iSAQB CPSA-A AGENTA

Deskripsi

Dengan mengikuti pelatihan iSAQB® CPSA-A Arsitektur untuk Konteks Rekayasa Perangkat Lunak Agentik (AGENTA), peserta akan memperoleh 20 poin Kompetensi Metodologis (MC) dan 10 poin Kompetensi Teknis (TC). Poin tersebut diperhitungkan sebagai bagian dari 70 poin yang diperlukan agar memenuhi syarat untuk mengikuti ujian iSAQB CPSA-A bersama Brightest. Dari total 70 poin yang diperlukan untuk mengikuti ujian iSAQB CPSA-A bersama Brightest, peserta harus memperoleh sekurang-kurangnya sepuluh poin kompetensi dalam setiap bidang berikut: 

• Kompetensi Teknis (TC)
• Kompetensi Metodologis (MC)
• Kompetensi Komunikatif (CC)

Pelatihan iSAQB® AGENTA – Arsitektur untuk Konteks Rekayasa Perangkat Lunak Agentik (CPSA-A) yang terakreditasi didasarkan pada kurikulum iSAQB® terbaru:

Bagian 1 – Pengantar dan dasar-dasar

• Memahami hubungan antara kecerdasan buatan, pembelajaran mesin, AI generatif, dan model bahasa besar
• Membedakan pengodean yang dibantu AI, diperkuat AI, dan bersifat agentik
• Memahami orkestrasi AI, alur kerja agentik, dan rekayasa agentik
• Mengenali perbedaan antara rekayasa agentik dan vibe coding
• Memahami kemampuan dan keterbatasan model bahasa besar, termasuk halusinasi, bias, batas waktu pengetahuan, dan keterbatasan konteks
• Menjelaskan pengaruh prompt engineering dan context engineering terhadap kualitas hasil yang dihasilkan oleh AI
• Membedakan asisten AI dan agen AI
• Memahami siklus agentik, penggunaan alat, pengelolaan status, perencanaan, subagen, dan pendekatan human-in-the-loop
• Mengelompokkan berbagai tingkat otonomi dalam rekayasa agentik
• Memahami pendekatan seperti Spec-Driven Development, kawanan agen, dan conversational programming
• Menentukan apakah suatu tugas sebaiknya dikerjakan oleh manusia, alat perangkat lunak tradisional, atau agen AI
• Memahami bagaimana asisten dan agen AI dapat mendukung kegiatan arsitektur perangkat lunak tanpa menggantikan penilaian arsitektural manusia

Bagian 2 – Pengambilan keputusan arsitektur dengan bantuan AI

• Memahami siklus hidup keputusan arsitektur dan bagaimana rekayasa agentik memengaruhinya
• Membangun siklus umpan balik berkelanjutan antara arsitektur, pengembangan, pengujian, dan operasional
• Menggunakan AI untuk mendukung pengambilan keputusan arsitektur yang berkelanjutan dan berbasis bukti
• Menguraikan sasaran kualitas menjadi penggerak arsitektur dan skenario kualitas yang dapat dinilai
• Mengidentifikasi konflik antara sasaran kualitas, batasan, dan tujuan arsitektural
• Mengidentifikasi kelemahan struktural, penyimpangan arsitektur, utang teknis, dan kompleksitas yang terus berkembang
• Menggabungkan alat analisis yang sudah mapan dengan tinjauan dan penilaian arsitektur berbantuan AI
• Menggunakan AI untuk menghasilkan, menyempurnakan, dan membandingkan berbagai alternatif arsitektur
• Menilai pilihan arsitektur berdasarkan penggerak, batasan, prinsip, dan keputusan yang sudah ada
• Memperlakukan keputusan arsitektur sebagai hipotesis yang dapat diuji dengan asumsi dan kriteria validasi yang jelas
• Merancang eksperimen sederhana, prototipe, simulasi, spike, dan perbandingan langsung
• Mengenali keterbatasan dan risiko penalaran arsitektural yang didukung AI
• Menetapkan titik tinjauan, pagar pengaman, dan batasan untuk keputusan arsitektur yang memiliki dampak besar
• Mengalihkan pekerjaan arsitektur dari penentuan detail implementasi menuju orkestrasi sasaran, batasan, dan kriteria penerimaan
• Mengenali dan membatasi risiko orkestrasi, seperti agen yang berjalan tanpa kendali, siklus tanpa akhir, dan kesalahan yang menyebar
• Mempertimbangkan biaya dan keberlanjutan saat merancang alur kerja agentik

Bagian 3 – Menyediakan pengetahuan arsitektur bagi agen

• Memahami bagaimana informasi yang tersedia bagi agen AI memengaruhi kualitas dan konsistensi arsitektural hasilnya
• Memperlakukan penyediaan pengetahuan arsitektur bagi agen sebagai tantangan rekayasa dan desain
• Mengidentifikasi keputusan arsitektur, batasan, sasaran kualitas, prinsip, konsep domain, dan batas sistem yang relevan bagi agen AI
• Merancang representasi pengetahuan arsitektur yang akurat, mudah dipelihara, efektif, dan dapat digunakan oleh agen
• Menggunakan format seperti Architecture Decision Records, aturan arsitektur, berkas konteks, basis pengetahuan, indeks retrieval, diagrams-as-code, dan batasan terstruktur
• Memilih mekanisme yang sesuai untuk memberikan pengetahuan arsitektur kepada agen pada waktu yang tepat
• Menilai strategi seperti Retrieval-Augmented Generation dan keterampilan agen yang dapat digunakan kembali
• Memahami dampak arsitektural dari protokol standar untuk integrasi agen dan alat, seperti Model Context Protocol
• Menilai apakah pengetahuan arsitektur yang tersedia bagi agen sudah memadai dan disusun dengan tepat
• Menyeimbangkan konteks arsitektur yang lengkap dengan risiko adanya informasi yang tidak relevan atau saling bertentangan
• Meningkatkan penyediaan pengetahuan secara bertahap dengan mengamati dan menilai perilaku agen
• Memahami bahwa dokumentasi bersama tidak secara otomatis menghasilkan pemahaman bersama

Bagian 4 – Menjaga agen tetap selaras dengan sasaran arsitektur

• Memahami mengapa agen AI memerlukan kontrol dan batasan arsitektural yang jelas
• Mengenali bagaimana pekerjaan yang dihasilkan AI tanpa batasan dapat menimbulkan inkonsistensi, utang teknis, dan penyimpangan arsitektur
• Memahami mengapa pengetahuan arsitektur saja tidak cukup untuk mengendalikan perilaku agen
• Merancang kontrol pencegahan dan pendeteksian yang menjaga pekerjaan hasil AI tetap berada dalam batas arsitektur
• Menilai pertukaran antara ketepatan dan cakupan serta antara kecepatan dan kedalaman analisis
• Memilih mekanisme penegakan yang sesuai untuk aturan struktural dan karakteristik kualitas yang lebih luas
• Menggunakan pengujian arsitektur, analisis statis, linter, aturan dependensi, pemeriksaan kebijakan, gerbang tinjauan, sandboxing, dan alur kerja persetujuan
• Menempatkan kontrol arsitektural pada titik yang sesuai dalam proses pengembangan dan penyampaian
• Membangun verifikasi arsitektur berkelanjutan untuk basis kode berbantuan AI yang berkembang dengan cepat
• Menilai apakah basis kode dan tumpukan teknologi yang ada sesuai untuk pengendalian arsitektural agen AI
• Menerapkan kontrol arsitektural secara bertahap pada sistem yang sudah ada
• Menyeimbangkan upaya yang diperlukan untuk membangun kontrol dengan risiko menjalankan agen tanpa kontrol tersebut
• Menggunakan kegagalan dalam pekerjaan hasil AI untuk terus meningkatkan kontrol arsitektural
• Menentukan bagian peningkatan kontrol yang dapat diotomatisasi dan bagian yang masih memerlukan penilaian manusia

Bagian 5 – Ekstraksi informasi arsitektur

• Membedakan dokumentasi arsitektur saat ini dan arsitektur yang diinginkan
• Membedakan informasi arsitektur yang ditujukan bagi manusia dan bagi agen
• Memahami bagian dokumentasi arsitektur yang dapat didukung AI dan bagian yang tetap memerlukan kerja sama manusia
• Membuat representasi yang ringkas dan dapat dibaca mesin untuk alur kerja berbantuan AI
• Memelihara keputusan dan dokumentasi arsitektur selama siklus pengembangan agentik
• Mendeteksi ketika pengembangan agentik secara tidak langsung mengubah atau menyimpang dari keputusan arsitektur yang ada
• Menggunakan Architecture Decision Records untuk mencatat keputusan, alternatif, alasan, dan konsekuensi
• Menggunakan AI untuk menyusun rancangan ADR berdasarkan log konteks, hasil pemeriksaan pagar pengaman, percakapan, surel, dan catatan rapat
• Menetapkan titik tinjauan oleh manusia untuk menjaga keterlacakan dan akuntabilitas
• Mengekstrak informasi arsitektur dari kode sumber, repositori, antarmuka, konfigurasi, pengujian, dan deskripsi penerapan
• Menggabungkan wawasan yang dihasilkan AI dengan analisis statis dan dinamis
• Mendeteksi teknologi, framework, pola arsitektur, pola desain, dan kemungkinan aturan bisnis
• Mengidentifikasi kesenjangan, inkonsistensi, dan ketidakpastian dalam informasi arsitektur yang diperoleh kembali
• Menghasilkan dan memelihara tampilan arsitektur berdasarkan artefak pengembangan
• Menggunakan format berbasis teks seperti Mermaid dan Structurizr untuk dokumentasi hidup dengan pengelolaan versi
• Memvalidasi dokumentasi yang dihasilkan berdasarkan pengetahuan pengembang dan perilaku sistem yang sebenarnya

Bagian 6 – Tata kelola dan gerbang kualitas untuk penggunaan AI

• Memahami pertimbangan hak cipta dan lisensi perangkat lunak ketika menggunakan kode dan artefak yang dihasilkan AI
• Membangun kontrol yang mengurangi risiko terkait hak cipta dalam pengembangan berbantuan AI
• Menilai pemrosesan data pribadi dan sensitif ketika menggunakan alat AI
• Memahami peran dan tanggung jawab berdasarkan persyaratan perlindungan data
• Menerapkan peran dasar, logika risiko, dan persyaratan bertahap dalam Undang-Undang AI Uni Eropa pada skenario penggunaan alat AI yang umum
• Mengidentifikasi kapan pihak perlindungan data, keamanan informasi, hukum, dan pemangku kepentingan lainnya perlu dilibatkan
• Mendokumentasikan keputusan terkait AI agar siap digunakan untuk audit dan pengambilan keputusan
• Memastikan keterlacakan dan asal-usul hasil yang dihasilkan AI
• Menggunakan pencatatan terstruktur, referensi konteks, kutipan sumber, pengelolaan versi, tracing, dan pemantauan
• Menerapkan tata kelola AI secara konsisten di berbagai tim dan proses pengembangan
• Membandingkan model biaya AI berbasis token dan berbasis langganan
• Mempertimbangkan ketergantungan pada vendor, fleksibilitas penyedia, dan kedaulatan data ketika memilih layanan AI
• Menggunakan pagar pengaman, proses persetujuan, dan daftar yang diizinkan untuk integrasi agen dan alat
• Memahami dampak lingkungan dari pengembangan berbantuan AI dan pengembangan agentik
• Mengembangkan strategi penggunaan yang berkelanjutan berdasarkan ukuran model, desain alur kerja, dan konsumsi sumber daya
• Menetapkan aturan yang aman dan sesuai dengan perlindungan data untuk memilih dan menggunakan alat AI
• Memahami risiko keamanan seperti prompt injection, penyalahgunaan alat, dan serangan confused-deputy
• Menerapkan langkah-langkah seperti hak akses minimum, kredensial dengan cakupan terbatas, persetujuan yang jelas, dan pemantauan
• Memilih strategi sandboxing berbasis kontainer atau mesin virtual yang sesuai

Bagian 7 – Perkembangan disiplin arsitektur perangkat lunak

• Mempertahankan tanggung jawab dan kepemilikan atas kode yang dihasilkan AI serta hasil pekerjaan rekayasa
• Mengenali dan menangani risiko hilangnya keterampilan rekayasa akibat ketergantungan berlebihan pada AI
• Menggunakan latihan yang terarah, penalaran yang mengutamakan manusia, dan pembelajaran berbantuan AI untuk mempertahankan keterampilan utama
• Menerapkan pemikiran kritis ketika meninjau dan memvalidasi hasil yang dihasilkan AI
• Membedakan penalaran yang didukung AI dari pengambilan keputusan yang sepenuhnya diserahkan kepada AI
• Mengidentifikasi kegiatan arsitektur yang harus tetap menjadi tanggung jawab manusia
• Menggunakan istilah bersama dan kosakata domain untuk meningkatkan konsistensi keputusan agen
• Mengukur apakah tim meningkatkan kemampuan arsitektur, bukan hanya menghasilkan keluaran dengan lebih cepat
• Menerapkan pengembangan berbantuan AI melalui hipotesis yang jelas, eksperimen terkendali, dan hasil yang dapat diukur
• Memahami penerapan AI sebagai proses berkelanjutan yang mencakup akses, adopsi, kecakapan, perubahan cara kerja, dan pengembangan organisasi
• Mendukung penerapan melalui pelatihan, eksperimen, kepemilikan yang jelas, dan keamanan psikologis
• Menggunakan indikator yang bermakna seperti lead time, change failure rate, metrik DORA, dan indikator pengalaman pengembang
• Menerapkan pola kerja sama yang menggabungkan manusia dan AI sambil menjaga komunikasi yang efektif antaranggota tim
• Memahami topologi agen seperti agen tunggal, subagen, dan tim agen
• Menyesuaikan peran, struktur tim, praktik rekayasa, dan tanggung jawab arsitektural dengan pengembangan berbantuan AI
• Mengalihkan fokus dari implementasi pada tingkat baris kode menuju pemikiran arsitektural, berorientasi produk, dan berorientasi hasil yang lebih luas
• Memahami bagaimana AI memengaruhi arsitektur perangkat lunak, arsitektur solusi, dan arsitektur perusahaan