ทำไม DAG ที่รันผ่านตอนทดสอบ ถึงพังกลางดึกตอน Production โดยไม่มีใครรู้จนกว่าจะมีคนถามหารายงานตอนเช้า? เพราะ 'รันได้' กับ 'ไว้ใจได้' เป็นคนละเรื่อง — DAG ที่ไว้ใจได้ต้องมี Error Handling, Retry และ Alerting ที่ถูกออกแบบมาตั้งแต่ต้น ไม่ใช่แปะเพิ่มทีหลังตอนเกิดปัญหาแล้ว

ระดับ Master: ระดับความเชี่ยวชาญเชิงลึก สำหรับคนที่ต้อง Scale Airflow ให้รองรับหลายทีมพร้อมกัน และแก้ปัญหา Performance ที่ไม่มีคำตอบสำเร็จรูป

สิ่งที่คุณจะได้เรียนรู้: ใช้ KubernetesExecutor และ Autoscale; จัดการ Scheduler Performance และ Dynamic Task Mapping ขนาดใหญ่; ออกแบบ Multi-Tenant Airflow และ Disaster Recovery.

แผนการเรียนโดยย่อ: KubernetesExecutor และการ Autoscale → Scheduler Performance และ Dynamic Task Mapping ขนาดใหญ่ → Deferrable Operators และ Async Task → Multi-Tenant Airflow, Disaster Recovery และ Metadata DB Scaling → Debug ปัญหาที่ไม่มีคำตอบสำเร็จรูป → โปรเจกต์จริง (Capstone).

Apache Airflow คือเครื่องมือ Orchestration ที่ทีม Data แทบทุกองค์กรใช้จัดตารางและควบคุม Pipeline ที่ซับซ้อน — แต่ความแตกต่างระหว่างทีมที่ไว้ใจ Airflow ได้กับทีมที่ต้องคอยเฝ้าระวังตลอดเวลา ไม่ได้อยู่ที่การเขียน DAG ให้รันผ่าน อยู่ที่การออกแบบให้ระบบรับมือกับความล้มเหลวได้เองโดยไม่ต้องมีคนตื่นมาแก้กลางดึก

การใช้งานที่เป็นไปได้ (เชื่อมกับเป้าหมายของคุณแบบ GDLA — Goal-Directed Learning Activation): เหมาะกับ Senior Data Engineer หรือ Platform Engineer ที่รับผิดชอบ Airflow ระดับองค์กรที่มีหลายทีมใช้ร่วมกัน

เรียน Apache Airflow ออนไลน์, Apache Airflow คืออะไร, สอน Airflow ภาษาไทย, คอร์ส Airflow ระดับ Production, Airflow 3.x tutorial ภาษาไทย, เรียน Data Orchestration ภาษาไทย