iSAQB CPSA-A AGENTA

설명

iSAQB® CPSA-A 에이전틱 소프트웨어 엔지니어링 환경을 위한 아키텍처(AGENTA) 과정에 참여하면 방법론 역량(MC) 점수 20점과 기술 역량(TC) 점수 10점을 취득할 수 있습니다. 이 점수는 Brightest에서 iSAQB CPSA-A 시험에 응시하기 위해 필요한 70점에 포함됩니다. Brightest의 iSAQB CPSA-A 시험에 응시하기 위해 필요한 총 70점 중 다음 각 영역에서 최소 10점의 역량 점수를 취득해야 합니다: 

• 기술 역량(TC)
• 방법론 역량(MC)
• 의사소통 역량(CC)

공인 iSAQB® AGENTA – 에이전틱 소프트웨어 엔지니어링 환경을 위한 아키텍처(CPSA-A) 교육은 최신 iSAQB® 커리큘럼을 기반으로 합니다:

파트 1 – 소개 및 기본 개념

• 인공지능, 머신러닝, 생성형 AI 및 대규모 언어 모델의 관계 이해하기
• AI 보조 코딩, AI 증강 코딩 및 에이전틱 코딩 구분하기
• AI 오케스트레이션, 에이전틱 워크플로 및 에이전틱 엔지니어링 이해하기
• 에이전틱 엔지니어링과 바이브 코딩의 차이점 파악하기
• 환각, 편향, 지식 기준 시점 및 컨텍스트 제한을 포함한 대규모 언어 모델의 기능과 한계 이해하기
• 프롬프트 엔지니어링과 컨텍스트 엔지니어링이 AI 생성 결과의 품질에 미치는 영향 설명하기
• AI 어시스턴트와 AI 에이전트 구분하기
• 에이전틱 루프, 도구 사용, 상태 관리, 계획, 하위 에이전트 및 인간 참여형 접근 방식 이해하기
• 에이전틱 엔지니어링의 다양한 자율성 수준 분류하기
• 명세 기반 개발, 에이전트 군집 및 대화형 프로그래밍과 같은 접근 방식 이해하기
• 작업을 사람, 기존 소프트웨어 도구 또는 AI 에이전트 중 누가 수행해야 하는지 결정하기
• 인간의 아키텍처 판단을 유지하면서 AI 어시스턴트와 에이전트가 소프트웨어 아키텍처 활동을 지원하는 방법 이해하기

파트 2 – AI 보조 아키텍처 의사결정

• 아키텍처 결정의 수명 주기와 에이전틱 엔지니어링이 이에 미치는 영향 이해하기
• 아키텍처, 개발, 테스트 및 운영 사이에 지속적인 피드백 루프 구축하기
• 지속적이고 증거에 기반한 아키텍처 의사결정을 지원하기 위해 AI 활용하기
• 품질 목표를 평가 가능한 아키텍처 동인과 품질 시나리오로 구체화하기
• 품질 목표, 제약 조건 및 아키텍처 의도 사이의 충돌 파악하기
• 구조적 약점, 아키텍처 드리프트, 기술 부채 및 증가하는 복잡성 파악하기
• 기존 분석 도구와 AI 보조 아키텍처 검토 및 평가 결합하기
• AI를 사용하여 아키텍처 대안을 생성하고 개선하며 비교하기
• 동인, 제약 조건, 원칙 및 기존 결정을 기준으로 아키텍처 옵션 평가하기
• 아키텍처 결정을 명확한 가정과 검증 기준이 있는 테스트 가능한 가설로 다루기
• 간단한 실험, 프로토타입, 시뮬레이션, 스파이크 및 병렬 비교 설계하기
• AI 보조 아키텍처 추론의 한계와 위험 인식하기
• 영향이 큰 아키텍처 결정을 위한 검토 지점, 가드레일 및 경계 설정하기
• 아키텍처 작업을 구현 세부 사항의 지시에서 목표, 제약 조건 및 인수 기준의 조율로 전환하기
• 통제되지 않는 에이전트, 무한 루프 및 연쇄 오류와 같은 오케스트레이션 위험을 인식하고 제한하기
• 에이전틱 워크플로를 설계할 때 비용과 지속 가능성 고려하기

파트 3 – 에이전트에게 아키텍처 지식 제공하기

• AI 에이전트가 이용할 수 있는 정보가 결과의 품질과 아키텍처 일관성에 미치는 영향 이해하기
• 에이전트에게 아키텍처 지식을 제공하는 일을 엔지니어링 및 설계 과제로 다루기
• AI 에이전트와 관련된 아키텍처 결정, 제약 조건, 품질 목표, 원칙, 도메인 개념 및 시스템 경계 파악하기
• 에이전트를 위한 정확하고 유지 관리가 쉬우며 효과적인 아키텍처 지식 표현 설계하기
• Architecture Decision Records, 아키텍처 규칙, 컨텍스트 파일, 지식 베이스, 검색 인덱스, diagrams-as-code 및 구조화된 제약 조건과 같은 형식 사용하기
• 적절한 시점에 에이전트에게 아키텍처 지식을 제공하기 위한 알맞은 방식 선택하기
• 검색 증강 생성과 재사용 가능한 에이전트 기술 등의 전략 평가하기
• Model Context Protocol과 같은 표준화된 에이전트-도구 통합 프로토콜이 아키텍처에 미치는 영향 이해하기
• 에이전트가 이용할 수 있는 아키텍처 지식이 충분하고 적절하게 구성되어 있는지 평가하기
• 포괄적인 아키텍처 컨텍스트와 관련이 없거나 서로 모순되는 정보의 위험 사이에서 균형 잡기
• 에이전트의 행동을 관찰하고 평가하여 지식 제공 방식을 반복적으로 개선하기
• 공유 문서가 자동으로 공통된 이해를 만들지는 않는다는 점 인식하기

파트 4 – 에이전트를 아키텍처 목표에 맞게 유지하기

• AI 에이전트에 명확한 아키텍처 통제와 제약 조건이 필요한 이유 이해하기
• 제약이 없는 AI 생성 작업이 불일치, 기술 부채 및 아키텍처 드리프트를 일으킬 수 있는 방식 파악하기
• 아키텍처 지식만으로 에이전트의 행동을 통제하기에 충분하지 않은 이유 이해하기
• AI 생성 작업이 아키텍처 경계 안에 머물도록 하는 예방 및 탐지 통제 설계하기
• 정확성과 범위, 속도와 분석 깊이 사이의 절충 관계 평가하기
• 구조적 규칙과 더 넓은 품질 특성을 위한 적절한 적용 방식 선택하기
• 아키텍처 테스트, 정적 분석, 린터, 종속성 규칙, 정책 검사, 검토 게이트, 샌드박싱 및 승인 워크플로 사용하기
• 개발 및 제공 과정의 적절한 지점에 아키텍처 통제 배치하기
• 빠르게 변화하는 AI 보조 코드베이스를 위한 지속적인 아키텍처 검증 체계 구축하기
• 기존 코드베이스와 기술 스택이 AI 에이전트의 아키텍처 통제에 적합한지 평가하기
• 기존 시스템에 아키텍처 통제를 단계적으로 도입하기
• 통제를 구축하는 데 필요한 노력과 통제 없이 에이전트를 운영하는 위험 사이에서 균형 잡기
• AI 생성 작업의 실패를 활용하여 아키텍처 통제를 지속적으로 개선하기
• 통제 개선 중 자동화할 수 있는 부분과 인간의 판단이 필요한 부분 결정하기

파트 5 – 아키텍처 정보 추출

• 현재 상태와 목표 상태의 아키텍처 문서 구분하기
• 사람을 위한 아키텍처 정보와 에이전트를 위한 아키텍처 정보 구분하기
• AI가 아키텍처 문서화를 지원할 수 있는 영역과 인간의 협업이 필요한 영역 이해하기
• AI 보조 워크플로를 위한 간결하고 기계가 읽을 수 있는 표현 만들기
• 에이전틱 개발 루프 전반에서 아키텍처 결정과 문서 유지 관리하기
• 에이전틱 개발이 기존 아키텍처 결정을 암묵적으로 변경하거나 벗어나는 시점 탐지하기
• Architecture Decision Records를 사용하여 결정, 대안, 근거 및 결과 기록하기
• AI를 사용하여 컨텍스트 로그, 가드레일 결과, 대화, 이메일 및 회의 기록에서 ADR 초안 작성하기
• 추적 가능성과 책임성을 유지하기 위한 인간 검토 지점 설정하기
• 소스 코드, 저장소, 인터페이스, 구성, 테스트 및 배포 설명에서 아키텍처 정보 추출하기
• AI가 생성한 인사이트와 정적 및 동적 분석 결합하기
• 기술, 프레임워크, 아키텍처 패턴, 설계 패턴 및 잠재적 비즈니스 규칙 탐지하기
• 복원된 아키텍처 정보의 누락, 불일치 및 불확실성 파악하기
• 개발 산출물에서 아키텍처 뷰를 생성하고 유지 관리하기
• Mermaid와 Structurizr 같은 텍스트 기반 형식을 사용하여 버전이 관리되는 살아 있는 문서 만들기
• 개발자의 지식과 실제 시스템 동작을 기준으로 생성된 문서 검증하기

파트 6 – AI 사용을 위한 거버넌스 및 품질 게이트

• AI 생성 코드와 산출물을 사용할 때 저작권 및 소프트웨어 라이선스 관련 고려 사항 이해하기
• AI 보조 개발에서 저작권 관련 위험을 줄이는 통제 구축하기
• AI 도구를 사용할 때 개인 데이터와 민감한 데이터의 처리 방식 평가하기
• 데이터 보호 요구 사항에 따른 역할과 책임 이해하기
• EU AI 법의 기본 역할, 위험 논리 및 단계별 요구 사항을 일반적인 AI 도구 사용 사례에 적용하기
• 데이터 보호, 정보 보안, 법무 및 기타 이해관계자가 참여해야 하는 시점 파악하기
• AI 관련 결정을 감사 및 후속 의사결정에 적합한 방식으로 문서화하기
• AI 생성 결과의 추적 가능성과 출처 보장하기
• 구조화된 로깅, 컨텍스트 참조, 출처 인용, 버전 관리, 추적 및 모니터링 사용하기
• 여러 팀과 개발 프로세스에 AI 거버넌스를 일관되게 확대 적용하기
• 토큰 기반 AI 비용 모델과 구독 기반 AI 비용 모델 비교하기
• AI 서비스를 선택할 때 공급업체 종속성, 공급업체 선택의 유연성 및 데이터 주권 고려하기
• 에이전트와 도구의 통합에 가드레일, 승인 절차 및 허용 목록 사용하기
• AI 보조 및 에이전틱 개발이 환경에 미치는 영향 이해하기
• 모델 크기, 워크플로 설계 및 자원 소비를 바탕으로 지속 가능한 사용 전략 개발하기
• AI 도구 선택과 사용을 위한 안전하고 데이터 보호 요구 사항을 준수하는 규칙 수립하기
• 프롬프트 인젝션, 도구 오용 및 confused-deputy 공격과 같은 보안 위험 이해하기
• 최소 권한, 범위가 제한된 자격 증명, 명시적 승인 및 모니터링과 같은 조치 적용하기
• 적절한 컨테이너 기반 또는 가상 머신 기반 샌드박싱 전략 선택하기

파트 7 – 변화하는 소프트웨어 아키텍처 분야

• AI 생성 코드와 엔지니어링 결과에 대한 책임과 소유권 유지하기
• AI에 지나치게 의존하여 엔지니어링 역량이 저하될 위험을 인식하고 대응하기
• 의도적인 연습, 인간 중심 추론 및 AI 보조 학습을 통해 핵심 역량 유지하기
• AI 생성 결과를 검토하고 검증할 때 비판적 사고 적용하기
• AI 보조 추론과 AI에 위임된 의사결정 구분하기
• 사람이 계속 책임져야 하는 아키텍처 활동 파악하기
• 공통 용어와 도메인 어휘를 사용하여 에이전트 결정의 일관성 높이기
• 팀이 결과를 더 빠르게 생성하는 데 그치지 않고 아키텍처 역량을 향상하고 있는지 측정하기
• 명확한 가설, 통제된 실험 및 측정 가능한 결과를 통해 AI 보조 개발 도입하기
• AI 도입을 접근 권한, 실제 활용, 숙련도 향상, 업무 방식의 변화 및 조직 발전을 포함하는 지속적인 과정으로 이해하기
• 교육, 실험, 명확한 소유권 및 심리적 안전을 통해 AI 도입 지원하기
• 리드 타임, 변경 실패율, DORA 지표 및 개발자 경험 신호와 같은 의미 있는 지표 사용하기
• 팀원 사이의 효과적인 의사소통을 유지하면서 사람과 AI를 결합하는 협업 방식 적용하기
• 단일 에이전트, 하위 에이전트 및 에이전트 팀과 같은 에이전트 토폴로지 이해하기
• AI 보조 개발에 맞게 역할, 팀 구조, 엔지니어링 방식 및 아키텍처 책임 조정하기
• 코드 줄 수준의 구현에서 더 넓은 아키텍처 중심, 제품 중심 및 결과 중심 사고로 전환하기
• AI가 소프트웨어 아키텍처, 솔루션 아키텍처 및 엔터프라이즈 아키텍처에 미치는 영향 이해하기