iSAQB CPSA-A SWARC4AI

Deskripsi

Dengan mengikuti kursus iSAQB® CPSA-A Arsitektur Perangkat Lunak untuk Sistem Berbasis AI (SWARC4AI), peserta memperoleh 20 poin Kompetensi Teknis (TC) dan 10 poin Kompetensi Metodologis (MC). Poin tersebut diperhitungkan sebagai bagian dari 70 poin yang diperlukan agar memenuhi syarat untuk mengikuti ujian iSAQB CPSA-A bersama Brightest. Perlu diingat bahwa dari 70 poin yang diperlukan untuk mengikuti ujian iSAQB CPSA-A bersama Brightest, Anda harus memiliki setidaknya sepuluh poin kompetensi dalam setiap bidang berikut: 

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

Pelatihan iSAQB® SWARC4AI - Arsitektur Perangkat Lunak untuk Sistem Berbasis AI (CPSA-A) yang terakreditasi didasarkan pada kurikulum iSAQB® terbaru:

Bagian 1 - Pengantar Konsep Kecerdasan Buatan yang Relevan bagi Arsitektur Perangkat Lunak

• Mengelompokkan kecerdasan buatan, machine learning, data science, deep learning, dan AI generatif
• Menentukan kasus penggunaan umum untuk AI
• Mengetahui kemungkinan penerapan di berbagai industri dan aplikasi pengguna akhir
• Mengidentifikasi risiko dalam penggunaan AI
• Memahami perbedaannya dengan perangkat lunak tradisional
• Menentukan apakah suatu masalah sebaiknya diselesaikan menggunakan AI atau pengembangan perangkat lunak klasik
• Mengetahui peran, tugas, dan bentuk kerja sama dalam konteks AI
• Mengidentifikasi dan memprioritaskan kasus penggunaan AI
• Mengetahui kekuatan dan keterbatasan AI
• Mengetahui konsep "Productivity J-Curve" dalam kaitannya dengan teknologi AI

Bagian 2 -  Kepatuhan, Keamanan, dan Penyelarasan

• Mengetahui pengaruh undang-undang perlindungan data terhadap penerapan dan penggunaan AI
• Memahami tujuan dan peraturan EU AI Act serta pengaruhnya terhadap proses pengembangan dan arsitektur
• Mengklasifikasikan sistem AI berdasarkan tingkat risiko EU AI Act
• Mengelompokkan masalah hak cipta pada konten yang dibuat oleh AI
• Memahami jenis dan tingkat keterbukaan serta jenis lisensi untuk model ML terbuka
• Memahami strategi untuk mematuhi EU AI Act dan kemungkinan tantangannya
• Mendokumentasikan model dan dataset untuk mendukung ketertelusuran dan transparansi
• Mengetahui risiko keamanan dan jenis serangan terhadap model ML
• Mengetahui dan menerapkan strategi untuk mengurangi risiko AI
• Menerapkan langkah perlindungan terhadap serangan (AI Security)
• Memahami masalah dasar dan berbagai aspek AI Safety
• Memahami masalah etika pada sistem AI dan mengetahui pendekatan untuk menanganinya
• Memahami pedoman etika secara umum
• Mengetahui prinsip utama AI Governance dan Responsible AI bagi perusahaan
• Memahami proses pembuatan "Regulatory Sandboxes"
• Memastikan pengelolaan data yang efektif untuk menjaga kualitas dan keamanan data dalam aplikasi AI

Bagian 3 - Desain dan Pengembangan Sistem Berbasis AI

• Memahami siklus hidup proyek machine learning atau data science
• Mengetahui model proses untuk pengembangan perangkat lunak sistem AI
• Mengetahui jenis data, persyaratan data, dan masalah ML yang umum
• Memahami masalah machine learning dan persyaratannya
• Menggunakan data input untuk berbagai algoritma AI
• Menangani tantangan seperti non-determinisme, kualitas data, serta concept drift dan model drift
• Mengetahui transfer learning dan fine-tuning
• Memilih design pattern untuk sistem AI
• Menentukan tugas sebuah model ML
• Memahami dan menentukan input serta output yang dibutuhkan agar sistem ML dapat berfungsi
• Mengetahui metrik untuk mengukur kinerja model ML
• Mengintegrasikan model ML ke dalam sistem yang sudah ada
• Merancang antarmuka pengguna untuk sistem AI
• Memahami metrik kinerja seperti latensi dan throughput dalam sistem AI
• Mengelola skalabilitas ketika volume data meningkat
• Memahami ketahanan sistem AI dan menerapkan strategi untuk meningkatkannya
• Mengelompokkan keandalan dan ketersediaan sistem AI
• Memahami kemampuan reproduksi dan pengujian hasil AI
• Mengetahui persyaratan keamanan, perlindungan data, dan kepatuhan
• Mengelompokkan kemampuan penjelasan dan interpretasi dalam sistem AI
• Mengenali bias dalam data dan model
• Mengetahui toleransi kesalahan dalam sistem AI

Bagian 4 - Pengelolaan dan Pemrosesan Data untuk Sistem Berbasis AI

• Memperoleh dan memberi label pada data
• Mengetahui platform umum untuk data yang dapat diakses publik
• Memahami alat yang relevan untuk pelabelan data
• Merancang pipeline dan arsitektur data yang efisien
• Mengetahui strategi untuk agregasi, pembersihan, transformasi, pengayaan, dan augmentasi data
• Memahami alat untuk pipeline data engineering
• Mengetahui berbagai pilihan penyimpanan data

Bagian 5 - Karakteristik Kualitas Penting untuk Pengoperasian Sistem Berbasis AI

• Mengetahui kebutuhan perangkat keras untuk pelatihan dan inferensi
• Mengetahui trade-off berbagai arsitektur model terkait karakteristik kualitas
• Menyeimbangkan berbagai karakteristik kualitas sebuah model ML
• Memahami biaya, konsumsi energi, dan penggunaan AI secara berkelanjutan (Green IT)
• Memahami MLOps untuk mengotomatiskan siklus hidup proyek data science
• Melacak pelatihan model, parameter, metrik, dan hasil
• Mengevaluasi model ML dan sistem AI yang dibangun berdasarkan model tersebut
• Mengetahui jenis drift serta kemungkinan penyebab dan solusinya
• Memahami CI/CD pipeline, pengelolaan model, dan strategi deployment untuk model AI
• Mengetahui platform untuk menyediakan model
• Mengelompokkan alat untuk membuat POC sistem AI
• Mengetahui pilihan deployment untuk model AI
• Menjelaskan kelebihan dan kekurangan SaaS dan self-hosting
• Memahami berbagai solusi AI berbasis SaaS
• Mengetahui deployment model ML pada perangkat embedded
• Memahami monitoring yang berkaitan dengan kebutuhan khusus AI
• Memahami contoh alat untuk monitoring
• Memahami umpan balik pengguna serta metode dan alat untuk mengumpulkannya
• Mengetahui metode untuk menggunakan umpan balik dalam pelatihan model
• Memahami MLOps pipeline melalui contoh praktis (Opsional)
• Membuat keputusan build vs. buy untuk sistem atau komponen MLOps (Opsional)
• Mengetahui alat MLOps dan platform end-to-end (Opsional)

Bagian 6 - Arsitektur Sistem dan Platform untuk Sistem AI Generatif

• Memahami berbagai tingkat integrasi AI
• Mengetahui library, antarmuka, dan alat untuk mengintegrasikan model AI
• Mengintegrasikan sistem AI ke dalam keseluruhan arsitektur lingkungan TI
• Memahami karakteristik kualitas yang relevan untuk sistem AI
• Mengetahui framework evaluasi untuk sistem AI (Opsional)
• Membahas studi kasus dengan domain bisnis fiktif (Opsional)
• Memahami dasar-dasar AI generatif
• Memahami cara kerja LLM
• Mengetahui pola yang umum dalam penggunaan LLM
• Mengetahui kasus penggunaan RAG (Retrieval-Augmented Generation)
• Mengetahui dan memahami teknik RAG tertentu
• Mengetahui berbagai jenis prompt engineering
• Memahami alur kerja agentik
• Mengetahui beberapa design pattern untuk sistem AI generatif
• Mengetahui teknik untuk mengevaluasi aplikasi LLM
• Memahami LLM yang umum dan kriteria pemilihannya
• Memahami pentingnya pengelolaan biaya untuk aplikasi GenAI
• Memberikan contoh library, antarmuka, dan alat yang umum digunakan dalam aplikasi LLM
• Mengetahui arsitektur perangkat lunak agentic AI, komponen arsitektur AI agent, dan jenis arsitektur AI agent (Opsional)