iSAQB CPSA-A SWARC4AI

Beschreibung

Durch die Teilnahme an der iSAQB® CPSA-A Softwarearchitektur für KI-Systeme (SWARC4AI) Schulung erhalten Teilnehmende 20 Kompetenzpunkte im Bereich Technische Kompetenz (TC) und 10 Kompetenzpunkte im Bereich Methodische Kompetenz (MC). Diese Punkte werden auf die 70 Punkte angerechnet, die für die Zulassung zur iSAQB CPSA-A-Prüfung bei Brightest erforderlich sind. Dabei ist zu beachten, dass Sie im Rahmen der 70 Punkte, die für die Teilnahme an der iSAQB CPSA-A-Prüfung bei Brightest erforderlich sind, mindestens zehn Kompetenzpunkte in jedem der folgenden Bereiche benötigen: 

• Technische Kompetenz (TC)
• Methodische Kompetenz (MC)
• Kommunikative Kompetenz (CC)

Die akkreditierte iSAQB® SWARC4AI - Softwarearchitektur für KI-Systeme (CPSA-A) Schulung basiert auf dem aktuellen iSAQB® Lehrplan:

Teil 1 - Einführung in softwarearchitekturrelevante Konzepte für Künstliche Intelligenz

• Künstliche Intelligenz, Machine Learning, Data Science, Deep Learning und Generative KI einordnen können
• Typische allgemeine Anwendungsfälle für KI spezifizieren
• Einsatzmöglichkeiten in verschiedenen Branchen und Endnutzeranwendungen kennen
• Risiken bei der Anwendung von KI identifizieren
• Unterschiede zu traditioneller Software verstehen
• Entscheiden, ob Probleme mittels KI oder klassischer Softwareentwicklung gelöst werden sollen
• Rollen, deren Aufgaben und ihre Zusammenarbeit im Kontext von KI kennen
• KI-Anwendungsfälle identifizieren und priorisieren
• Stärken und Grenzen von KI kennen
• Das Konzept der "Productivity J-Curve" in Verbindung mit KI-Technologie kennen

Teil 2 -  Compliance, Security, Alignment

• Einfluss der Datenschutzgesetze auf die Implementierung und Nutzung von KI kennen
• Ziele und Regelungen des EU AI Act sowie deren Einfluss auf den Entwicklungsprozess und die Architektur verstehen
• KI-Systeme nach den Risikostufen des EU AI Act klassifizieren
• Urheberrechtsprobleme bei KI-generierten Inhalten einordnen
• Arten und Grade der Offenheit sowie Lizenzarten freier ML-Modelle überblicken
• Strategien zur Einhaltung des EU AI Act und mögliche Herausforderungen verstehen
• Modelle und Datensätze für Nachvollziehbarkeit und Transparenz dokumentieren
• Fallstricke hinsichtlich Security und Angriffsarten auf ML-Modelle kennen
• Strategien zur KI-Risikominimierung kennen und anwenden
• Möglichkeiten zur Absicherung gegen Angriffe (AI Security) anwenden
• Grundproblematik und Facetten von AI Safety verstehen
• Ethische Probleme von KI-Systemen verstehen und Ansätze zum Umgang damit kennen
• Ethikleitlinien überblicken
• Kernprinzipien von AI Governance und Responsible AI für Unternehmen kennen
• Einblick in die Einrichtung von "Regulatory Sandboxes" erhalten
• Effektive Datenverwaltung für die Qualität und Sicherheit von Daten in KI-Anwendungen sicherstellen

Teil 3 - Entwurf und Entwicklung von KI-Systemen

• Den Life-Cycle eines Machine-Learning- bzw. Data-Science-Projekts verstehen
• Vorgehensmodelle für die Softwareentwicklung von KI-Systemen kennen
• Arten von Daten, Anforderungen an Daten und typische ML-Probleme kennen
• Machine-Learning-Problemstellungen und deren Anforderungen verstehen
• Input-Daten für verschiedene KI-Algorithmen nutzen
• Mit Herausforderungen wie Nichtdeterminismus, Datenqualität sowie Concept- und Model-Drift umgehen
• Transfer Learning und Fine-Tuning kennen
• Design Patterns für KI-Systeme auswählen
• Die Aufgabe eines ML-Modells definieren
• Eingaben und Ausgaben für das Funktionieren eines ML-Systems verstehen und spezifizieren
• Metriken zur Messung der Performance von ML-Modellen kennen
• ML-Modelle in bestehende Systeme integrieren
• Benutzeroberflächen für KI-Systeme gestalten
• Leistungskennzahlen wie Latenz und Durchsatz in KI-Systemen verstehen
• Mit Skalierbarkeitsanforderungen bei steigenden Datenmengen umgehen
• Robustheit in KI-Systemen verstehen und Strategien zur Erhöhung der Robustheit anwenden
• Zuverlässigkeit und Verfügbarkeit von KI-Systemen einordnen
• Reproduzierbarkeit und Prüfbarkeit von KI-Ergebnissen verstehen
• Anforderungen an Sicherheit, Datenschutz und Compliance kennen
• Erklärbarkeit und Interpretierbarkeit in KI-Systemen einordnen
• Bias in Daten und Modellen erkennen
• Fehlertoleranz in KI-Systemen kennen

Teil 4 - Datenmanagement und Datenverarbeitung für KI-Systeme

• Daten akquirieren und labeln
• Gängige Plattformen für öffentlich zugängliche Daten kennen
• Relevante Werkzeuge für das Daten-Labeln überblicken
• Effiziente Datenpipelines und -architekturen entwerfen
• Strategien für Datenaggregation, -bereinigung, -transformation, -anreicherung und -augmentierung kennen
• Werkzeuge für Data-Engineering-Pipelines überblicken
• Möglichkeiten zur Speicherung von Daten kennen

Teil 5 - Wichtige Qualitätsmerkmale für den Betrieb von KI-Systemen

• Hardwareanforderungen an Training und Inferenz kennen
• Trade-offs verschiedener Modellarchitekturen hinsichtlich der Qualitätsmerkmale kennen
• Verschiedene Qualitätsmerkmale eines ML-Modells aufeinander abstimmen
• Kosten, Stromverbrauch und nachhaltige Nutzung von KI (Green IT) verstehen
• MLOps zur Automatisierung des Life-Cycles eines Data-Science-Projekts überblicken
• Modelltraining, Parameter, Metriken und Ergebnisse tracken
• ML-Modelle und darauf aufbauende KI-Systeme evaluieren
• Arten von Drift sowie deren mögliche Ursachen und Lösungsansätze kennen
• CI/CD-Pipelines, Modellmanagement und Deployment-Strategien für KI-Modelle überblicken
• Plattformen für die Modellbereitstellung kennen
• Werkzeuge für die Erstellung von POCs für KI-Systeme einordnen
• Deployment-Möglichkeiten von KI-Modellen kennen
• Vor- und Nachteile von SaaS und Self-Hosting nennen
• SaaS-KI-Lösungen überblicken
• Embedded Deployments von ML-Modellen kennen
• Monitoring im Hinblick auf KI-spezifische Anforderungen verstehen
• Beispielwerkzeuge für Monitoring überblicken
• Nutzer-Feedback sowie Methoden und Werkzeuge zu dessen Erfassung verstehen
• Methoden zur Nutzung von Feedback für das Modelltraining kennen
• Eine MLOps-Pipeline anhand eines Praxisbeispiels verstehen (optional)
• Build-vs.-Buy-Entscheidungen für MLOps-Systeme und -Komponenten treffen (optional)
• MLOps-Werkzeuge und End-to-End-Plattformen kennen (optional)

Teil 6 - Systemarchitekturen und Plattformen für Generative KI-Systeme

• Integrationsebenen von KI überblicken
• Bibliotheken, Schnittstellen und Werkzeuge zur Integration von KI-Modellen kennen
• KI-Systeme in die Gesamtarchitektur einer IT-Landschaft integrieren
• Relevante Qualitätsmerkmale für KI-Systeme überblicken
• Evaluations-Frameworks für KI-Systeme kennen (optional)
• Ein Fallbeispiel mit einer fiktiven Fachlichkeit diskutieren (optional)
• Generative KI grundlegend verstehen
• Die Funktionsweise von LLMs verstehen
• Bekannte Patterns bei der Nutzung von LLMs kennen
• Anwendungsfälle für RAG (Retrieval-Augmented Generation) kennen
• Ausgewählte RAG-Techniken kennen und verstehen
• Arten des Prompt Engineering kennen
• Agentic Workflows überblicken
• Eine Auswahl von Design Patterns für Generative KI-Systeme kennen
• Techniken zur Evaluation von LLM-Anwendungen kennen
• Bekannte LLMs und Auswahlkriterien überblicken
• Die Bedeutung des Kostenmanagements für GenAI-Anwendungen verstehen
• Beispiele verbreiteter Bibliotheken, Schnittstellen und Werkzeuge im Zusammenhang mit LLM-Anwendungen nennen
• Agentic-AI-Softwarearchitekturen, Architekturkomponenten von AI Agents und Typen von AI-Agent-Architekturen kennen (optional)