iSAQB CPSA-A SWARC4AI

Təsvir

iSAQB® CPSA-A Software Architecture for AI-Based Systems (SWARC4AI) kursunda iştirak iştirakçılara Brightest ilə iSAQB CPSA-A imtahanına buraxılmaq üçün tələb olunan 70 balın bir hissəsi kimi 20 Technical Competence (TC) və 10 Methodological Competence (MC) balı qazandırır. Yadda saxlamaq vacibdir ki, Brightest ilə iSAQB CPSA-A imtahanına buraxılmaq üçün tələb olunan 70 balın tərkibində aşağıdakı sahələrin hər birindən ən azı 10 səriştə balı olmalıdır:

• Technical Competence (TC)
• Methodological Competence (MC)
• Communicative Competence (CC)

Akkreditə olunmuş iSAQB® SWARC4AI - Software Architecture for AI-Based Systems (CPSA-A) təlimi hazırkı iSAQB® kurikulumuna əsaslanır:

Hissə 1 - Artificial Intelligence üçün Proqram Təminatı Arxitekturası ilə Əlaqəli Anlayışlara Giriş

• Artificial intelligence, machine learning, data science, deep learning və generative AI anlayışlarını təsnif etmək
• AI üçün tipik ümumi use case-ləri müəyyən etmək
• Müxtəlif sənaye sahələrində və son istifadəçi tətbiqlərində mümkün istifadə sahələrini bilmək
• AI istifadəsi ilə bağlı riskləri müəyyən etmək
• Ənənəvi proqram təminatı ilə fərqləri başa düşmək
• Problemlərin həlli üçün AI və ya klassik proqram təminatının hazırlanması yanaşmasından istifadə barədə qərar vermək
• AI kontekstində rolları, onların vəzifələrini və əməkdaşlıq üsullarını bilmək
• AI use case-lərini müəyyən etmək və prioritetləşdirmək
• AI-nin güclü tərəflərini və məhdudiyyətlərini bilmək
• AI texnologiyası ilə əlaqəli “Productivity J-Curve” anlayışını bilmək

Hissə 2 - Compliance, Security və Alignment

• Məlumatların qorunması qanunlarının AI-nin tətbiqi və istifadəsinə təsirini bilmək
• EU AI Act-in məqsədlərini və qaydalarını, həmçinin onların development prosesi və arxitekturaya təsirini başa düşmək
• AI sistemlərini EU AI Act risk səviyyəsinə uyğun təsnif etmək
• AI tərəfindən yaradılan məzmunla bağlı müəllif hüquqları məsələlərini təsnif etmək
• Açıq ML modelləri üçün açıqlıq növləri və səviyyələri, həmçinin lisenziya növləri haqqında ümumi məlumat əldə etmək
• EU AI Act tələblərinə uyğunluq strategiyalarını və mümkün çətinlikləri başa düşmək
• İzlənəbilənlik və şəffaflıq üçün modelləri və data set-ləri sənədləşdirmək
• ML modelləri üçün təhlükəsizlik problemlərini və hücum növlərini bilmək
• AI risklərini azaltmaq üçün strategiyaları bilmək və tətbiq etmək
• Hücumlardan qorunma imkanlarını tətbiq etmək (AI security)
• AI safety ilə bağlı əsas məsələləri və aspektləri başa düşmək
• AI sistemlərinin etik problemlərini başa düşmək və onlarla işləmək üçün yanaşmaları bilmək
• Etik qaydalar haqqında ümumi məlumat əldə etmək
• Şirkətlər üçün AI governance və responsible AI-nin əsas prinsiplərini bilmək
• Regulatory sandbox-ların yaradılması haqqında ümumi anlayış əldə etmək
• AI tətbiqlərində məlumatların keyfiyyəti və təhlükəsizliyi üçün uyğun data management təmin etmək

Hissə 3 - AI Əsaslı Sistemlərin Dizaynı və Hazırlanması

• Machine learning və ya data science layihəsinin həyat dövrünü başa düşmək
• AI sistemlərinin proqram təminatının hazırlanması üçün proses modellərini bilmək
• Data növlərini, data üçün tələbləri və tipik ML problemlərini bilmək
• Machine learning problemlərini və onların tələblərini başa düşmək
• Müxtəlif AI alqoritmləri üçün input data-dan istifadə etmək
• Non-determinism, data quality, concept drift və model drift kimi çətinliklərlə işləmək
• Transfer learning və fine-tuning-i bilmək
• AI sistemləri üçün uyğun design pattern-ləri seçmək
• ML modelinin vəzifəsini müəyyən etmək
• ML sisteminin işləməsi üçün input və output-ları başa düşmək və müəyyən etmək
• ML modellərinin performansını ölçmək üçün metrikləri bilmək
• ML modellərini mövcud sistemlərə inteqrasiya etmək
• AI sistemləri üçün user interface-ləri dizayn etmək
• AI sistemlərində latency və throughput kimi performans metriklərini başa düşmək
• Artan data həcmləri üçün scalability-ni idarə etmək
• AI sistemlərində robustness-u başa düşmək və onu artırmaq üçün strategiyalar tətbiq etmək
• AI sistemlərinin reliability və availability xüsusiyyətlərini təsnif etmək
• AI nəticələrinin reproducibility və testability xüsusiyyətlərini başa düşmək
• Security, data protection və compliance tələblərini bilmək
• AI sistemlərində explainability və interpretability anlayışlarını təsnif etmək
• Data və modellərdə bias-ı müəyyən etmək
• AI sistemlərində fault tolerance anlayışını bilmək

Hissə 4 - AI Əsaslı Sistemlər üçün Data Management və Data Processing

• Data toplamaq və label etmək
• Açıq şəkildə əlçatan data üçün ümumi platformaları bilmək
• Data labeling üçün uyğun alətlər haqqında ümumi məlumat əldə etmək
• Effektiv data pipeline-lar və arxitekturalar dizayn etmək
• Data aggregation, cleansing, transformation, enrichment və augmentation strategiyalarını bilmək
• Data engineering pipeline-ları üçün alətlər haqqında ümumi məlumat əldə etmək
• Data-nın saxlanması imkanlarını bilmək

Hissə 5 - AI Əsaslı Sistemlərin İstismarı üçün Vacib Keyfiyyət Xüsusiyyətləri

• Training və inference üçün hardware tələblərini bilmək
• Müxtəlif model arxitekturalarının keyfiyyət xüsusiyyətləri ilə bağlı trade-off-larını bilmək
• ML modelinin müxtəlif keyfiyyət xüsusiyyətlərini uyğunlaşdırmaq
• AI-nin xərclərini, enerji istehlakını və davamlı istifadəsini (Green IT) başa düşmək
• Training və inference üçün hardware tələblərini bilmək
• Model training, parameter, metric və nəticələrin izlənməsi
• ML modellərini və onların əsasında yaradılmış AI sistemlərini qiymətləndirmək
• Drift növlərini, onların mümkün səbəblərini və həll yollarını bilmək
• AI modelləri üçün CI/CD pipeline-ları, model management və deployment strategiyaları haqqında ümumi məlumat əldə etmək
• Modellərin təqdim edilməsi üçün platformaları bilmək
• AI sistemlərinin POC-larını yaratmaq üçün alətləri təsnif etmək
• AI modellərinin deployment imkanlarını bilmək
• SaaS və self-hosting yanaşmalarının üstünlüklərini və çatışmazlıqlarını sadalamaq
• SaaS AI həlləri haqqında ümumi məlumat əldə etmək
• ML modellərinin embedded deployment imkanlarını bilmək
• AI-yə xüsusi tələblər baxımından monitoring-i başa düşmək
• Monitoring üçün nümunə alətlər haqqında ümumi məlumat əldə etmək
• User feedback-i, onun toplanması üçün metodları və alətləri başa düşmək
• Feedback-dən model training üçün istifadə metodlarını bilmək
• Praktiki nümunə vasitəsilə MLOps pipeline-ını başa düşmək (İstəyə bağlı)
• MLOps sistemləri və komponentləri üçün build vs. buy qərarları vermək (İstəyə bağlı)
• MLOps alətlərini və end-to-end platformaları bilmək (İstəyə bağlı)

Hissə 6 - Generative AI Əsaslı Sistemlər üçün Sistem Arxitekturaları və Platformalar

• AI inteqrasiyasının səviyyələri haqqında ümumi məlumat əldə etmək
• AI modellərinin inteqrasiyası üçün library-ləri, interface-ləri və alətləri bilmək
• AI sistemlərini IT mühitinin ümumi arxitekturasına inteqrasiya etmək
• AI sistemləri üçün uyğun keyfiyyət xüsusiyyətləri haqqında ümumi məlumat əldə etmək
• AI sistemləri üçün evaluation framework-ləri bilmək (İstəyə bağlı)
• Nümunəvi peşəkar kontekstdə case study-ni müzakirə etmək (İstəyə bağlı)
• Generative AI üzrə əsas anlayışları başa düşmək
• LLM-lərin necə işlədiyini başa düşmək
• LLM-lərin istifadəsində tanınmış pattern-ləri başa düşmək
• RAG (Retrieval-Augmented Generation) üçün use case-ləri bilmək
• Seçilmiş RAG texnikalarını bilmək və başa düşmək
• Prompt engineering növlərini bilmək
• Agentic workflow-lar haqqında ümumi məlumat əldə etmək
• Generative AI sistemləri üçün seçilmiş design pattern-ləri bilmək
• LLM tətbiqlərini qiymətləndirmək üçün texnikaları bilmək
• Tanınmış LLM-lər və seçim meyarları haqqında ümumi məlumat əldə etmək
• GenAI tətbiqləri üçün cost management-in əhəmiyyətini başa düşmək
• LLM tətbiqləri ilə əlaqəli ümumi library, interface və alətlərə nümunələr vermək
• Agentic AI software architecture-larını, AI agent architecture komponentlərini və AI agent architecture növlərini bilmək (İstəyə bağlı)