iSAQB CPSA-A SWARC4AI

설명

iSAQB® CPSA-A AI 기반 시스템을 위한 소프트웨어 아키텍처(SWARC4AI) 과정에 참여하면 기술 역량(TC) 20점과 방법론 역량(MC) 10점을 취득할 수 있습니다. 이 점수는 Brightest를 통해 iSAQB CPSA-A 시험에 응시하기 위해 필요한 70점에 포함됩니다. Brightest의 iSAQB CPSA-A 시험에 응시하기 위해 필요한 70점 중 다음 각 역량 영역에서 최소 10점을 취득해야 한다는 점에 유의하시기 바랍니다. 

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

공인 iSAQB® SWARC4AI - AI 기반 시스템을 위한 소프트웨어 아키텍처(CPSA-A) 교육은 최신 iSAQB® 커리큘럼을 기반으로 합니다.

파트 1 - 인공지능과 관련된 소프트웨어 아키텍처 개념 소개

• 인공지능, 머신러닝, 데이터 과학, 딥러닝 및 생성형 AI를 구분하기
• AI의 일반적이고 대표적인 활용 사례 설명하기
• 다양한 산업과 최종 사용자 애플리케이션에서 가능한 활용 분야 이해하기
• AI 활용 시 발생할 수 있는 위험 식별하기
• 기존 소프트웨어와의 차이점 이해하기
• AI 또는 전통적인 소프트웨어 개발을 사용하여 문제를 해결할지 결정하기
• AI 환경에서 각 역할과 업무 및 협업 방식 이해하기
• AI 활용 사례를 식별하고 우선순위 정하기
• AI의 강점과 한계 이해하기
• AI 기술과 관련된 ‘생산성 J-곡선’ 개념 이해하기

파트 2 -  규정 준수, 보안 및 정렬

• 데이터 보호법이 AI의 구현과 사용에 미치는 영향 이해하기
• EU AI 법의 목표와 규정 및 개발 프로세스와 아키텍처에 미치는 영향 이해하기
• EU AI 법의 위험 수준에 따라 AI 시스템 분류하기
• AI가 생성한 콘텐츠와 관련된 저작권 문제 분류하기
• 무료 ML 모델의 공개 유형과 공개 수준 및 라이선스 유형 개괄하기
• EU AI 법을 준수하기 위한 전략과 잠재적 과제 이해하기
• 추적 가능성과 투명성을 위해 모델과 데이터 세트 문서화하기
• ML 모델의 보안 취약점과 공격 유형 이해하기
• AI 위험을 줄이기 위한 전략을 이해하고 적용하기
• 공격 방어 방법 적용하기(AI 보안)
• AI 안전의 기본 문제와 다양한 측면 이해하기
• AI 시스템의 윤리적 문제와 대응 방법 이해하기
• 윤리 지침 개괄하기
• 기업을 위한 AI 거버넌스와 책임 있는 AI의 핵심 원칙 이해하기
• 규제 샌드박스 구축 방식 파악하기
• AI 애플리케이션에서 데이터 품질과 보안을 위한 적절한 데이터 관리 보장하기

파트 3 - AI 기반 시스템의 설계 및 개발

• 머신러닝 또는 데이터 과학 프로젝트의 수명 주기 이해하기
• AI 시스템의 소프트웨어 개발을 위한 프로세스 모델 이해하기
• 데이터의 유형과 요구사항 및 일반적인 ML 문제 이해하기
• 머신러닝 문제와 관련 요구사항 이해하기
• 다양한 AI 알고리즘에 입력 데이터 사용하기
• 비결정성, 데이터 품질, 개념 드리프트 및 모델 드리프트와 같은 과제 다루기
• 전이 학습과 미세 조정 이해하기
• AI 시스템을 위한 디자인 패턴 선택하기
• ML 모델의 작업 정의하기
• ML 시스템의 작동에 필요한 입력과 출력을 이해하고 명시하기
• ML 모델의 성능을 측정하는 지표 이해하기
• ML 모델을 기존 시스템에 통합하기
• AI 시스템을 위한 사용자 인터페이스 설계하기
• AI 시스템에서 지연 시간과 처리량 등의 성능 지표 이해하기
• 데이터 양의 증가에 따른 확장성 관리하기
• AI 시스템의 견고성을 이해하고 이를 높이는 전략 적용하기
• AI 시스템의 신뢰성과 가용성 분류하기
• AI 결과의 재현 가능성과 테스트 가능성 이해하기
• 보안, 데이터 보호 및 규정 준수 요구사항 이해하기
• AI 시스템의 설명 가능성과 해석 가능성 분류하기
• 데이터와 모델의 편향 식별하기
• AI 시스템의 결함 허용 능력 이해하기

파트 4 - AI 기반 시스템을 위한 데이터 관리 및 데이터 처리

• 데이터 수집 및 레이블링하기
• 공개 데이터에 접근할 수 있는 일반적인 플랫폼 이해하기
• 데이터 레이블링을 위한 관련 도구 개괄하기
• 효율적인 데이터 파이프라인과 아키텍처 설계하기
• 데이터 집계, 정제, 변환, 보강 및 증강 전략 이해하기
• 데이터 엔지니어링 파이프라인을 위한 도구 개괄하기
• 데이터 저장 방법 이해하기

파트 5 - AI 기반 시스템 운영을 위한 주요 품질 특성

• 학습과 추론을 위한 하드웨어 요구사항 이해하기
• 품질 특성과 관련된 다양한 모델 아키텍처의 절충 관계 이해하기
• ML 모델의 다양한 품질 특성 조정하기
• AI의 비용, 전력 소비 및 지속 가능한 사용 이해하기(그린 IT)
• 데이터 과학 프로젝트의 수명 주기를 자동화하기 위한 MLOps 개괄하기
• 모델 학습, 매개변수, 지표 및 결과 추적하기
• ML 모델과 이를 기반으로 하는 AI 시스템 평가하기
• 드리프트의 유형과 가능한 원인 및 해결 방법 이해하기
• AI 모델을 위한 CI/CD 파이프라인, 모델 관리 및 배포 전략 개괄하기
• 모델 제공을 위한 플랫폼 이해하기
• AI 시스템의 개념 증명(POC)을 만드는 도구 분류하기
• AI 모델의 배포 방법 이해하기
• SaaS와 자체 호스팅의 장단점 설명하기
• SaaS AI 솔루션 개괄하기
• ML 모델의 임베디드 배포 이해하기
• AI 관련 요구사항을 고려한 모니터링 이해하기
• 대표적인 모니터링 도구 개괄하기
• 사용자 피드백과 이를 수집하는 방법 및 도구 이해하기
• 모델 학습에 피드백을 활용하는 방법 이해하기
• 실제 사례를 통해 MLOps 파이프라인 이해하기 (선택 사항)
• MLOps 시스템 또는 구성요소에 대해 자체 개발 또는 구매 결정 내리기 (선택 사항)
• MLOps 도구와 엔드투엔드 플랫폼 이해하기 (선택 사항)

파트 6 - 생성형 AI 기반 시스템을 위한 시스템 아키텍처 및 플랫폼

• AI 통합 수준 개괄하기
• AI 모델 통합을 위한 라이브러리, 인터페이스 및 도구 이해하기
• AI 시스템을 IT 환경의 전체 아키텍처에 통합하기
• AI 시스템과 관련된 품질 특성 개괄하기
• AI 시스템을 위한 평가 프레임워크 이해하기 (선택 사항)
• 가상의 업무 영역을 활용한 사례 연구 토론하기 (선택 사항)
• 생성형 AI의 기본 개념 이해하기
• 대규모 언어 모델(LLM)의 작동 방식 이해하기
• LLM 사용 시 알려진 패턴 이해하기
• RAG(검색 증강 생성)의 활용 사례 이해하기
• 선별된 RAG 기술을 이해하기
• 프롬프트 엔지니어링의 유형 이해하기
• 에이전트 워크플로 개괄하기
• 생성형 AI 시스템을 위한 주요 디자인 패턴 이해하기
• LLM 애플리케이션 평가 기술 이해하기
• 주요 LLM과 선택 기준 개괄하기
• 생성형 AI 애플리케이션에서 비용 관리의 중요성 이해하기
• LLM 애플리케이션과 관련된 일반적인 라이브러리, 인터페이스 및 도구의 예 제시하기
• 에이전트형 AI 소프트웨어 아키텍처, AI 에이전트 아키텍처 구성요소 및 AI 에이전트 아키텍처 유형 이해하기 (선택 사항)