iSAQB® CPSA-A - Architecture for Agentic Software Engineering Contexts (Corso)

Descrizione

La partecipazione al corso iSAQB® CPSA-A Architecture for Agentic Software Engineering Contexts (AGENTA) consente ai partecipanti di ottenere 20 punti di Competenza Metodologica (MC) e 10 punti di Competenza Tecnica (TC) ai fini dei 70 punti richiesti per l'ammissione all'esame iSAQB CPSA-A con Brightest. È importante ricordare che, nell'ambito dei 70 punti richiesti per sostenere l'esame iSAQB CPSA-A con Brightest, è necessario ottenere almeno dieci punti di competenza in ciascuna delle seguenti aree: 

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

La formazione accreditata iSAQB® AGENTA - Architecture for Agentic Software Engineering Contexts (CPSA-A) si basa sull'attuale curriculum iSAQB®:

Parte 1 - Introduzione e fondamenti

• Comprendere le relazioni tra intelligenza artificiale, machine learning, IA generativa e large language model
• Distinguere tra coding assistito dall'IA, aumentato dall'IA e agentic coding
• Comprendere l'orchestrazione dell'IA, i workflow agentici e l'agentic engineering
• Riconoscere le differenze tra agentic engineering e vibe coding
• Comprendere le capacità e i limiti dei large language model, incluse allucinazioni, bias, limiti temporali delle conoscenze e limitazioni del contesto
• Spiegare l'influenza del prompt engineering e del context engineering sulla qualità dei risultati generati dall'IA
• Distinguere tra assistenti IA e agenti IA
• Comprendere i cicli agentici, l'utilizzo degli strumenti, la gestione dello stato, la pianificazione, i sub-agent e gli approcci human-in-the-loop
• Classificare i diversi livelli di autonomia nell'agentic engineering
• Conoscere approcci quali Spec-Driven Development, agent swarm e conversational programming
• Stabilire se un'attività debba essere svolta da una persona, da uno strumento software tradizionale o da un agente IA
• Comprendere come assistenti e agenti IA possano supportare le attività di architettura software preservando al contempo il giudizio architetturale umano

Parte 2 - Processo decisionale architetturale assistito dall'IA

• Comprendere il ciclo di vita delle decisioni architetturali e il modo in cui l'agentic engineering lo influenza
• Stabilire cicli di feedback continui tra architettura, sviluppo, testing e operation
• Utilizzare l'IA per supportare un processo decisionale architetturale continuo e basato su evidenze
• Affinare gli obiettivi di qualità trasformandoli in driver architetturali valutabili e scenari di qualità
• Identificare conflitti tra obiettivi di qualità, vincoli e intenzioni architetturali
• Identificare debolezze strutturali, deriva architetturale, debito tecnico e complessità emergente
• Combinare strumenti di analisi consolidati con revisioni e valutazioni architetturali assistite dall'IA
• Utilizzare l'IA per generare, perfezionare e confrontare alternative architetturali
• Valutare le opzioni architetturali rispetto a driver, vincoli, principi e decisioni esistenti
• Considerare le decisioni architetturali come ipotesi verificabili con assunzioni esplicite e criteri di validazione
• Progettare esperimenti leggeri, prototipi, simulazioni, spike e confronti diretti
• Riconoscere i limiti e i rischi del ragionamento architetturale supportato dall'IA
• Definire punti di revisione, guardrail e limiti per le decisioni architetturali ad alto impatto
• Spostare il lavoro architetturale dalla prescrizione dei dettagli di implementazione verso l'orchestrazione di obiettivi, vincoli e criteri di accettazione
• Riconoscere e contenere rischi di orchestrazione quali agenti fuori controllo, cicli infiniti ed errori a cascata
• Considerare costi e sostenibilità nella progettazione dei workflow agentici

Parte 3 - Fornire conoscenza architetturale agli agenti

• Comprendere come le informazioni disponibili a un agente IA influenzino la qualità e la coerenza architetturale dei suoi output
• Considerare la fornitura di conoscenza architetturale agli agenti come una sfida di engineering e progettazione
• Identificare le decisioni architetturali, i vincoli, gli obiettivi di qualità, i principi, i concetti di dominio e i confini del sistema rilevanti per gli agenti IA
• Progettare rappresentazioni precise, manutenibili ed efficaci della conoscenza architetturale destinate agli agenti
• Utilizzare formati quali Architecture Decision Record, regole architetturali, file di contesto, knowledge base, indici di retrieval, diagrams-as-code e vincoli strutturati
• Selezionare meccanismi adeguati per fornire agli agenti la conoscenza architetturale al momento opportuno
• Valutare strategie quali Retrieval-Augmented Generation e skill riutilizzabili per gli agenti
• Comprendere le implicazioni architetturali dei protocolli standardizzati di integrazione tra agenti e strumenti, come il Model Context Protocol
• Valutare se la conoscenza architetturale disponibile per gli agenti sia sufficiente e strutturata in modo appropriato
• Bilanciare un contesto architetturale completo con il rischio di informazioni irrilevanti o contraddittorie
• Migliorare iterativamente la fornitura delle conoscenze osservando e valutando il comportamento degli agenti
• Riconoscere che la documentazione condivisa non crea automaticamente una comprensione condivisa

Parte 4 - Mantenere gli agenti allineati agli obiettivi architetturali

• Comprendere perché gli agenti IA richiedano controlli e vincoli architetturali espliciti
• Riconoscere come il lavoro generato dall'IA senza adeguati vincoli possa introdurre incoerenze, debito tecnico e deriva architetturale
• Comprendere perché la sola conoscenza architetturale non sia sufficiente a controllare il comportamento degli agenti
• Progettare controlli preventivi e di rilevamento che mantengano il lavoro generato dall'IA entro i confini architetturali
• Valutare i compromessi tra precisione e copertura, nonché tra velocità e profondità dell'analisi
• Selezionare meccanismi di enforcement adeguati per le regole strutturali e per caratteristiche di qualità più ampie
• Utilizzare test architetturali, analisi statica, linter, regole sulle dipendenze, controlli delle policy, review gate, sandboxing e workflow di approvazione
• Posizionare i controlli architetturali nei punti appropriati del processo di sviluppo e delivery
• Stabilire una verifica architetturale continua per codebase assistite dall'IA in rapida evoluzione
• Valutare se una codebase e uno stack tecnologico esistenti siano adatti al controllo architetturale degli agenti IA
• Introdurre progressivamente controlli architetturali nei sistemi esistenti
• Bilanciare lo sforzo necessario per implementare i controlli rispetto ai rischi derivanti dall'utilizzo di agenti senza tali controlli
• Utilizzare gli errori nel lavoro generato dall'IA per migliorare nel tempo i controlli architetturali
• Determinare dove i miglioramenti dei controlli possano essere automatizzati e dove il giudizio umano rimanga essenziale

Parte 5 - Estrazione delle informazioni architetturali

• Distinguere tra documentazione dell'architettura as-is e to-be
• Distinguere tra informazioni architetturali destinate alle persone e informazioni destinate agli agenti
• Comprendere dove l'IA possa supportare la documentazione architetturale e dove la collaborazione umana rimanga necessaria
• Creare rappresentazioni concise e leggibili dalle macchine per workflow assistiti dall'IA
• Mantenere aggiornate le decisioni architetturali e la documentazione durante i cicli di sviluppo agentici
• Rilevare quando lo sviluppo agentico modifica implicitamente o si discosta dalle decisioni architetturali esistenti
• Utilizzare gli Architecture Decision Record per documentare decisioni, alternative, motivazioni e conseguenze
• Utilizzare l'IA per redigere bozze di ADR a partire da log di contesto, output dei guardrail, conversazioni, email e verbali delle riunioni
• Stabilire punti di revisione umana per preservare tracciabilità e responsabilità
• Estrarre informazioni architetturali da codice sorgente, repository, interfacce, configurazioni, test e descrittori di deployment
• Combinare insight generati dall'IA con analisi statiche e dinamiche
• Rilevare tecnologie, framework, pattern architetturali, design pattern e potenziali regole di business
• Identificare lacune, incoerenze e incertezze nelle informazioni architetturali recuperate
• Generare e mantenere viste architetturali a partire dagli artefatti di sviluppo
• Utilizzare formati testuali come Mermaid e Structurizr per una documentazione viva e soggetta a controllo di versione
• Validare la documentazione generata rispetto alle conoscenze degli sviluppatori e al comportamento effettivo del sistema

Parte 6 - Governance e quality gate per l'utilizzo dell'IA

• Comprendere gli aspetti relativi al diritto d'autore e alle licenze software nell'utilizzo di codice e artefatti generati dall'IA
• Stabilire controlli che riducano i rischi legati al diritto d'autore nello sviluppo supportato dall'IA
• Valutare il trattamento di dati personali e sensibili nell'utilizzo di strumenti di IA
• Comprendere ruoli e responsabilità previsti dai requisiti in materia di protezione dei dati
• Applicare i ruoli di base, la logica basata sul rischio e i requisiti graduali dell'EU AI Act ai tipici scenari di utilizzo degli strumenti di IA
• Identificare quando coinvolgere gli stakeholder responsabili della protezione dei dati, della sicurezza delle informazioni, degli aspetti legali e di altre aree
• Documentare le decisioni relative all'IA in modo adeguato ad audit e processi decisionali
• Garantire la tracciabilità e la provenienza degli output generati dall'IA
• Utilizzare logging strutturato, riferimenti al contesto, citazioni, versioning, tracing e monitoraggio
• Scalare in modo coerente la governance dell'IA tra team e processi di sviluppo
• Confrontare modelli di costo dell'IA basati su token e su abbonamento
• Considerare il vendor lock-in, la flessibilità nella scelta dei provider e la sovranità dei dati nella selezione dei servizi di IA
• Utilizzare guardrail, processi di approvazione e allowlist per le integrazioni tra agenti e strumenti
• Comprendere l'impatto ambientale dello sviluppo supportato dall'IA e dello sviluppo agentico
• Sviluppare strategie di utilizzo sostenibili basate sulle dimensioni dei modelli, sulla progettazione dei workflow e sul consumo di risorse
• Definire regole sicure e conformi ai requisiti di protezione dei dati per la selezione e l'utilizzo degli strumenti di IA
• Comprendere rischi di sicurezza quali prompt injection, uso improprio degli strumenti e attacchi confused-deputy
• Applicare misure quali il principio del privilegio minimo, credenziali con ambito limitato, approvazioni esplicite e monitoraggio
• Selezionare strategie di sandboxing adeguate basate su container o macchine virtuali

Parte 7 - L'evoluzione della disciplina dell'architettura software

• Mantenere responsabilità e ownership per il codice generato dall'IA e per i risultati dell'attività di engineering
• Riconoscere e affrontare il rischio di perdita delle competenze di engineering dovuto a un'eccessiva dipendenza dall'IA
• Utilizzare pratica deliberata, ragionamento human-first e apprendimento supportato dall'IA per preservare le competenze fondamentali
• Applicare il pensiero critico nella revisione e validazione dei risultati generati dall'IA
• Distinguere tra ragionamento supportato dall'IA e delega del processo decisionale
• Identificare le attività architetturali che devono rimanere sotto responsabilità umana
• Utilizzare una terminologia condivisa e vocabolari di dominio per migliorare la coerenza delle decisioni degli agenti
• Misurare se i team stanno migliorando le proprie capacità architetturali anziché limitarsi a produrre output più rapidamente
• Adottare lo sviluppo supportato dall'IA attraverso ipotesi esplicite, esperimenti controllati e risultati misurabili
• Comprendere l'adozione dell'IA come un processo continuo che comprende accesso, adozione, padronanza, cambiamenti nelle pratiche di lavoro e sviluppo organizzativo
• Supportare l'adozione attraverso formazione, sperimentazione, responsabilità chiare e sicurezza psicologica
• Utilizzare indicatori significativi quali lead time, change failure rate, metriche DORA e segnali relativi alla developer experience
• Applicare modelli di collaborazione che combinino persone e IA mantenendo una comunicazione efficace tra i membri del team
• Comprendere le topologie degli agenti, quali agenti singoli, sub-agent e team di agenti
• Adattare ruoli, strutture dei team, pratiche di engineering e responsabilità architetturali allo sviluppo supportato dall'IA
• Passare dall'implementazione a livello di singole righe di codice verso un pensiero più ampio, orientato all'architettura, al prodotto e ai risultati
• Comprendere come l'IA influenzi la software architecture, la solution architecture e l'enterprise architecture