iSAQB CPSA-A SWARC4AI

Descrizione

La partecipazione al corso iSAQB® CPSA-A Software Architecture for AI-Based Systems (SWARC4AI) conferisce ai partecipanti 20 punti di Competenza Tecnica (TC) e 10 punti di Competenza Metodologica (MC) validi per il raggiungimento dei 70 punti richiesti per l’ammissione all’esame iSAQB CPSA-A con Brightest. È importante ricordare che, per raggiungere i 70 punti necessari per sostenere l’esame iSAQB CPSA-A con Brightest, è obbligatorio ottenere almeno dieci punti di competenza in ciascuna delle seguenti aree: 

• Competenza Tecnica (TC)
• Competenza Metodologica (MC)
• Competenza Comunicativa (CC)

Il corso accreditato iSAQB® SWARC4AI – Software Architecture for AI-Based Systems (CPSA-A) si basa sull’attuale curriculum iSAQB®:

Parte 1 – Introduzione ai concetti rilevanti per l’architettura software nell’ambito dell’intelligenza artificiale

• Classificare intelligenza artificiale, machine learning, data science, deep learning e generative AI
• Individuare casi d’uso generici dell’IA
• Conoscere le applicazioni nei diversi settori e per l’utente finale
• Identificare i rischi legati all’applicazione dell’IA
• Comprendere le differenze rispetto al software tradizionale
• Decidere se usare soluzioni AI o sviluppo software classico
• Conoscere ruoli, compiti e modalità di collaborazione nei progetti AI
• Individuare e prioritizzare i casi d’uso dell’IA
• Conoscere i punti di forza e i limiti dell’IA
• Comprendere il concetto di “Productivity J-Curve” nel contesto AI

Parte 2 – Conformità, sicurezza e allineamento

• Conoscere l’influenza delle leggi sulla protezione dei dati sull’uso dell’IA
• Comprendere gli obiettivi e i regolamenti dell’EU AI Act e il loro impatto su processo e architettura
• Classificare i sistemi AI secondo i livelli di rischio previsti dall’EU AI Act
• Classificare problematiche di copyright nei contenuti generati dall’IA
• Panoramica su aperture e licenze dei modelli ML open source
• Strategie per la conformità all’EU AI Act e relative sfide
• Documentare modelli e dataset per garantire tracciabilità e trasparenza
• Conoscere vulnerabilità e tipi di attacchi ai modelli ML
• Applicare strategie per la minimizzazione del rischio AI
• Applicare misure di protezione contro gli attacchi (AI security)
• Comprendere gli aspetti fondamentali della sicurezza AI
• Comprendere le problematiche etiche dell’IA e come affrontarle
• Panoramica sulle linee guida etiche
• Conoscere i principi di AI governance e Responsible AI per le aziende
• Capire il concetto di “regulatory sandbox”
• Garantire una gestione adeguata dei dati per qualità e sicurezza

Parte 3 – Progettazione e sviluppo di sistemi basati sull’intelligenza artificiale

• Comprendere il ciclo di vita di un progetto ML o di data science
• Conoscere i modelli di processo per lo sviluppo software di sistemi AI
• Tipologie e requisiti dei dati, e problemi tipici nel ML
• Affrontare sfide come non-determinismo, qualità dei dati, drift concettuale o del modello
• Conoscere il transfer learning o fine-tuning
• Scegliere pattern architetturali per sistemi AI
• Definire il compito di un modello ML
• Specificare input e output di un sistema ML
• Conoscere le metriche di performance dei modelli ML
• Integrare i modelli ML nei sistemi esistenti
• Progettare interfacce utente per sistemi AI
• Capire metriche di performance come latenza e throughput
• Gestire la scalabilità rispetto all’aumento dei dati
• Capire la robustezza nei sistemi AI e come migliorarla
• Classificare affidabilità e disponibilità dei sistemi AI
• Capire la riproducibilità e la testabilità dei risultati AI
• Conoscere requisiti di sicurezza, protezione dei dati e conformità
• Classificare spiegabilità e interpretabilità dei sistemi AI
• Riconoscere bias nei dati e nei modelli
• Conoscere la tolleranza agli errori nei siste