv")

# Raw data warehouse-д шууд хадгалах
data.to_csv("raw_sales_data.csv", index=False)

Warehouse дотор transformation хийх SQL:

SELECT
    quantity,
    price,
    quantity * price AS total_price
FROM raw_sales_data;

SELECT
    quantity,
    price,
    quantity * price AS total_price
FROM raw_sales_data;

ETL ба ELT ялгаа

Data Engineering-д ETL/ELT яагаад чухал вэ?

ETL/ELT pipeline нь data infrastructure-ийн үндсэн суурь юм.

1. Data integration

Олон эх сурвалжийг нэгтгэнэ.

Жишээ:

• CRM
• Web analytics
• Payment system
• ERP

2. Data quality сайжруулна

Transform алхам нь:

• алдаатай data
• missing value
• inconsistent format

зэргийг засдаг.

3. Analytics ба BI боломжийг бий болгоно

ETL/ELT pipeline байхгүй бол:

• dashboard
• machine learning
• forecasting

хийх боломж маш хязгаарлагдана.

4. Automation

Data engineering pipeline-ууд ихэвчлэн automation ашигладаг.

Жишээ tools:

• Airflow
• Prefect
• ClearML pipeline

Pipeline-ийг өдөр бүр автоматаар ажиллуулж болно.

Python pipeline жишээ:

def etl_pipeline():
    
    data = extract()
    data = transform(data)
    load(data)

etl_pipeline()

def etl_pipeline():
    
    data = extract()
    data = transform(data)
    load(data)

etl_pipeline()

Нэгтгэн дүгнэвэл ETL болон ELT нь Data Engineering-ийн суурь ойлголтуудын нэг юм. Эдгээр pipeline-ууд нь олон төрлийн эх сурвалжаас ирсэн өгөгдлийг нэгтгэж, цэвэрлэж, аналитик болон machine learning-д ашиглах боломжтой болгодог.

Орчин үеийн байгууллагууд data-driven decision making хийхийн тулд ETL/ELT pipeline-д тулгуурладаг. Тиймээс Data Engineer болохыг хүссэн хүн бүр data pipeline architecture, data warehouse, transformation logic зэрэг ойлголтуудыг сайн эзэмших шаардлагатай байдаг.

“Дата Инженер” танхимын сургалтын мэдээлэл авах бол энд дарна уу.

The post ETL / ELT – Data Engineering appeared first on Data School.

Иймээс байгууллагууд Data Warehouse байгуулж, аналитик зорилгоор өгөгдлийг тусгай бүтэцтэй хадгалдаг. Энэ бүтэц нь ихэвчлэн Fact table болон Dimension table гэсэн хоёр үндсэн төрлийн хүснэгтээс бүрддэг.

Эдгээр нь Business Intelligence (BI), dashboard, data analytics, machine learning зэрэг системүүдийн суурь архитектур юм.

Fact Table гэж юу вэ?

Fact table гэдэг нь бизнесийн хэмжигдэхүүн (measurable metrics)-үүдийг хадгалдаг хүснэгт юм.

Fact table нь ихэвчлэн:

• numeric metrics
• transaction data
• business events

зэргийг хадгалдаг.

Жишээ нь:

Энд:

• quantity
• revenue

гэдэг нь fact буюу хэмжигдэхүүнүүд юм.

Fact table ихэвчлэн маш олон мөртэй (millions / billions rows) байдаг.

Dimension Table гэж юу вэ?

Dimension table нь fact table-д байгаа өгөгдлийг тайлбарлах мэдээлэл (descriptive attributes) агуулдаг.

Өөрөөр хэлбэл dimension table нь:

• хэн?
• хаана?
• ямар бүтээгдэхүүн?
• ямар хугацаанд?

гэсэн асуултуудад хариулдаг.

Жишээ: Product Dimension

Жишээ: Customer Dimension

Dimension table нь аналитик query хийхэд нэмэлт мэдээлэл өгдөг.

Fact + Dimension хэрхэн хамт ажилладаг вэ?

Fact table нь dimension table-уудтай foreign key ашиглан холбогддог.

Жишээ:

Fact Sales
------------
product_id
customer_id
date_id
revenue
quantity

Fact Sales
------------
product_id
customer_id
date_id
revenue
quantity

Dimension tables:

Dim Product
Dim Customer
Dim Date

Dim Product
Dim Customer
Dim Date

SQL query жишээ:

SELECT 
    p.product_name,
    SUM(f.revenue) AS total_sales
FROM fact_sales f
JOIN dim_product p
    ON f.product_id = p.product_id
GROUP BY p.product_name;

SELECT 
    p.product_name,
    SUM(f.revenue) AS total_sales
FROM fact_sales f
JOIN dim_product p
    ON f.product_id = p.product_id
GROUP BY p.product_name;

Энэ query нь:

“Бүтээгдэхүүн бүрийн нийт борлуулалт”-ыг гаргана.

Star Schema

Fact ба dimension table-ууд ихэвчлэн Star Schema бүтэц үүсгэдэг.

        Dim Customer
              |
Dim Product — Fact Sales — Dim Date
              |
        Dim Store

        Dim Customer
              |
Dim Product — Fact Sales — Dim Date
              |
        Dim Store

Fact table нь төвд байрлаж, dimension table-ууд од (star) хэлбэрээр холбогддог.

Star schema-ийн давуу тал:

• Query хурдан
• BI tools-д тохиромжтой
• SQL ойлгомжтой

Python ашиглан Fact Table үүсгэх жишээ

Fact table үүсгэх энгийн жишээ.

import pandas as pd

data = {
    "product_id": [101, 102, 101],
    "customer_id": [1, 2, 3],
    "quantity": [2, 1, 4],
    "price": [20, 30, 20]
}

df = pd.DataFrame(data)

df["revenue"] = df["quantity"] * df["price"]

print(df)

import pandas as pd

data = {
    "product_id": [101, 102, 101],
    "customer_id": [1, 2, 3],
    "quantity": [2, 1, 4],
    "price": [20, 30, 20]
}

df = pd.DataFrame(data)

df["revenue"] = df["quantity"] * df["price"]

print(df)

Output:

product_id customer_id quantity price revenue
101        1           2        20    40
102        2           1        30    30
101        3           4        20    80

product_id customer_id quantity price revenue
101        1           2        20    40
102        2           1        30    30
101        3           4        20    80

Энэ dataframe нь fact sales table болж ашиглагдаж болно.

Dimension table Python жишээ

products = {
    "product_id": [101, 102],
    "product_name": ["Laptop", "Phone"],
    "category": ["Electronics", "Electronics"]
}

dim_product = pd.DataFrame(products)

print(dim_product)

products = {
    "product_id": [101, 102],
    "product_name": ["Laptop", "Phone"],
    "category": ["Electronics", "Electronics"]
}

dim_product = pd.DataFrame(products)

print(dim_product)

Fact ба Dimension table-ийг join хийх

merged = df.merge(dim_product, on="product_id")

print(merged)

merged = df.merge(dim_product, on="product_id")

print(merged)

Output:

product_name  quantity revenue
Laptop        2        40
Phone         1        30
Laptop        4        80

product_name  quantity revenue
Laptop        2        40
Phone         1        30
Laptop        4        80

Энэ нь аналитик query хийхтэй ижил зарчим юм.

Fact Table-ийн онцлог

Fact table ихэвчлэн:

• numeric metrics хадгална
• dimension keys агуулна
• маш их хэмжээний data агуулна
• aggregation хийхэд ашиглагдана

Жишээ metric:

• revenue
• sales
• profit
• clicks
• impressions

Dimension Table-ийн онцлог

Dimension table нь:

• descriptive attributes агуулна
• жижиг хэмжээтэй
• BI analysis хийхэд контекст өгнө

Жишээ dimension:

• customer
• product
• date
• location
• store

Data Warehouse-д яагаад хэрэгтэй вэ?

Fact болон Dimension table ашиглах нь аналитик системд дараах давуу талуудыг бий болгодог.

1. Query performance сайжирна

BI dashboard-ууд хурдан ажиллана.

2. Business analysis илүү ойлгомжтой болно

Жишээ асуултууд:

• ямар бүтээгдэхүүн хамгийн их зарагдсан бэ?
• аль хотод хамгийн их борлуулалт байна?
• аль сар хамгийн өндөр орлоготой байсан бэ?

3. BI tools-тэй уялдаатай ажиллах боломж бүрдэнэ

Дараах хэрэгслүүд Star Schema-г шууд ашигладаг.

• Power BI
• Tableau
• Looker
• Superset

Fact болон Dimension table нь Data Warehouse architecture-ийн хамгийн чухал ойлголтуудын нэг юм. Fact table нь бизнесийн хэмжигдэхүүнүүдийг хадгалдаг бол Dimension table нь тухайн өгөгдлийг тайлбарлах контекст өгдөг.

Эдгээр хүснэгтүүдийг хамтад нь ашигласнаар байгууллагууд хурдан, ойлгомжтой, scalable аналитик систем бий болгодог бөгөөд BI dashboard, data analytics, machine learning системүүдийн суурь болдог.

Fact table, Dimension table, Star schema, Data warehouse design зэрэг ойлголтуудыг сайн ойлгосноор өгөгдлийн системүүдийг илүү үр ашигтай бүтээж чадна. Хэрвээ дата инженерчлэлийн гол ур чадваруудыг онол, практик хослуулан суралцахыг хүсвэл Data School-с зохион байгуулж буй 4-р сарын 15-нд эхлэх “Дата Инженер” танхимын сургалтанд бүртгүүлээрэй. Анги дүүргэлт ердөө 10 хүнтэй сургалт явагдана.

The post Fact ба Dimension Table гэж юу вэ? (Data Warehouse-ийн үндсэн ойлголт) appeared first on Data School.

Хөтөлбөрт хамрагдсанаар юу сурах вэ?

• Data Engineering үндэс: Data Engineering-ийн үүрэг, дата экосистем, өгөгдлийн урсгал (data flow), дата архитектурын үндсэн ойлголтууд.
• SQL/NoSQL ба Өгөгдлийн сан: Өгөгдлийн сантай ажиллах, SQL query бичих, JOIN, Subquery, Window function ашиглан өгөгдлийг боловсруулах, дата warehouse ойлголт.
• Python программчлал: Python ашиглан өгөгдөл боловсруулах, файл боловсруулах (CSV, JSON), Pandas ашиглан өгөгдөл цэвэрлэх, боловсруулах.
• ETL / ELT: Extract – Transform – Load архитектур, өгөгдөл цуглуулах, боловсруулах pipeline хөгжүүлэх.
• Cloud Data Engineering (AWS): Cloud орчин дахь өгөгдлийн архитектур, Data Warehouse, Data Lake ойлголт, cloud storage ашиглах.
• Data Pipeline Engineering: Өгөгдлийн pipeline зохион байгуулах, workflow автоматжуулалт, Git болон GitHub ашиглан version control хийх.
• BI Integration: Data warehouse-аас BI системүүдтэй холбох, Tableau ашиглан өгөгдлийг бизнесийн анализад бэлтгэх.
• AI үндэс, хэрэглээ: AI болон автоматжуулалт Data Engineering-д хэрхэн ашиглагддаг талаар ойлголт авч, data pipeline болон analytics системтэй интеграц хийх.
• Capstone төсөл: End-to-End Data Engineering төсөл хийж, өгөгдөл цуглуулах, боловсруулах, pipeline хөгжүүлэх, BI integration хийх бодит практик туршлага олж авна.

Хөтөлбөрийн онцлох давуу талууд

• Танхимын сургалт: Та мэргэжлийн багш нарын зөвлөгөө, зааврын дагуу танхимаар суралцаж, бодит ур чадвар эзэмшинэ.
• Практикт суурилсан: Онол 20%, Практик 80% зарчмаар бодит өгөгдөл дээр pipeline хөгжүүлж сурах болно.
• Ажлын бодит кейсүүд: Компанийн өгөгдлийн pipeline болон дата архитектурын бодит жишээнүүд дээр ажиллана.
• Capstone төсөл: Portfolio-д оруулах End-to-End Data Engineering төсөл хийж гүйцэтгэнэ.
• Сертификат: “Data Engineer” танхимын сургалтын Сертификат Англи, Монгол хэл дээр дагалдана.

Хэнд зориулсан бэ?

• Дата Аналистууд: Data Engineering ур чадвараа нэмэгдүүлж, өгөгдлийн pipeline хөгжүүлэхийг хүссэн хүмүүс.
• Программистууд: Backend developer болон программистууд Data Engineer чиглэлд хөгжихийг хүссэн хүмүүс.
• IT мэргэжилтнүүд: Cloud болон өгөгдлийн архитектур дээр ажиллахыг хүссэн мэргэжилтнүүд.
• Оюутнууд: IT, Data, Computer Science чиглэлээр суралцаж буй оюутнууд болон шинэ төгсөгчид.

Хичээллэх хуваарь:

• Лхагва гараг бүр: 2026 оны 4-р сарын 15-нд эхэлнэ. 
• Үргэлжлэх хугацаа: 2 сар. 
• Хичээллэх хуваарь: 18:30-21:30 цаг.
• Сургалт онол 20%, практик 80% зарчмаар явагдах ба бодит өгөгдөл дээр асуудал шийдвэрлэх, шинэ технологиудыг сууриар нь сонирхолтой байдлаар сурах, багийн ажил, мэргэжил карьерийн түвшинд амжилттай ажиллах зөвлөгөө гэх мэт олон боломжууд таныг хүлээж байна.
• Долоо хоног бүр хичээлтэй холбоотой гэрийн даалгавар, дасгалууд хийх ба нэмэлтээр Capstone төсөл хийж сурсан зүйлээ баталгаажуулна.

Сургалтын төлбөр:

• Үндсэн төлбөр: ₮4,400,000 (НӨАТ орсон) – 4 хуваан төлөх боломжтой.
• Урьдчилгаа ₮1,100,000 төгрөгийг “Дата Аналитикс” ХХК-ийн данс руу шилжүүлж суудлаа баталгаажуулна уу.
• Хаан банк IBAN: MN58 0005 00 5115094336, Дата Аналитикс, Гүйлгээний утга: Овог нэр, утсаа бичих. Байгууллага бол байгууллагын нэр, регистрээ бичнэ үү.

Байршил

• Сургалт орох байршил: Парк Плэйс Оффис, 5 давхар, 504 тоот, СБД, 1-р хороо, УБ хот.

The post “DATA ENGINEER” ТАНХИМЫН СУРГАЛТ appeared first on Data School.

Бүхий л төрлийн байгууллагууд бизнесийн шийдвэрээ өгөгдөл дээр үндэслэн гаргах болсон тул Дата аналист, Дата инженер, Data Scientist, Machine Learning Engineer, AI Engineer зэрэг мэргэжлүүд Дэлхийн Эдийн Засгийн Форумын судалгаа болон бусад төрлийн судалгаагаар эрэлттэй мэргэжлүүдийн жагсаалтын дээгүүр эрэмбэлэгдэж байна. Тэгвэл танд эдгээр хүмүүс нь яг юу хийдэг? Юугаараа ялгаатай эсвэл ижил төстэй зүйлүүд нь юу байдаг? Ямар ур чадвар, суурь мэдлэг шаардлагатай вэ? Надад тохирох болов уу? Өөр мэргэжлээс шилжиж болох уу? Хүүхдээ энэ чиглэлээр сургавал ямар ямар боломжууд байгаа талаар асуулт тулгарч байсан уу? Энэ нийтлэлд бид эдгээр мэргэжлүүдийг энгийн ойлгомжтой, уялдаатай байдлаар тайлбарлаж, аль чиглэл нь танд тохирохыг ойлгоход туслах болно.

1. Дата Аналист (Data Analyst)

Дата аналист бол өгөгдлийг ойлгомжтой мэдээлэл, тайлан, dashboard болгон хувиргадаг мэргэжилтэн юм.

Тэдний гол зорилго бол өгөгдлийг ашиглан бизнесийн шийдвэр гаргахад туслах.

Гол ажил

• Өгөгдөл цэвэрлэх (Data Cleaning)
• Excel, SQL ашиглан анализ хийх
• Power BI, Tableau ашиглан dashboard хийх
• Тайлан, график, визуалчлал хийх
• Бизнесийн асуултад өгөгдлөөр хариулах

Ашигладаг хэрэгслүүд

• Excel
• SQL
• Power BI / Tableau
• Python (pandas, matplotlib)

Жишээ

Жишээлбэл:
Нэг банк дараах асуултад хариу авахыг хүсэж болно.

“Манай аль салбар хамгийн их ашигтай ажиллаж байна вэ?”

Дата аналист өгөгдлийг шинжилж, dashboard хийж, шийдвэр гаргахад тусална.

Хэнд тохирох вэ?

• Бизнес, санхүү, маркетингийн хүмүүс
• Excel сонирхдог хүмүүс
• Программчлал бага хэрэглэдэг аналитик ажил сонирхдог хүмүүс

2. Дата Инженер (Data Engineer)

Дата инженер бол өгөгдлийг цуглуулах, хадгалах, боловсруулах системийг бүтээдэг инженер юм.

Дата аналист бол дата ашиглагч, дата инженер бол дата бэлтгэгч гэж ойлгож болно.

Гол ажил

• Data pipeline хөгжүүлэх
• Data warehouse / Data lake байгуулах
• ETL процесс хөгжүүлэх
• Их хэмжээний өгөгдөл боловсруулах

Ашигладаг технологи

• Python
• SQL
• Apache Spark
• Airflow
• Snowflake / BigQuery
• Cloud (AWS, Azure, GCP)

Жишээ

Netflix шиг платформ өдөрт тэрбум гаруй хэрэглэгчийн дата цуглуулдаг.

Дата инженерүүд энэ өгөгдлийг найдвартай хадгалах, боловсруулах систем хийдэг.

Хэнд тохирох вэ?

• Software engineer
• Backend developer
• Систем архитектур сонирхдог хүмүүс

3. Data Scientist

Data Scientist бол өгөгдлийг ашиглан таамаглал (prediction) хийдэг, статистик ба машин сургалтын мэргэжилтэн юм.

Тэд өгөгдлөөс шинэ мэдлэг гаргаж авдаг.

Гол ажил

• Статистик анализ
• Machine learning model хийх
• Data exploration
• Prediction model хөгжүүлэх

Ашигладаг хэрэгслүүд

• Python
• R
• Scikit-learn
• Pandas
• Jupyter Notebook
• TensorFlow / PyTorch

Жишээ

Жишээлбэл:

“Хэрэглэгч дараагийн сар зээлээ төлөх үү?”

Data Scientist энэ асуултад prediction model ашиглан хариулна.

Хэнд тохирох вэ?

• Математик, статистик сонирхдог хүмүүс
• Судалгаа хийх дуртай хүмүүс
• Python программчлал сонирхдог хүмүүс

4. Machine Learning Engineer

Machine Learning Engineer бол machine learning model-ийг бодит системд ажиллуулах инженер юм.

Data Scientist model хийдэг бол ML Engineer түүнийг production орчинд нэвтрүүлдэг.

Гол ажил

• Model deployment
• Model optimization
• Real-time prediction system
• MLOps pipeline

Ашигладаг технологи

• Python
• TensorFlow / PyTorch
• Docker
• Kubernetes
• FastAPI / Flask
• ONNX / TensorRT

Жишээ

YouTube видео санал болгох систем бол machine learning system.

ML engineer-үүд:

• model-ийг deploy хийх
• latency багасгах
• real-time prediction хийх систем хөгжүүлдэг.

Хэнд тохирох вэ?

• Software engineer
• Backend developer
• AI систем бүтээх сонирхолтой хүмүүс

5. AI Engineer

AI Engineer бол машин сургалт, deep learning, хиймэл оюун ухааны систем хөгжүүлдэг инженер юм.

Энгийнээр хэлбэл AI Engineer-үүд нь AI-д суурилсан бүтээгдэхүүн хөгжүүлдэг гэж ойлгож болно.

Гол ажил

• Computer Vision system
• NLP system
• AI chatbot
• Generative AI application
• Multimodal AI

Ашигладаг технологи

• Python
• PyTorch
• TensorFlow
• HuggingFace
• LangChain
• LLM models

Жишээ

AI engineer дараах системүүдийг хийж болно.

• ChatGPT төрлийн чатбот
• Дуу таних систем
• Зураг таних AI
• Generative AI бүтээгдэхүүнүүд

Эдгээр мэргэжлүүдийн уялдаа

Дата төслүүд ихэвчлэн дараах дарааллаар ажилладаг.

Data Engineer 
        ↓
Data Analyst
        ↓
Data Scientist
        ↓
ML Engineer
        ↓
AI Engineer

Data Engineer 
        ↓
Data Analyst
        ↓
Data Scientist
        ↓
ML Engineer
        ↓
AI Engineer

Жишээ workflow

1️. Data Engineer
→ өгөгдлийг цуглуулж pipeline хийдэг

2. Data Analyst
→ өгөгдлийг анализ хийж ойлголт гаргана

3️. Data Scientist
→ prediction model хөгжүүлнэ

4. ML Engineer
→ model-ийг production орчинд ажиллуулна

5. AI Engineer
→ AI бүтээгдэхүүн болгон хөгжүүлнэ

1️. Data Engineer
→ өгөгдлийг цуглуулж pipeline хийдэг

2. Data Analyst
→ өгөгдлийг анализ хийж ойлголт гаргана

3️. Data Scientist
→ prediction model хөгжүүлнэ

4. ML Engineer
→ model-ийг production орчинд ажиллуулна

5. AI Engineer
→ AI бүтээгдэхүүн болгон хөгжүүлнэ

Аль мэргэжлийг сонгох вэ?

Хамгийн түгээмэл карьерийн зам

Data Analyst
   ↓
Data Scientist
   ↓
ML Engineer
   ↓
AI Engineer

Data Analyst
   ↓
Data Scientist
   ↓
ML Engineer
   ↓
AI Engineer

Эсвэл

Software Engineer
   ↓
Data Engineer
   ↓
ML Engineer

Software Engineer
   ↓
Data Engineer
   ↓
ML Engineer

Дүгнэлт

Өгөгдөл ба хиймэл оюун ухааны салбар нь олон чиглэлтэй, уялдаа холбоотой мэргэжлүүдээс бүрддэг.

• Data Analyst – өгөгдлийг тайлбарлана
• Data Engineer – өгөгдлийн систем байгуулна
• Data Scientist – prediction model хийнэ
• ML Engineer – ML систем deploy хийнэ
• AI Engineer – AI бүтээгдэхүүн бүтээнэ

Хэрэв та шинээр карьераа эхлэх эсвэл өөр мэргэжлээс шилжих гэж байгаа бол ихэнх хүмүүс Data Analyst эсвэл Python-оос эхэлдэг. Data School нь мэргэжлийн дата аналистууд бэлдэх “Дата Аналист” танхимын сургалтуудыг явуулж эхэлсэн. Мөн бид “Data Engineer” танхимын сургалтыг тун удахгүй зарлахаар ажиллаж байна. Та манай сургалтуудын мэдээллийг Data School Social хуудсуудаар цаг алдалгүй аваарай. 

Дата болон AI-ийн мэргэжлүүд нь ойрын 10 жилд хамгийн эрэлттэй карьеруудын нэг хэвээр байх төлөвтэй байна.

Ашигласан эх сурвалж

Davenport, T. H., & Patil, D. J. (2012). Data scientist: The sexiest job of the 21st century. Harvard Business Review, 90(10), 70–76.

Géron, A. (2022). Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow (3rd ed.). O’Reilly Media.

Kelleher, J. D., & Tierney, B. (2018). Data science. MIT Press.

Kleppmann, M. (2017). Designing data-intensive applications. O’Reilly Media.

Ng, A. (2021). Machine learning yearning. DeepLearning.AI.

Provost, F., & Fawcett, T. (2013). Data science for business. O’Reilly Media.

Russell, S., & Norvig, P. (2021). Artificial intelligence: A modern approach (4th ed.). Pearson.

The post Дата аналист, Дата инженер, Data Scientist, ML Engineer, AI Engineer гэж хэн бэ? appeared first on Data School.

• MCP (Model Context Protocol)
• Agentic AI (Агент суурьт хиймэл оюун ухаан)

Эдгээрийг гүнзгий ойлгох нь AI бүтээгдэхүүн хөгжүүлэгчид, CTO, судлаачид болон дижитал шилжилт хийж буй байгууллагуудад стратегийн ач холбогдолтой.

1. MCP (Model Context Protocol) гэж юу вэ?

1.1 Үндсэн ойлголт

Model Context Protocol (MCP) нь хиймэл оюуны загвар (LLM) болон гадаад системүүд (өгөгдлийн сан, API, файл систем, SaaS үйлчилгээ, enterprise software гэх мэт)-ийн хооронд контекст дамжуулах, нэгдсэн байдлаар холбох протокол юм.

Энгийнээр хэлбэл:

MCP = LLM + Гадаад өгөгдөл + Бизнес системүүдийг стандартчлагдсан аргаар холбох механизм

LLM өөрөө их хэмжээний мэдлэгтэй ч, бодит цагийн өгөгдөл, байгууллагын дотоод систем, хэрэглэгчийн контекст зэргийг шууд мэдэхгүй. MCP нь энэ “контекстийн зөрүү”-г арилгадаг.

1.2 Яагаад MCP хэрэгтэй вэ?

LLM-үүд дараах хязгаарлалттай байдаг:

• Бодит цагийн өгөгдөлгүй
• Дотоод enterprise системд хандах боломжгүй
• State хадгалах чадвар сул
• Tool ашиглалт стандарт бус

Тэгвэл MCP нь дараах асуудлыг шийддэг:

1.3 MCP хэрхэн ажилладаг вэ?

MCP архитектур нь ихэвчлэн дараах бүрэлдэхүүнтэй:

1. Client (AI Application)
2. LLM (GPT, Claude, Llama гэх мэт)
3. MCP Server
4. External Tools (DB, API, SaaS)

Flow:

1. Хэрэглэгч асуулт өгнө
2. LLM ойлгоно
3. Хэрэв tool хэрэгтэй бол MCP-ээр дамжуулж гадаад систем рүү хүсэлт илгээнэ
4. Хариуг буцаан авч reasoning хийнэ
5. Эцсийн хариуг өгнө

1.4 MCP ба Enterprise AI

Enterprise түвшинд MCP дараах давуу талтай:

• ERP, CRM, BI системтэй холбогдоно
• Data Lake, Lakehouse руу query бичнэ.
• RAG (Retrieval Augmented Generation)-ийг стандартчлана
• Security layer-ийг салгаж зохион байгуулна

1.5 Нэмэлт: Хамгийн хэрэгцээтэй ТОП-10 хэрэгсэл

1. LangChain (MCP adapters) — agent/tool orchestration.
   
2. Microsoft Semantic Kernel — MCP server, plugins, enterprise integration.
   
3. Anthropic / Claude (MCP-enabled integrations) — interactive app integrations.
   
4. OpenAI function calling / tool calling — model-уудыг системтэй холбох стандарт.
   
5. Pinecone — managed vector DB, RAG.
   
6. Weaviate — open-source vector DB.
   
7. LlamaIndex — data indexing for RAG.
   
8. IBM watsonx — enterprise foundation models + MCP.
   
9. AWS Bedrock / Azure OpenAI — model hosting & enterprise APIs.
   
10. ClearML / MLOps tools — model monitoring & retraining pipelines (agent performance tracking).

2. Agentic AI гэж юу вэ?

2.1 Үндсэн тодорхойлолт

Agentic AI гэдэг нь тодорхой асуудал шийдэх зорилго өгөгдсөн үед:

• Төлөвлөх (Planning)
• Шийдвэр гаргах (Decision making)
• Tool ашиглах (Tool use)
• Өөрийгөө хянах (Self-reflection)
• Даалгаврыг гүйцэтгэх (Execution)

чадвартай автономит хиймэл оюуны систем юм.

Энгийн LLM:

Prompt → Response

Agentic AI:

Goal → Plan → Action → Observe → Reflect → Refine → Execute

2.2 AI Agent-ийн үндсэн бүрэлдэхүүн

AI Agent дараах модульчлагдсан бүтэцтэй:

1. LLM (Reasoning Engine)
2. Memory (Short-term + Long-term)
3. Tools (API, DB, Code Interpreter)
4. Planner
5. Executor
6. Evaluator

2.3 Agentic AI vs Traditional AI

3. MCP ба Agentic AI-ийн уялдаа

MCP бол суурь дэд бүтэц бол Agentic AI нь ухаалаг давхарга.

MCP = Холболт

Agent = Үйлдэл

Agentic AI нь:

• MCP-ээр дамжуулж tool ашиглана
• Context-ийг динамикаар авна
• External system-тэй шууд холбогдож ажиллана

Өөрөөр хэлбэл, MCP-гүй Agent бол хязгаарлагдмал, Agent-гүй MCP бол идэвхгүй.

4. Архитектурын жишээ (Enterprise Use Case)

Жишээ: AI-powered Demand Forecasting Agent

1. Agent зорилго, даалгавар авна:
   “Ирэх улирлын борлуулалтын таамаг гаргах”
2. MCP ашиглан:
   • Өгөгдлийн сангаас түүхэн data авна
   • Data Lake-с нэмэлт feature авна
   • ML model дуудна
   • BI dashboard update хийнэ
3. Agent:
   • Forecast model сонгоно
   • Hyperparameter тааруулна
   • Evaluation хийж сайжруулна
   • Report гаргана

5. Agentic AI-ийн төрлүүд

5.1 Single Agent System

Нэг AI бүх зүйл хийдэг.

5.2 Multi-Agent System

Олон агент хамтран ажиллана:

• Planner Agent
• Data Agent
• ML Agent
• Report Agent

Энэ нь байгууллагын workflow-ийг автоматжуулахад чухал үүрэг гүйцэтгэнэ.

6. Agentic AI-ийн эрсдэл ба сорилт

• Hallucination
• Tool misuse
• Security breach
• Autonomous error amplification

Иймд дараах зүйлсийг анхаарах шаардлагатай:

• Human-in-the-loop
• Audit logging
• Tool permission control
• Evaluation framework

7. Ирээдүйн чиг хандлага

Дараагийн үеийн AI системүүд:

• Fully autonomous business agent
• Self-improving AI systems
• Cross-platform AI orchestration
• Multimodal agent ecosystems

8. Дүгнэлт

MCP бол: AI системийг бодит ертөнцтэй холбох протокол.

Agentic AI бол: AI системийг бодит ертөнцөд ажиллуулдаг оюун ухаант механизм.

Эдгээрийг хослуулснаар:

• Enterprise Autonomous Systems
• Intelligent Workflow Automation
• Self-Optimizing AI Pipelines
• Autonomous Research Agents

гэх мэт дараагийн үеийн дижитал байгууллагын суурь тавигдана.

ЭХ СУРВАЛЖ:

LangChain. (n.d.). Model Context Protocol (MCP) — LangChain documentation. LangChain. Retrieved February 2026, from https://docs.langchain.com/oss/python/langchain/mcp

Microsoft. (2025, March 5). Integrating Model Context Protocol tools with Semantic Kernel — Dev Blog. Microsoft Dev Blogs. https://devblogs.microsoft.com/semantic-kernel/integrating-model-context-protocol-tools-with-semantic-kernel-a-step-by-step-guide/

The Verge. (2026). MCP unites Claude chat with apps like Slack, Figma, and Canva. The Verge. https://www.theverge.com/news/867673/claude-mcp-app-interactive-slack-figma-canva

OpenAI Help Center. (n.d.). Function calling in the OpenAI API. OpenAI. Retrieved February 2026, from https://help.openai.com/en/articles/8555517-function-calling-in-the-openai-api

Pinecone. (2025, June 12). Retrieval-Augmented Generation (RAG). Pinecone Learn. https://www.pinecone.io/learn/retrieval-augmented-generation/

The post MCP ба Agentic AI: Дараагийн үеийн хиймэл оюуны архитектур appeared first on Data School.

AI чип, архитектур ба тооцооллын шинэ платформууд

AI дэд бүтэц ба суперкомпьютер

• Nemotron 3 opening models – NVIDIA шинэ Nemotron 3 загваруудын гэр бүл-ийг танилцуулсан бөгөөд энэ нь эзэмшигдэхүйц олон агент AI, өндөр reasoning (шалтгаан тодорхойлох) боломжуудыг санал болгодог. Nemotron 3 Nano, Super, Ultra гээд гурван хэмжээтэй загваруудаас бүрддэг. Энэ нь код, өгөгдөл, reasoning-д зориулсан архитектурын шинэ үе гэж тодорхойлогдож байна. (NVIDIA Newsroom)
• AI чип архитектурын шинэ үе — Rubin платформ – NVIDIA Rubin платформ-ыг нийтлэсэн нь Blackwell-ээс хэтэрсэн хүчин чадалтай AI чипүүдийг нэгтгэсэн суперкомпьютер бүтэц юм. Rubin нь олон төрлийн GPU, CPU, DPU, сүлжээний шийдлүүдийг нэгтгэн дата төвийн AI-ыг илүү өргөнөөр ашиглах боломжтой болгож байна. (AI Business)

Энэ нь зөвхөн GPU биш бүхэл бүтэн AI барилгын экосистем-ийг бий болгох зорилготой платформ гэж шинжээчид дүгнэж байна. (AI Business)

AI Загвар ба Программ хангамж

• Нээлттэй AI загварууд: Nemotron 3 загварууд нь нээлттэй код, мэдээлэл ба сургалтын сангуудтай бөгөөд олон салбарын хэрэглээнд тохирохуйц (reasoning) чадваруудыг санал болгодог. (NVIDIA Newsroom)
• Physical AI & робот техник: NVIDIA CES дээр робот техник, physical AI-ын бүтээн байгуулалт болон илүү өргөн хэрэглээний хэрэглэгчийн программууд-ыг танилцуулсан нь робот, үйлдвэрлэлийн автоматжуулалт-д хиймэл оюуныг түлхэц өгсөн. (NVIDIA Newsroom)

Салбар салбаруудад NVIDIA-ийн нөлөө

Дэд бүтэц ба дата төвүүд

• NVIDIA-ийн Vera Rubin NVL72 AI дата төв платформ нь Blackwell-ээс 5 удаа их гүйцэтгэлтэй, liquid cooling системтэй, суперкомпьютер ба дата төвийн дэ бүтцийг дараагийн шатанд гаргаж байна. (Tom’s Hardware)
• Х200 чип үйлдвэрлэл нэмэгдсэн нь Хятадын зах зээлд экспорт сэргэхэд бэлэн байгааг илтгэнэ — эдгээр чипүүд нь дата төвүүдийн өндөр гүйцэтгэлтэй AI тооцоололд ашиглагдана. (Financial Times)

Автомашин, автоном хөдөлгүүр

• Alpamayo загвар – NVIDIA CES 2026-нд бага зардалтай, reasoning чадвартай autonomous (өөрөө жолоодох)-ын AI моделийг танилцуулсан. Энэхүү загвар нь улирлын бус, комплекс нөхцөлд шийдвэр гаргах системүүдд төвлөрсөн юм. (The Times of India)

Хөгжим ба бүтээлч салбар

• Universal Music Group-н түншлэл – NVIDIA Music Flamingo AI-г хөгжүүлэхээр хамтран ажиллаж байна. Энэ нь хөгжмийн бүтэц, зохиол, контентын ойлголтыг гүнзгийрүүлсэн AI бөгөөд уран бүтээлчтэй хамтран ажиллах шинэ боловсрол, бүтээлч хэрэгслийг бий болгоно. (Pitchfork)

Инженерчлэл ба CAD/SIM технологи

• NVIDIA болон Synopsys-ийн стратегийн түншлэл нь CUDA-чин HPC болон digital twin технологийг инженер ба дизайн шийдэлд тусган, жишээ нь үйлдвэрлэлийн симуляци-г илүү хурдан, хямд болгох зорилготой юм. (investor.synopsys.com)

Санхүүгийн нөлөө ба хөрөнгө оруулалт

• NVIDIA-ийн хөрөнгө оруулалтын үйл ажиллагаа ба биржийн үнэлгээ сэргээх мэдээ гарсан нь AI технологи, дата төвүүдийн эрэлт хүчтэй байгааг илтгэнэ. (Carbon Credits)

Товч дүгнэлт

2025 оны 12 сар ба CES 2026-ын үеэр NVIDIA:

AI-ын дэд бүтэц — шинэ платформууд, чипүүд, суперкомпьютер зэргийг танилцуулснаар дата төвүүдийн чадамжийг сайжруулсан. (AI Business)
AI загварууд ба платформ — Nemotron 3, Alpamayo зэрэг reasoning-тэй загварууд-ыг гаргасан. (NVIDIA Newsroom)
Салбаруудын инноваци — инженерчлэл, автомашин, роботик, хөгжим гэх мэт олон салбарт AI-ын практик хэрэглээг өргөжүүлсэн. (investor.synopsys.com)
Стратегийн түншлэл ба санхүү — OEM болон технологийн түншүүдтэй хамтарсан томоохон төсөл, хөрөнгө оруулалт хийгдэж байна. (Carbon Credits)

Эх сурвалж 

NVIDIA Debuts Nemotron 3 family of open models. (2025, December 15). NVIDIA Newsroom. https://nvidianews.nvidia.com/news/nvidia-debuts-nemotron-3-family-of-open-models (NVIDIA Newsroom)

Nvidia intros six new AI chips and new open models. (2026, January 5). AI Business. https://aibusiness.com/generative-ai/nvidia-intros-new-ai-chips-and-open-models (AI Business)

Nvidia CEO confirms Vera Rubin NVL72 is now in production. (2026, January). Tom’s Hardware. https://www.tomshardware.com/tech-industry/artificial-intelligence/nvidia-ceo-confirms-vera-rubin-nvl72-is-now-in-production (Tom’s Hardware)

Nvidia steps up H200 chip production… (2026). Financial Times. https://www.ft.com/content/ae4f28a0-39f9-48e6-bdf4-09321b03c236 (Financial Times)

Nvidia unveils Alpamayo, an AI model … (2026). Times of India. https://timesofindia.indiatimes.com/technology/tech-news/nvidia-unveils-alpamayo-an-ai-model-for-autonomous-vehicles-elon-musk-says-what-they-will-find-is-/articleshow/126365476.cms (The Times of India)

Universal and Nvidia promise new partnership … (2026). Pitchfork. https://pitchfork.com/news/universal-and-nvidia-promise-new-partnership-is-an-antidote-to-ai-slop/ (Pitchfork)

NVIDIA and Synopsys announce strategic partnership … (2025, December 1). PR Newswire. https://investor.synopsys.com/news/news-details/2025/NVIDIA-and-Synopsys-Announce-Strategic-Partnership-to-Revolutionize-Engineering-and-Design/default.aspx (investor.synopsys.com)

NVIDIA stock rebounds as AI product launch … (2025, December 15). CarbonCredits.com. https://carboncredits.com/nvidia-stock-rebounds-as-ai-product-launch-and-data-center-demand-restore-confidence/ (Carbon Credits)

The post NVIDIA-ийн 2025 оны 12 сар ба CES 2026-ийн гол үйл явдлууд appeared first on Data School.