iSAQB CPSA-A AGENTA

Description

La formation iSAQB® CPSA-A Architecture for Agentic Software Engineering Contexts (AGENTA - Architecture pour les environnements d’ingénierie logicielle agentique) permet d’obtenir 20 points de compétence méthodologique (MC) et 10 points de compétence technique (TC), qui sont pris en compte dans les 70 points nécessaires pour pouvoir passer l’examen iSAQB CPSA-A auprès de Brightest. Pour être admissible à cet examen, il faut également avoir obtenu au moins dix points dans chacun des trois domaines de compétence suivants :

• Compétence technique (TC)
• Compétence méthodologique (MC)
• Compétence communicationnelle (CC)

La formation accréditée iSAQB® AGENTA - Architecture for Agentic Software Engineering Contexts (CPSA-A) est basée sur le programme de formation iSAQB® actuellement en vigueur :

Partie 1 - Introduction et principes fondamentaux

• Comprendre les relations entre l’intelligence artificielle, le machine learning, l’IA générative et les grands modèles de langage
• Distinguer le développement assisté par l’IA, augmenté par l’IA et agentique
• Comprendre l’orchestration de l’IA, les workflows agentiques et l’ingénierie agentique
• Distinguer l’ingénierie agentique du vibe coding
• Comprendre les capacités et les limites des grands modèles de langage, notamment les hallucinations, les biais, les limites de connaissances et les contraintes de contexte
• Expliquer l’influence du prompt engineering et du context engineering sur la qualité des résultats générés par l’IA
• Distinguer les assistants IA des agents IA
• Comprendre les boucles agentiques, l’utilisation d’outils, la gestion des états, la planification, les sous-agents et les approches human-in-the-loop
• Classer les différents niveaux d’autonomie en ingénierie agentique
• Connaître des approches telles que le Spec-Driven Development, les essaims d’agents et la programmation conversationnelle
• Déterminer si une tâche doit être réalisée par une personne, un outil logiciel traditionnel ou un agent IA
• Comprendre comment les assistants et agents IA peuvent soutenir les activités d’architecture logicielle tout en préservant le jugement humain en matière d’architecture

Partie 2 - Prise de décision d’architecture assistée par l’IA

• Comprendre le cycle de vie des décisions d’architecture et l’impact de l’ingénierie agentique sur celui-ci
• Mettre en place des boucles de feedback continues entre l’architecture, le développement, les tests et les opérations
• Utiliser l’IA pour soutenir une prise de décision d’architecture continue et fondée sur des éléments factuels
• Décliner les objectifs de qualité en facteurs d’architecture et scénarios de qualité évaluables
• Identifier les conflits entre objectifs de qualité, contraintes et intentions d’architecture
• Identifier les faiblesses structurelles, la dérive d’architecture, la dette technique et la complexité émergente
• Combiner des outils d’analyse éprouvés avec des revues et évaluations d’architecture assistées par l’IA
• Utiliser l’IA pour générer, affiner et comparer des alternatives d’architecture
• Évaluer les options d’architecture au regard des facteurs déterminants, des contraintes, des principes et des décisions existantes
• Traiter les décisions d’architecture comme des hypothèses testables assorties d’hypothèses explicites et de critères de validation
• Mettre en place des expérimentations ciblées, des prototypes, des simulations, des spikes et des comparaisons directes
• Identifier les limites et les risques du raisonnement d’architecture assisté par l’IA
• Définir des points de contrôle, des garde-fous et des limites pour les décisions d’architecture à fort impact
• Faire évoluer le travail d’architecture, de la prescription des détails d’implémentation vers l’orchestration des objectifs, contraintes et critères d’acceptation
• Identifier et maîtriser les risques liés à l’orchestration, tels que les agents incontrôlés, les boucles infinies et les erreurs en cascade
• Prendre en compte les coûts et la durabilité lors de la conception de workflows agentiques

Partie 3 - Fournir des connaissances d’architecture aux agents

• Comprendre comment les informations mises à disposition d’un agent IA influencent la qualité et la cohérence d’architecture de ses résultats
• Considérer la mise à disposition des connaissances d’architecture comme un défi d’ingénierie et de conception
• Identifier les décisions d’architecture, contraintes, objectifs de qualité, principes, concepts métier et limites du système pertinents pour les agents IA
• Concevoir des représentations précises, maintenables et efficaces des connaissances d’architecture destinées aux agents
• Utiliser des formats tels que les Architecture Decision Records (ADR), les règles d’architecture, les fichiers de contexte, les bases de connaissances, les index de recherche, les diagrammes-as-code et les contraintes structurées
• Choisir les mécanismes adaptés pour fournir aux agents les connaissances d’architecture au moment opportun
• Évaluer des stratégies telles que la Retrieval-Augmented Generation (RAG) et les compétences d’agents réutilisables
• Comprendre les implications d’architecture des protocoles standardisés d’intégration entre agents et outils, tels que le Model Context Protocol (MCP)
• Évaluer si les connaissances d’architecture mises à disposition des agents sont suffisantes et correctement structurées
• Trouver un équilibre entre un contexte d’architecture complet et le risque d’informations non pertinentes ou contradictoires
• Améliorer progressivement la mise à disposition des connaissances en observant et en évaluant le comportement des agents
• Comprendre qu’une documentation partagée ne garantit pas à elle seule une compréhension commune

Partie 4 - Maintenir les agents alignés sur les objectifs d’architecture

• Comprendre pourquoi les agents IA nécessitent des contrôles et des contraintes d’architecture explicites
• Identifier comment des résultats générés par l’IA sans contraintes peuvent introduire des incohérences, de la dette technique et une dérive d’architecture
• Comprendre pourquoi les seules connaissances d’architecture ne suffisent pas à contrôler le comportement des agents
• Concevoir des contrôles préventifs et détectifs permettant de maintenir le travail généré par l’IA dans les limites définies par l’architecture
• Évaluer les compromis entre précision et couverture, ainsi qu’entre rapidité et profondeur d’analyse
• Choisir des mécanismes de contrôle adaptés aux règles structurelles et aux caractéristiques de qualité plus globales
• Utiliser des tests d’architecture, l’analyse statique, des linters, des règles de dépendance, des contrôles de conformité, des étapes de revue, le sandboxing et des workflows d’approbation
• Positionner les contrôles d’architecture aux étapes appropriées du processus de développement et de livraison
• Mettre en place une vérification continue de l’architecture pour les bases de code assistées par l’IA évoluant rapidement
• Évaluer si une base de code et une stack technologique existantes permettent un contrôle d’architecture adapté aux agents IA
• Introduire progressivement des contrôles d’architecture dans les systèmes existants
• Mettre en balance l’effort nécessaire à la mise en place des contrôles avec les risques liés à l’utilisation d’agents sans ces contrôles
• Exploiter les défaillances du travail généré par l’IA afin d’améliorer progressivement les contrôles d’architecture
• Déterminer quels contrôles peuvent être améliorés de manière automatisée et dans quels cas le jugement humain reste indispensable

Partie 5 - Extraction des informations d’architecture

• Distinguer la documentation de l’architecture existante de celle de l’architecture cible
• Distinguer les informations d’architecture destinées aux personnes de celles destinées aux agents
• Comprendre dans quels cas l’IA peut soutenir la documentation d’architecture et dans quels cas la collaboration humaine reste nécessaire
• Créer des représentations concises et directement exploitables par machine pour les workflows assistés par l’IA
• Maintenir les décisions et la documentation d’architecture tout au long des boucles de développement agentiques
• Détecter lorsque le développement agentique modifie implicitement des décisions d’architecture existantes ou s’en éloigne
• Utiliser les Architecture Decision Records (ADR) pour consigner les décisions, les alternatives, leur justification et leurs conséquences
• Utiliser l’IA pour préparer des ADR à partir de journaux de contexte, de résultats de garde-fous, de conversations, d’e-mails et de comptes rendus de réunion
• Mettre en place des points de revue humaine afin de préserver la traçabilité et la responsabilité
• Extraire des informations d’architecture à partir du code source, des dépôts, des interfaces, de la configuration, des tests et des descripteurs de déploiement
• Combiner les analyses générées par l’IA avec des analyses statiques et dynamiques
• Identifier les technologies, frameworks, patterns d’architecture, design patterns et règles métier potentielles
• Identifier les lacunes, incohérences et incertitudes dans les informations d’architecture reconstituées
• Générer et maintenir des vues d’architecture à partir des artefacts de développement
• Utiliser des formats textuels tels que Mermaid et Structurizr pour une documentation vivante et versionnée
• Valider la documentation générée à partir des connaissances des équipes de développement et du comportement réel du système

Partie 6 - Gouvernance et contrôles qualité pour l’utilisation de l’IA

• Comprendre les enjeux liés au droit d’auteur et aux licences logicielles lors de l’utilisation de code et d’artefacts générés par l’IA
• Mettre en place des contrôles permettant de réduire les risques liés au droit d’auteur dans le développement assisté par l’IA
• Évaluer le traitement des données personnelles et sensibles lors de l’utilisation d’outils d’IA
• Comprendre les rôles et responsabilités liés aux exigences en matière de protection des données
• Appliquer les rôles fondamentaux, la logique de risque et les exigences progressives de l’AI Act de l’UE à des cas courants d’utilisation d’outils d’IA
• Identifier les situations nécessitant l’implication des fonctions chargées de la protection des données, de la sécurité de l’information, des aspects juridiques ou d’autres parties prenantes
• Documenter les décisions liées à l’IA de manière à faciliter leur audit et leur évaluation
• Garantir la traçabilité et la provenance des résultats générés par l’IA
• Utiliser une journalisation structurée, des références de contexte, des citations, le versionnement, le traçage et le monitoring
• Déployer une gouvernance cohérente de l’IA à l’échelle des équipes et des processus de développement
• Comparer les modèles de coûts de l’IA basés sur les tokens et sur l’abonnement
• Prendre en compte la dépendance vis-à-vis d’un fournisseur, la flexibilité de changement de prestataire et la souveraineté des données lors du choix de services d’IA
• Utiliser des garde-fous, des processus d’approbation et des listes d’autorisation pour les intégrations d’agents et d’outils
• Comprendre l’impact environnemental du développement assisté par l’IA et du développement agentique
• Définir des stratégies d’utilisation durables en fonction de la taille des modèles, de la conception des workflows et de la consommation de ressources
• Définir des règles sécurisées et conformes aux exigences de protection des données pour le choix et l’utilisation d’outils d’IA
• Comprendre les risques de sécurité tels que l’injection de prompts, l’usage abusif d’outils et les attaques de type confused deputy
• Appliquer des mesures telles que le principe du moindre privilège, des identifiants à portée limitée, des approbations explicites et le monitoring
• Choisir des stratégies de sandboxing adaptées, basées sur des conteneurs ou des machines virtuelles

Partie 7 - L’évolution de la discipline de l’architecture logicielle

• Conserver la responsabilité et la maîtrise du code généré par l’IA et des résultats d’ingénierie associés
• Identifier et traiter le risque de perte de compétences lié à une dépendance excessive à l’IA
• Recourir à la pratique délibérée, au raisonnement humain en premier lieu et à l’apprentissage assisté par l’IA afin de préserver les compétences fondamentales
• Faire preuve d’esprit critique lors de la revue et de la validation des résultats générés par l’IA
• Distinguer le raisonnement assisté par l’IA de la délégation de la prise de décision
• Identifier les activités d’architecture qui doivent rester sous responsabilité humaine
• Utiliser une terminologie partagée et des vocabulaires métier communs afin d’améliorer la cohérence des décisions prises par les agents
• Mesurer si les équipes renforcent réellement leurs compétences en architecture, au-delà d’une simple accélération de la production
• Adopter le développement assisté par l’IA au moyen d’hypothèses explicites, d’expérimentations contrôlées et de résultats mesurables
• Comprendre l’adoption de l’IA comme un processus continu couvrant l’accès, l’adoption, la montée en compétence, l’évolution des pratiques de travail et le développement organisationnel
• Soutenir l’adoption grâce à la formation, à l’expérimentation, à une répartition claire des responsabilités et à la sécurité psychologique
• Utiliser des indicateurs pertinents tels que le lead time, le taux d’échec des changements, les métriques DORA et les indicateurs liés à l’expérience de développement
• Appliquer des patterns de collaboration associant personnes et IA tout en maintenant une communication efficace au sein des équipes
• Comprendre les topologies d’agents telles que les agents autonomes, les sous-agents et les équipes d’agents
• Adapter les rôles, les structures d’équipe, les pratiques d’ingénierie et les responsabilités d’architecture au développement assisté par l’IA
• Passer d’une mise en œuvre au niveau du code à une réflexion plus globale centrée sur l’architecture, le produit et les résultats
• Comprendre l’impact de l’IA sur l’architecture logicielle, l’architecture de solutions et l’architecture d’entreprise