iSAQB CPSA-A SWARC4AI

Description

Participer au cours iSAQB® CPSA-A Software Architecture for AI-Based Systems (SWARC4AI) permet aux personnes participantes d’obtenir 20 points de Compétence Technique (TC) et 10 points de Compétence Méthodologique (MC) pour atteindre les 70 points requis afin d’être éligible pour passer l’examen iSAQB CPSA-A avec Brightest. Il est important de se rappeler que dans le cadre des 70 points nécessaires pour passer l’examen iSAQB CPSA-A avec Brightest, il est nécessaire de disposer d’au moins dix points de compétence dans chacun des domaines suivants : 

• Compétence Technique (TC)
• Compétence Méthodologique (MC)
• Compétence Communicationnelle (CC)

La formation accréditée iSAQB® SWARC4AI - Software Architecture for AI-Based Systems (CPSA-A) est basée sur le programme iSAQB® actuel :

Partie 1 - Introduction aux concepts liés à l’architecture logicielle pour l’intelligence artificielle

• Classer l’intelligence artificielle, le machine learning, la data science, le deep learning et l’IA générative
• Identifier les cas d’usage généraux typiques de l’IA
• Connaître les applications possibles dans différents secteurs et pour les personnes utilisatrices finaux
• Identifier les risques liés à l’utilisation de l’IA
• Comprendre les différences par rapport aux logiciels traditionnels
• Décider de solutions à des problèmes en utilisant l’IA ou le développement logiciel classique
• Connaître les rôles, leurs tâches et leur collaboration dans le contexte de l’IA
• Identifier et prioriser les cas d’usage de l’IA
• Connaître les forces et limites de l’IA
• Connaître le concept de « courbe en J de productivité » en lien avec la technologie IA

Partie 2 - Conformité, sécurité et alignement

• Connaître l’influence des lois sur la protection des données sur la mise en œuvre et l’utilisation de l’IA
• Comprendre les objectifs et les règlements du règlement européen sur l’IA (EU AI Act) et leur impact sur le processus de développement et l’architecture
• Effectuer une classification des systèmes IA selon le niveau de risque du règlement européen
• Classer les questions de droits d’auteur concernant le contenu généré par l’IA
• Aperçu des types et degrés d’ouverture et des types de licences des modèles ML libres
• Comprendre les stratégies pour se conformer au règlement européen sur l’IA et les défis potentiels
• Documenter les modèles et jeux de données pour la traçabilité et la transparence
• Connaître les failles de sécurité et types d’attaques sur les modèles ML
• Connaître et appliquer des stratégies pour minimiser les risques liés à l’IA
• Appliquer des options de protection contre les attaques (sécurité IA)
• Comprendre les questions fondamentales et facettes de la sûreté de l’IA
• Comprendre les enjeux éthiques des systèmes IA et connaître les approches pour y faire face
• Aperçu des lignes directrices éthiques
• Connaître les principes fondamentaux de la gouvernance de l’IA et de l’IA responsable pour les entreprises
• Découvrir la création de « regulatory sandboxes »
• Assurer une gestion des données adéquate pour la qualité et la sécurité des données dans les applications IA

Partie 3 - Conception et développement de systèmes basés sur l’IA

• Comprendre le cycle de vie d’un projet de machine learning ou de data science
• Connaître les modèles de processus pour le développement logiciel de systèmes IA
• Connaître les types et exigences des données et les problèmes ML typiques
• Comprendre les problèmes de machine learning et leurs exigences
• Utiliser des données d’entrée pour différents algorithmes IA
• Gérer des défis tels que le non-déterminisme, la qualité des données et le drift de concept et de modèle
• Connaître le transfert learning ou le fine-tuning
• Sélectionner des patterns de conception pour les systèmes IA
• Définir la tâche d’un modèle ML
• Comprendre et spécifier les entrées et sorties pour le fonctionnement d’un système ML
• Connaître les métriques pour mesurer les performances des modèles ML
• Intégrer des modèles ML dans des systèmes existants
• Concevoir des interfaces utilisateur pour des systèmes IA
• Comprendre les indicateurs de performance tels que la latence et le débit dans les systèmes IA
• Gérer la scalabilité pour des volumes de données accrus
• Comprendre la robustesse des systèmes IA et appliquer des stratégies pour l’augmenter
• Classer la fiabilité et la disponibilité des systèmes IA
• Comprendre la reproductibilité et la testabilité des résultats IA
• Connaître les exigences en matière de sécurité, protection des données et conformité
• Classer l’explicabilité et l’interprétabilité des systèmes IA
• Reconnaître les biais dans les données et modèles
• Connaître la tolérance aux fautes dans les systèmes IA

Partie 4 - Gestion et traitement des données pour les systèmes IA

• Acquérir et annoter des données
• Connaître les plateformes courantes pour les données accessibles au public
• Aperçu des outils pertinents pour l’annotation des données
• Concevoir des pipelines et architectures de données efficaces
• Connaître les stratégies pour l’agrégation, le nettoyage, la transformation, l’enrichissement et l’augmentation des données
• Aperçu des outils pour les pipelines de data engineering
• Connaître les options de stockage des données

Partie 5 - Caractéristiques qualité importantes pour l’exploitation des systèmes IA

• Connaître les exigences (matérielles) pour l’entraînement et l’inférence
• Connaître les compromis des différentes architectures de modèles en lien avec les caractéristiques qualité
• Ajuster différentes caractéristiques qualité d’un modèle ML
• Comprendre les coûts, la consommation d’énergie et l’utilisation durable de l’IA (Green IT)
• Suivre l’entraînement des modèles, paramètres, métriques et résultats
• Évaluer les modèles ML et les systèmes IA basés sur ceux-ci
• Connaître les types de drift, leurs causes possibles et solutions
• Aperçu des pipelines CI/CD, gestion des modèles et stratégies de déploiement des modèles IA
• Connaître les plateformes de mise à disposition des modèles
• Classer les outils pour la création de POC de systèmes IA
• Connaître les options de déploiement des modèles IA
• Lister les avantages et inconvénients du SaaS et de l’auto-hébergement
• Aperçu des solutions IA SaaS
• Connaître les déploiements embarqués de modèles ML
• Comprendre le monitoring par rapport aux exigences spécifiques à l’IA
• Aperçu d’outils de monitoring
• Comprendre les retours utilisateur·rice·s, méthodes et outils pour les collecter
• Connaître les méthodes pour utiliser les retours pour l’entraînement des modèles
• Comprendre le pipeline MLOps à partir d’un exemple pratique (Optionnel)
• Prendre des décisions « build vs buy » pour les composants/systèmes MLOps (Optionnel)
• Connaître les outils MLOps et plateformes de bout en bout (Optionnel)

Partie 6 - Architectures systèmes et plateformes pour systèmes IA génératifs

• Aperçu des niveaux d’intégration de l’IA
• Connaître les bibliothèques, interfaces et outils pour l’intégration de modèles IA
• Intégrer des systèmes IA dans l’architecture globale d’un paysage SI
• Aperçu des caractéristiques qualité pertinentes pour les systèmes IA
• Connaître les cadres d’évaluation pour les systèmes IA (Optionnel)
• Discuter une étude de cas fictive (Optionnel)
• Compréhension fondamentale de l’IA générative
• Comprendre le fonctionnement des LLM
• Comprendre les patterns connus pour l’utilisation des LLM
• Connaître les cas d’usage pour RAG (Retrieval-Augmented Generation)
• Connaître et comprendre des techniques RAG sélectionnées
• Connaître les types de prompt engineering
• Aperçu des workflows « agentic »
• Connaître une sélection de design patterns pour systèmes IA génératifs
• Connaître les techniques pour évaluer des applications LLM
• Aperçu des LLM connus et critères de sélection
• Comprendre l’importance de la gestion des coûts pour les applications GenAI
• Donner des exemples de bibliothèques, interfaces et outils courants pour les applications LLM
• Connaître les architectures logicielles IA « agentic », composants et types d’architectures d’agents IA (Optionnel)