งานวิจัยเรื่อง Cognitive Offloading ของ Risko & Gilbert (2016, ตีพิมพ์ใน Trends in Cognitive Sciences) ชี้ว่าเมื่อคนมอบหมายงานทางความคิดให้เครื่องมือภายนอกทำแทน ความเข้าใจและความจำต่องานนั้นจะลดลงอย่างวัดผลได้ เว้นแต่จะใช้เครื่องมือนั้นเป็นนั่งร้าน (Scaffold) ไม่ใช่ตัวแทนความคิด ปรากฏการณ์นี้อธิบายความเสี่ยงที่แท้จริงของวิศวกรจำนวนมากที่ให้ AI เขียน DAG ให้ทั้งหมด: ได้ Pipeline ที่ใช้งานได้ แต่ไม่ได้เข้าใจ Airflow จริง คอร์สนี้ใช้เลนส์ศาสตร์แห่งเมตรัย (Metraiology) มองว่าความกดดันเชิงโครงสร้าง (ถูกสั่งให้ 'ใช้ AI' อย่างเร่งด่วน) มักผลักให้วิศวกรใช้ AI แบบพึ่งพาเต็มรูปแบบโดยไม่รู้ตัวว่ากำลังแลกความเร็วระยะสั้นกับความเข้าใจระยะยาว คอร์สนี้จึงวางตำแหน่ง Claude ใหม่ทั้งหมด: จากการเป็น 'ผู้ทำงานแทนในไปป์ไลน์' สู่การเป็น 'ผู้ช่วยเรียนรู้และพัฒนา' ที่ช่วยให้เข้าใจและใช้ฟีเจอร์จริงของ Apache Airflow ได้เร็วและลึกขึ้น ผสานหลักการ Functional Data Engineering ของ Maxime Beauchemin ผู้สร้าง Apache Airflow เพื่อสร้างวิศวกรที่เก่ง Airflow จริง ไม่ใช่แค่เก่งการสั่ง AI ให้เขียนโค้ดแทน

เข้าใจโมเดลความคิดของ Apache Airflow (DAG, Task, Scheduler) และออกแบบ DAG ที่ทำงานซ้ำได้อย่างปลอดภัย (Idempotent)

ใช้ฟีเจอร์หลักของ Airflow ได้จริง: Operators, Sensors, XComs, Scheduling/Backfill/Catchup, Task Dependencies และ Branching

ใช้ Claude เป็นติวเตอร์และผู้ช่วย Debug เพื่อเรียนรู้ Airflow ได้เร็วขึ้น โดยไม่ปล่อยให้ AI เขียนงานแทนทั้งหมด

รู้ทันความเสี่ยงของการพึ่งพา AI มากเกินไป (Cognitive Offloading) และอคติเชื่อ AI เกินจริง (Automation Bias)

สร้างนิสัยทบทวนโค้ดที่ Claude ช่วยเขียนก่อน Merge ทุกครั้ง และสื่อสารกับทีมเรื่องการใช้ AI ช่วยพัฒนาอย่างมั่นใจ

สร้าง DAG แบบ End-to-End ที่ครอบคลุมฟีเจอร์หลักของ Airflow ด้วยความเข้าใจของตัวเอง ไม่ใช่แค่ Copy-paste จาก AI